【技术实现步骤摘要】
本专利技术属于水产养殖
,具体涉及一种基于数据融合的水产养殖水质溶解氧预测方法。
技术介绍
池塘水产养殖过程中,溶解氧是水产品赖以生存的重要指标,及时准确的掌握溶解氧浓度的变化趋势是确保高密度水产养殖的关键。若不能精确掌握养殖池塘溶解氧浓度的变化趋势,增氧补救不及时,低氧或者严重缺氧的胁迫环境不仅制约着水产品健康甚至导致大面积水产死亡,给用户带来巨大的经济损失,还严重影响水产养殖业的健康持续发展。为此,基于智能信息处理技术对养殖水体溶解氧浓度进行准确预测,及时掌握养殖溶解氧的变化规律,辨识溶解氧异常变化,防范水质恶化及疾病爆发、水环境保护与治理提供科学决策依据。目前现有的水质溶解氧预测模型,输入参数多来自于单一传感器,易出现数据缺失、数据异常等问题,预测得到的溶解氧数值准确性、可靠性较低,不能很好的满足水产养殖的需求。
技术实现思路
本专利技术的目的是针对现有技术存在的缺陷和不足,提供一种基于数据融合的水产养殖水质溶解氧预测方法,该方法通过布设多个溶解氧传感器、获取多个溶解氧数据值,通过数据融合方法实现溶解氧的可靠实时测量,然后依据可靠、准确的数据源建立的预测模型将实现更加精确的养殖水质溶解氧预测。本专利技术的目的是通过如下技术方案实现的:一种基于数据融合的水产养殖水质溶解氧预测方法,包括如下步骤:S1:数据获取与预处理:采集水产养殖生态环境的溶解氧数据和气象环境数据,作为原始数据集,并将采集到的溶解氧数据进行归一化处理;S2:数据融合处理:通过K-聚类算法优化的RBF神经网络算法对步骤S1归一化处理后的溶解氧数据进行融合,获得更准确的溶解氧数值;S3 ...
【技术保护点】
一种基于数据融合的水产养殖水质溶解氧预测方法,其特征在于,包括如下步骤:S1:数据获取与预处理:采集水产养殖生态环境的溶解氧数据和气象环境数据,作为原始数据集,并将采集到的溶解氧数据进行归一化处理;S2:数据融合处理:通过K‑聚类算法优化的RBF神经网络算法对步骤S1归一化处理后的溶解氧数据进行融合,获得更准确的溶解氧数值;S3:预测模型构建:将所述更准确的溶解氧数值与步骤S1中同时刻采集的气象数据重新组合作为预测模型的训练样本,利用所述训练样本训练最小二乘支持向量机模型并优化最小二乘支持向量机的参数,以获取最优最小二乘支持向量机预测模型;S4:溶解氧实时预测:在线实时采集水产养殖生态环境的溶解氧数据和气象环境数据,利用所述最优最小二乘支持向量机预测模型获得溶解氧预测值。
【技术特征摘要】
1.一种基于数据融合的水产养殖水质溶解氧预测方法,其特征在于,包括如下步骤:S1:数据获取与预处理:采集水产养殖生态环境的溶解氧数据和气象环境数据,作为原始数据集,并将采集到的溶解氧数据进行归一化处理;S2:数据融合处理:通过K-聚类算法优化的RBF神经网络算法对步骤S1归一化处理后的溶解氧数据进行融合,获得更准确的溶解氧数值;S3:预测模型构建:将所述更准确的溶解氧数值与步骤S1中同时刻采集的气象数据重新组合作为预测模型的训练样本,利用所述训练样本训练最小二乘支持向量机模型并优化最小二乘支持向量机的参数,以获取最优最小二乘支持向量机预测模型;S4:溶解氧实时预测:在线实时采集水产养殖生态环境的溶解氧数据和气象环境数据,利用所述最优最小二乘支持向量机预测模型获得溶解氧预测值。2.根据权利要求1所述的预测方法,其特征在于:步骤S1中,每次采集的溶解氧数据为4-8个,优选6个。3.根据权利要求2所述的预测方法,其特征在于:所述溶解氧数据为同一水层不同位置的数据。4.根据权利要求1-3任一项所述的预测方法,其特征在于:所述气象环境数据为水温、空气湿度、空气温度、风速和光照强度。5.根据权利要求1-4任一项所述的预测方法,其特征在于:步骤S2具体包括如下步骤:S21:将采集的光照强度、风速、空气温度、空气湿度、水温、及多处溶解氧作为样本向量Xi(i=1,2...n),初始化聚类中心Cj(j=1,2...k);其中,n为样本数量,k聚类中心个数;S22:把样本向量Xi(i=1,2...n)分配给初始化聚类中心Cj(j=1,2...k)的聚类集合θj(i=1,2...k),按公式计算每个θj中训练样本的平均值作为新的聚类中心,根据聚类中心Cj与它最邻近的聚类中心之间的距离确定隐含层神经元节点的基宽向量bj=σdj;隐含层到输出层之间的权值通过最小二乘法得到,即w=(HTH)-1HTd;其中,dj=min||Ci-...
【专利技术属性】
技术研发人员:陈英义,于辉辉,李道亮,位耀光,刘延忠,许静,甄珠米,杨昊,孙传仁,王利民,魏晓华,薛佳妮,
申请(专利权)人:中国农业大学,山东省农业科学院科技信息研究所,
类型:发明
国别省市:北京;11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。