[發(fā)明專利]一種淡水魚養(yǎng)殖智能管理系統(tǒng)以及管理方法

在審

• 申請?zhí)枺?/td>: 202210798071.5
• 申請日: 2022-07-06
• 公開（公告）號: CN115099512A
• 公開（公告）日: 2022-09-23
• 發(fā)明（設(shè)計）人: 劉艷飛;林亮中;陳幗鸞;蘇偉欽;李嘉曉;劉逸;劉付亮
• 申請（專利權(quán)）人: 中山職業(yè)技術(shù)學院
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06N3/04;G06N3/08;A01K61/10;G01D21/02
• 代理公司: 廣州三環(huán)專利商標代理有限公司 44202
• 代理人: 劉克豹

本發(fā)明公開了一種淡水魚養(yǎng)殖智能管理系統(tǒng)以及管理方法，管理方法包括在目標水域采集水質(zhì)參數(shù)；獲取氣象參數(shù)、時間參數(shù)、飼料參數(shù)、用藥參數(shù)以及地理參數(shù)；建立基于多層注意力機制的預(yù)測模型，預(yù)測模型得出所述目標水域的監(jiān)測參數(shù)；建立神經(jīng)網(wǎng)絡(luò)模型，神經(jīng)網(wǎng)絡(luò)模型輸出所述目標水域的水質(zhì)預(yù)警級別。本技術(shù)方案利用基于多層注意力機制的預(yù)測模型預(yù)測目標水域的酸堿度值、水溫度值、含氧量值以及氨氮濃度值，充分考慮到了各個監(jiān)測參數(shù)的時空相關(guān)性以及氣象參數(shù)、時間參數(shù)等因素，提高目標水域的監(jiān)測參數(shù)的預(yù)測準確性；同時本技術(shù)方案利用神經(jīng)網(wǎng)絡(luò)模型結(jié)合預(yù)測的監(jiān)測參數(shù)準確判斷目標水域的水質(zhì)預(yù)警級別，便于相關(guān)人員做出相應(yīng)的處理。

技術(shù)領(lǐng)域

本發(fā)明涉及智能養(yǎng)殖技術(shù)領(lǐng)域，更具體地說涉及一種淡水魚養(yǎng)殖智能管理系統(tǒng)以及管理方法。

背景技術(shù)

水質(zhì)管理是淡水魚養(yǎng)殖的重要組成部分，隨著淡水魚養(yǎng)殖規(guī)模的不斷擴大，水質(zhì)監(jiān)控和水質(zhì)預(yù)警越來越重要。國內(nèi)外很多高校和學者都對養(yǎng)殖水質(zhì)監(jiān)控和預(yù)測模型進行了研究。水質(zhì)預(yù)測模型的研究主要集中在模型算法的選擇上面，主要由機理模型和非機理模型，時序模型和機器學習模型。由于水環(huán)境是一個多變量、多因素和多條件影響的復雜系統(tǒng)，如果采用機理模型進行建模，所涉及的參數(shù)將會很多，涉及的學科也很多，機理探索非常復雜，所以，基于機理模型的水質(zhì)參數(shù)預(yù)測模和型研究成果較少，應(yīng)用也很少。更加普遍的研究主要集中在非機理模型上，采用這種算法思想的方法主要包括統(tǒng)計學和經(jīng)驗學習等方法，如：神經(jīng)網(wǎng)絡(luò)建模、時序回歸算法和支持向量機方法，有些學者將機器學習的方法應(yīng)用到水質(zhì)參數(shù)的預(yù)測模型建立中來。

目前，水質(zhì)預(yù)測方法主要可以分為兩種：一是以經(jīng)典數(shù)學理論為基礎(chǔ)的傳統(tǒng)預(yù)測法；二是以現(xiàn)代計算智能為基礎(chǔ)的智能預(yù)測法。國內(nèi)外許多學者都對水質(zhì)參數(shù)的預(yù)測方法進行了深入研究，但是淡水魚養(yǎng)殖水質(zhì)參數(shù)的變化情況比較復雜，傳統(tǒng)的預(yù)測方法和部分基于計算智能的預(yù)測模型已經(jīng)不能滿足淡水魚養(yǎng)殖水質(zhì)精細化管理的需要。此外傳統(tǒng)的水質(zhì)參數(shù)預(yù)測方法一般只針對單一變量，而單一變量的好壞難以決定水質(zhì)的優(yōu)良。

發(fā)明內(nèi)容

為解決上述一個或多個技術(shù)問題，本發(fā)明的目的在于：提供一種淡水魚養(yǎng)殖智能管理系統(tǒng)以及管理方法。

本發(fā)明為解決問題所采用的技術(shù)方案是：

一種淡水魚養(yǎng)殖智能管理方法，包括以下步驟：

步驟100，在目標水域布置多個水質(zhì)傳感器采集目標水域的水質(zhì)參數(shù)，所述水質(zhì)參數(shù)包括酸堿度值、溶解氧濃度值、溶解鹽濃度值、營養(yǎng)物質(zhì)含量值以及無機鹽濃度值；

步驟200，獲取氣象參數(shù)、時間參數(shù)、飼料參數(shù)、用藥參數(shù)以及水質(zhì)傳感器的地理參數(shù)；

步驟300，建立基于多層注意力機制的預(yù)測模型，將所述水質(zhì)參數(shù)、氣象參數(shù)、時間參數(shù)、飼料參數(shù)、用藥參數(shù)以及地理參數(shù)輸入至所述預(yù)測模型，所述預(yù)測模型得出所述目標水域的監(jiān)測參數(shù)，所述監(jiān)測參數(shù)包括酸堿度值、水溫度值、含氧量值以及氨氮濃度值；

步驟400，建立神經(jīng)網(wǎng)絡(luò)模型，將所述監(jiān)測參數(shù)輸入至所述神經(jīng)網(wǎng)絡(luò)模型，所述神經(jīng)網(wǎng)絡(luò)模型輸出所述目標水域的水質(zhì)預(yù)警級別。

作為上述技術(shù)方案的進一步改進，所述步驟400之后還包括：

步驟500，根據(jù)所述目標水域的水質(zhì)預(yù)警級別，采用決策樹模型推薦應(yīng)對措施。

作為上述技術(shù)方案的進一步改進，所述步驟300包括以下步驟：

步驟310，建立基于多層注意力機制的預(yù)測模型，所述預(yù)測模型是編碼器-解碼器架構(gòu)，所述預(yù)測模型包括兩個LSTM網(wǎng)絡(luò)(長短期記憶網(wǎng)絡(luò))，兩個所述LSTM網(wǎng)絡(luò)分別作為編碼器以及解碼器；

步驟320，將所述水質(zhì)參數(shù)輸入至作為編碼器的LSTM網(wǎng)絡(luò)，作為編碼器的LSTM網(wǎng)絡(luò)編碼所述水質(zhì)參數(shù)的時間序列值；