水产养殖溶解氧预测方法及装置制造方法及图纸

本发明专利技术实施例提供一种水产养殖溶解氧预测方法及装置。方法包括：采集水产养殖水域的水质数据；将采集到的水质数据进行归一化处理，得到归一化数据；将所述归一化数据输入预设的LSTM神经网络预测模型，得到模型预测数据；将所述模型预测数据进行反归一化处理，得到溶解氧预测数据。本发明专利技术实施例通过将采集到的水质数据进行归一化处理后输入预设的LSTM神经网络预测模型，得到模型预测数据，再将模型预测数据进行反归一化处理，可以得到溶解氧预测数据，解决了现有技术中无法利用其它水质数据对溶解氧进行预测的问题，提供了一种新的溶解氧的预测方法，并提高了溶解氧的预测精度。

Method and device for predicting dissolved oxygen in aquaculture

The embodiment of the invention provides a method and a device for predicting dissolved oxygen in aquaculture. The method includes: data acquisition of water quality of aquaculture water; the water quality data collected are normalized to obtain the normalized data; LSTM neural network is the normalized data input default prediction model, model prediction data; the model predicts the number according to the anti normalization, get the dissolved oxygen prediction data. The embodiment of the invention the prediction model of water quality data collected by using the normalized input to the LSTM neural network model to predict the preset, get data, then the data were normalized against the model prediction can be obtained, the dissolved oxygen prediction data, solve the other water quality data can not be used in the prior art, the problem of predicting of dissolved oxygen and provide a new method for the prediction of dissolved oxygen, and improves the prediction accuracy of dissolved oxygen.

【技术实现步骤摘要】
水产养殖溶解氧预测方法及装置
本专利技术实施例涉及水产养殖
，尤其涉及一种水产养殖溶解氧预测方法及装置。
技术介绍
中国是水产养殖大国，水产品产量和质量的保证取决于养殖水质是否适合水生生物生存。影响溶解氧浓度的水质因素有很多，包括pH值，水温，浊度，盐度等；外部因素包括太阳辐射，空气温度，气压等。溶解氧是水生生物生存必不可少的条件，溶解氧浓度低于3mg/L时，就会引起鱼类死亡。因此，获取养殖水域的溶解氧数据对于水产养殖具有十分重要的意义。现有技术中溶解氧的预测方法主要分为两种类型：第一类是传统的预测方法，把经典数学作为理论基础，包括时间序列预测法、回归分析法、马尔科夫模型、水质模拟预测法等；第二类是基于人工智能的预测方法，包括灰色模型、人工神经网络预测法、支持向量机回归预测法等。这些预测方法都是针对检测到的溶解氧数据进行预测，当无法检测溶解氧只能检测其他水质信息时则无法获知水中的溶解氧数据，无法对水中的溶解氧数据进行预测。目前还没有一种方法可以在无法检测溶解氧数据的情况下对溶解氧数据进行预测，因此，提供一种利用其它水质数据对溶解氧进行预测的方法是目前业界亟待解决的技术问题。
技术实现思路
为了解决现有技术中存在的问题，本专利技术实施例提供一种水产养殖溶解氧预测方法及装置。一方面，本专利技术实施例提供一种水产养殖溶解氧预测方法，包括：采集水产养殖水域的水质数据；将采集到的水质数据进行归一化处理，得到归一化数据；将所述归一化数据输入预设的长短时记忆LSTM神经网络预测模型，得到模型预测数据；将所述模型预测数据进行反归一化处理，得到溶解氧预测数据。另一方面，本专利技术实施例提供一种水产养殖溶解氧预测装置，包括：采集单元，用于采集水产养殖水域的水质数据；归一化单元，用于将采集到的水质数据进行归一化处理，得到归一化数据；预测单元，用于将所述归一化数据输入预设的LSTM神经网络预测模型，得到模型预测数据；反归一化单元，用于将所述模型预测数据进行反归一化处理，得到溶解氧预测数据。本专利技术实施例提供的水产养殖溶解氧预测方法及装置，通过将采集到的水质数据进行归一化处理后输入预设的LSTM神经网络预测模型，得到模型预测数据，再将模型预测数据进行反归一化处理，可以得到溶解氧预测数据，解决了现有技术中无法利用其它水质数据对溶解氧进行预测的问题，提供了一种新的溶解氧的预测方法，并提高了溶解氧的预测精度。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术实施例提供的水产养殖溶解氧预测方法流程示意图；图2为本专利技术实施例提供的又一水产养殖溶解氧预测方法流程示意图；图3为LSTM神经网络基本结构示意图；图4为本专利技术实施例提供的水产养殖溶解氧预测装置结构示意图；图5为本专利技术实施例提供的又一水产养殖溶解氧预测装置结构示意图。具体实施方式为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。图1为本专利技术实施例提供的水产养殖溶解氧预测方法流程示意图，如图1所示，方法包括：步骤10、采集水产养殖水域的水质数据；步骤20、将采集到的水质数据进行归一化处理，得到归一化数据；步骤30、将所述归一化数据输入预设的长短时记忆LSTM神经网络预测模型，得到模型预测数据；步骤40、将所述模型预测数据进行反归一化处理，得到溶解氧预测数据。具体的，当需要对水产养殖水域的溶解氧数据进行预测时：(1)利用实验装置采集一组水产养殖水域的水质信息；(2)采集的水质信息具有不同的量纲和量纲单位，这样的情况会影响到预测结果，为了消除数据之间的量纲影响，需要进行数据标准化处理，也就是将采集到的水质数据进行归一化处理，以解决数据指标之间的可比性。经过数据归一化处理后，各指标处于同一数量级，便于进行下一步数据处理。(3)将归一化处理后得到的归一化数据输入预设的长短时记忆(LongShort-TermMemory，简称LSTM)神经网络预测模型中，所述LSTM神经网络预测模型是专门为预测溶解氧数据建立的预测模型，可以利用输入的归一化数据得到模型预测数据。(4)LSTM神经网络预测模型输出的模型预测数据是由归一化数据计算得到的一个数据，并不符合常规描述的溶解氧数据的标准，因此将得到的模型预测数据进行反归一化处理，即可得到溶解氧预测数据。本专利技术实施例提供的水产养殖溶解氧预测方法，通过将采集到的水质数据进行归一化处理后输入预设的LSTM神经网络预测模型，得到模型预测数据，再将模型预测数据进行反归一化处理，可以得到溶解氧预测数据，解决了现有技术中无法利用其它水质数据对溶解氧进行预测的问题，提供了一种新的溶解氧的预测方法，并提高了溶解氧的预测精度。在上述实施例的基础上，进一步地，所述水质数据包括：pH值、水温、浊度、氨氮含量和盐度中的一种或多种。影响水中溶解氧浓度的因素有很多，包括pH值、水温、浊度、氨氮含量和盐度等水质因素，以及空气温度、太阳辐射和气压等外部因素。本专利技术实施例采集的水质数据为pH值、水温、浊度、氨氮含量和盐度中的一种或多种，这些水质数据易于采集并且与溶解氧浓度的相关性较高，利用这些数据预测的溶解氧数据精度更高，并且，采集的数据种类越多，得到的溶解氧预测数据的精度也相应的越高。图2为本专利技术实施例提供的又一水产养殖溶解氧预测方法流程示意图，如图2所示，所述方法包括：步骤00、建立LSTM神经网络预测模型；步骤10、采集水产养殖水域的水质数据；步骤20、将采集到的水质数据进行归一化处理，得到归一化数据；步骤30、将所述归一化数据输入预设的LSTM神经网络预测模型，得到模型预测数据；步骤40、将所述模型预测数据进行反归一化处理，得到溶解氧预测数据。在对水域中的溶解氧数据进行预测时，首先要建立一个LSTM神经网络预测模型，LSTM神经网络预测模型的精度越高，经过LSTM神经网络预测模型得到的模型预测数据就越精确，反归一化处理后得到的溶解氧预测数据也就越接近实际值。因此，本专利技术实施例提供的方法通过建立LSTM神经网络预测模型，可以大大提高溶解氧预测数据的精度。在上述各实施例的基础上，进一步地，所述建立LSTM神经网络预测模型的方法包括：采集M组测试数据，所述测试数据包括水质数据及与之相应的溶解氧数据；将所述M组测试数据进行归一化处理，得到M组归一化测试数据，其中，所述水质数据进行归一化后称为归一化水质数据，所述溶解氧数据归一化之后称为归一化溶解氧数据；将所述归一化测试数据按组随机分为两部分，其中数量大于预设百分比的数据称为训练数据，用于训练模型调整权值；另一部分数据称为验证数据，用于验证模型；将所述训练数据中的归一化水质数据作为LSTM神经网络预测模型的输入，按照预设方法进行前向传播后得到预测溶解氧数据；将所述预测溶解氧数本文档来自技高网...

【技术保护点】
一种水产养殖溶解氧预测方法，其特征在于，包括：采集水产养殖水域的水质数据；将采集到的水质数据进行归一化处理，得到归一化数据；将所述归一化数据输入预设的LSTM神经网络预测模型，得到模型预测数据；将所述模型预测数据进行反归一化处理，得到溶解氧预测数据。

【技术特征摘要】
1.一种水产养殖溶解氧预测方法，其特征在于，包括：采集水产养殖水域的水质数据；将采集到的水质数据进行归一化处理，得到归一化数据；将所述归一化数据输入预设的LSTM神经网络预测模型，得到模型预测数据；将所述模型预测数据进行反归一化处理，得到溶解氧预测数据。2.根据权利要求1所述的方法，其特征在于，所述水质数据包括：pH值、水温、浊度、氨氮含量和盐度中的一种或多种。3.根据权利要求1或2所述的方法，其特征在于，所述方法在采集水产养殖水域的水质数据之前，还包括：建立LSTM神经网络预测模型。4.根据权利要求3所述的方法，其特征在于，所述建立LSTM神经网络预测模型的方法包括：采集M组测试数据，所述测试数据包括水质数据及与之相应的溶解氧数据；将所述M组测试数据进行归一化处理，得到M组归一化测试数据，其中，所述水质数据进行归一化后称为归一化水质数据，所述溶解氧数据归一化之后称为归一化溶解氧数据；将所述归一化测试数据按组随机分为两部分，其中数量大于预设百分比的数据称为训练数据，用于训练模型调整权值；另一部分数据称为验证数据，用于验证模型；将所述训练数据中的归一化水质数据作为LSTM神经网络预测模型的输入，按照预设方法进行前向传播后得到预测溶解氧数据；将所述预测溶解氧数据与相应的归一化溶解氧数据进行比较，利用所述预测溶解氧数据与归一化溶解氧数据的误差进行反向传播，修正模型中的权值，得到修正的LSTM神经网络预测模型；将所述验证数据中的归一化水质数据作为修正的LSTM神经网络预测模型的输入，若输出的预测溶解氧数据与验证数据中的归一化溶解氧数据在预设误差范围内，则所述修正的LSTM神经网络预测模型为最终的LSTM神经网络预测模型。5.一种水产养殖溶解氧预测装置，其特征在于，包括：采集单元，用于采集水产养殖水域的水质数据...

【专利技术属性】
技术研发人员：李振波，李晨，朱玲，吴静，岳峻，李道亮，
申请(专利权)人：中国农业大学，
类型：发明
国别省市：北京,11