一种基于深度置信网络的水体氨氮预测方法及装置制造方法及图纸

本发明专利技术提供一种基于深度置信网络的水体氨氮预测方法及装置，所述方法包括：基于目标水体水质的实际水质参数和实际环境因子参数，利用预先建立的深度置信网络预测模型，预测所述目标水体的氨氮含量；其中，所述深度置信网络预测模型为预先根据预测需求进行初始化，并利用选取的样本数据，进行基于暂时抛弃点dropout的训练和测试获取的，所述样本数据为样本水质环境参数与样本水体氨氮含量对。本发明专利技术简单易行，能够有效提高水体氨氮含量的预测运算速度和预测精度，并有效改善预测方法的稳定性和普适性。

【技术实现步骤摘要】
一种基于深度置信网络的水体氨氮预测方法及装置
本专利技术涉及计算机
，更具体地，涉及一种基于深度置信网络的水体氨氮预测方法及装置。
技术介绍
随着水产养殖进入精养化阶段，水质管理成为水产养殖业最为关心的问题。影响水质的因素有生物、物理及化学等多方面因素，例如：水温、pH值、水质氨氮及溶解氧等，其中水质氨氮更是检测水质的主要关键指标之一。水体中的氨氮是单循环中的重要组成部分，对水产养殖对象具有生物毒害，其进入水生生物体内后，会使其表现出呼吸困难、抵抗力下降及不进食等现象，进而影响到水产品的质量和产量，严重时可导致大批养殖生物死亡，给养殖户带来经济损失。因此深入研究养殖池塘中水质氨氮的变化规律，以准确预测其变化并将预测结果应用在生产过程指导中，在池塘养殖过程中将水质氨氮控制在合理的范围内，进而对防范水体恶化、提高养殖产品质量、预防病害风险的发生和提高养殖效益具有重要意义。池塘中氨氮的来源主要是肥料和饲料，而影响其含量的因素有很多，如pH、溶解氧、水温和氧化还原电位等都会引起水质氨氮含量的变化，且各因素之间相互影响，检测复杂困难且数据冗余度高。因此，池塘水质氨氮的变化趋势具有明显的非线性特点，没有直观规律可循。水质氨氮变化涉及多个方面，其中许多变化原理尚不明确，很难从机理上建模。目前，应用于水质参数预测的方法主要有灰色系统理论、BP神经网络及其组合模型等，但也仅限于环境水体指标分析检测。灰色理论模型可以用来处理样本量少且信息不全的数据，但在原始数据序列变化不呈指数规律、有异常和波动的情况下，灰色理论模型的预测精度会大大降低。BP神经网络可以解决非线性复杂的问题，但其训练速度过慢、对外部噪声过于敏感，导致预测结果稳定性差且精度不高。
技术实现思路
为了克服上述问题或者至少部分地解决上述问题，本专利技术提供一种基于深度置信网络的水体氨氮预测方法及装置，用以有效提高水体氨氮含量的预测运算速度和预测精度，并有效改善预测方法的稳定性和普适性。一方面，本专利技术提供一种基于深度置信网络的水体氨氮预测方法，包括：基于目标水体水质的实际水质参数和实际环境因子参数，利用预先建立的深度置信网络预测模型，预测所述目标水体的氨氮含量；其中，所述深度置信网络预测模型为预先根据预测需求进行初始化，并利用选取的样本数据，进行基于暂时抛弃点dropout的训练和测试获取的，所述样本数据为样本水质环境参数与样本水体氨氮含量对。其中，所述实际水质参数具体包括：水体水质氨氮含量以及水体水温、水质电导率、水深、水质盐度、总溶解固体浓度、水密度、pH值、溶解氧含量、溶解氧饱和度、氧化还原电位(ORP)、亚硝酸盐浓度、散射浊度、浊度和蓝绿藻浓度中的一种或多种；所述实际环境因子参数具体包括：风速、风向、太阳辐射、空气温度、空气湿度、大气压强、土壤水分和土壤温度中的一种或多种。其中，所述样本数据包括训练样本和测试样本；相应的，在所述利用预先建立的深度置信网络预测模型，预测所述目标水体的氨氮含量的步骤之前，所述方法还包括：逐个将所述训练样本中的样本水质环境参数输入所述根据预测需求建立的预测模型中，执行吉布斯采样法对网络模型每层进行迭代预训练，获取预测氨氮含量输出；求取所述预测氨氮含量输出与对应的样本水体氨氮含量之间的偏差，并根据给定比率，随机冻结所述根据预测需求建立的预测模型中的部分网络结点；使所述偏差在冻结部分结点的预测模型中反向传播，以进行网络参数的逐层修正，直至训练完成，获取训练完成的深度置信网络预测模型；利用所述测试样本，通过对所述训练完成的深度置信网络预测模型进行正向预测运算，测试所述训练完成的深度置信网络预测模型，直至测试完成，，获取所述深度置信网络预测模型。其中，所述基于目标水体水质的实际水质参数和实际环境因子参数，利用预先建立的深度置信网络预测模型，预测所述目标水体的氨氮含量的步骤进一步包括：对所述实际水质参数和实际环境因子参数进行小波降噪处理，获取纯净的水质及环境因子参数；对所述纯净的水质及环境因子参数进行给定算法的标准化处理，获取标准化的水质及环境因子特征向量；利用主成分分析算法，对所述标准化的水质及环境因子特征向量进行降维处理，获取氨氮关键影响因子；将所述氨氮关键影响因子输入所述深度置信网络预测模型，进行前向预测运算，输出所述目标水体的氨氮含量。进一步的，在所述逐个将所述训练样本中的样本水质环境参数输入所述根据预测需求建立的预测模型中的步骤之前，所述方法还包括：采集所述目标水体在预设时间段内的所述历史水质参数和历史环境因子参数，并对所述历史水质参数和历史环境因子参数进行小波降噪处理，获取纯净的水质及环境因子样本参数；对所述纯净的水质及环境因子样本参数进行给定算法的标准化处理，获取标准化的水质及环境因子样本特征向量；利用主成分分析算法，对所述标准化的水质及环境因子样本特征向量进行降维处理，获取样本氨氮关键影响因子，构建所述样本数据。其中，所述对所述历史水质参数和历史环境因子参数进行小波降噪处理的步骤进一步包括：分别利用dmey、haar、coifN和symN小波基，对所述历史水质参数和历史环境因子参数进行小波分解，获取对应的小波分解数据；选取上述小波基的rigrsure阈值，并对所述小波基多个指定层次的高频系数进行软阈值量化处理；分别对各对应的所述小波分解数据的指定层次的低频信号与经软阈值量化处理的小波基高频系数进行信号重构，获取对应的重构因子参数；基于对各对应的所述重构因子参数的均方根误差和信噪比的计算，确定每个所述历史水质参数和历史环境因子参数的最优小波降噪方案以进行最优降噪处理。其中，所述对所述纯净的水质及环境因子样本参数进行给定算法的标准化处理的步骤进一步包括：针对降噪处理后获取的所述纯净的水质及环境因子样本参数，通过计算各样本参数对应的样本均值和样本标准差，利用给定标准化公式，进行各样本参数的标准化处理；所述利用主成分分析算法，对所述标准化的水质及环境因子样本特征向量进行降维处理的步骤进一步包括：基于所述标准化的水质及环境因子样本特征向量，利用相关系数法，计算所有所述纯净的水质及环境因子参数对应的相关系数矩阵，并计算所述相关系数矩阵的特征向量和特征值；基于所述特征向量和特征值，计算各所述纯净的水质及环境因子参数对应的当前贡献率和累计贡献率，并计算主成分载荷矩阵；基于所述主成分载荷矩阵，选取累计贡献率达到设定标准的样本参数作为所述样本氨氮关键影响因子。其中，所述深度置信网络预测模型具体由受限玻尔兹曼机单元堆叠而成；相应的，利用选取的样本数据，进行基于暂时抛弃点dropout的训练的步骤进一步包括：采用无监督的贪心算法，初始化受限玻尔兹曼机单元网络模型各层之间的链接权重及偏置值，并设定各受限玻尔兹曼机单元隐含层的激活函数；对于任一训练样本，按所述给定比率，随机冻结所述受限玻尔兹曼机单元网络模型中的部分结点，并将该样本的样本水质环境参数输入冻结的受限玻尔兹曼机单元网络模型，获取所述预测氨氮含量输出；通过将网络模型各结点的偏差按所述给定比率置零，求取所述预测氨氮含量输出与该样本的样本水体氨氮含量之间的综合偏差；基于所述综合偏差，利用BP神经网络算法，进行所述冻结的受限玻尔兹曼机单元网络模型中偏差的逐层前向传播，求取各层结点偏差，并本文档来自技高网...

【技术保护点】
1.一种基于深度置信网络的水体氨氮预测方法，其特征在于，包括：基于目标水体水质的实际水质参数和实际环境因子参数，利用预先建立的深度置信网络预测模型，预测所述目标水体的氨氮含量；其中，所述深度置信网络预测模型为预先根据预测需求进行初始化，并利用选取的样本数据，进行基于暂时抛弃点dropout的训练和测试获取的，所述样本数据为样本水质环境参数与样本水体氨氮含量对。

【技术特征摘要】
1.一种基于深度置信网络的水体氨氮预测方法，其特征在于，包括：基于目标水体水质的实际水质参数和实际环境因子参数，利用预先建立的深度置信网络预测模型，预测所述目标水体的氨氮含量；其中，所述深度置信网络预测模型为预先根据预测需求进行初始化，并利用选取的样本数据，进行基于暂时抛弃点dropout的训练和测试获取的，所述样本数据为样本水质环境参数与样本水体氨氮含量对。2.根据权利要求1所述的方法，其特征在于，所述实际水质参数具体包括：水体水质氨氮含量以及水体水温、水质电导率、水深、水质盐度、总溶解固体浓度、水密度、pH值、溶解氧含量、溶解氧饱和度、氧化还原电位(ORP)、亚硝酸盐浓度、散射浊度、浊度和蓝绿藻浓度中的一种或多种；所述实际环境因子参数具体包括：风速、风向、太阳辐射、空气温度、空气湿度、大气压强、土壤水分和土壤温度中的一种或多种。3.根据权利要求2所述的方法，其特征在于，所述样本数据包括训练样本和测试样本；相应的，在所述利用预先建立的深度置信网络预测模型，预测所述目标水体的氨氮含量的步骤之前，所述方法还包括：逐个将所述训练样本中的样本水质环境参数输入所述根据预测需求建立的预测模型中，执行吉布斯采样法对网络模型每层进行迭代预训练，获取预测氨氮含量输出；求取所述预测氨氮含量输出与对应的样本水体氨氮含量之间的偏差，并根据给定比率，随机冻结所述根据预测需求建立的预测模型中的部分网络结点；使所述偏差在冻结部分结点的预测模型中反向传播，以进行网络参数的逐层修正，直至训练完成，获取训练完成的深度置信网络预测模型；利用所述测试样本，通过对所述训练完成的深度置信网络预测模型进行正向预测运算，测试所述训练完成的深度置信网络预测模型，直至测试完成，，获取所述深度置信网络预测模型。4.根据权利要求3所述的方法，其特征在于，所述基于目标水体水质的实际水质参数和实际环境因子参数，利用预先建立的深度置信网络预测模型，预测所述目标水体的氨氮含量的步骤进一步包括：对所述实际水质参数和实际环境因子参数进行小波降噪处理，获取纯净的水质及环境因子参数；对所述纯净的水质及环境因子参数进行给定算法的标准化处理，获取标准化的水质及环境因子特征向量；利用主成分分析算法，对所述标准化的水质及环境因子特征向量进行降维处理，获取氨氮关键影响因子；将所述氨氮关键影响因子输入所述深度置信网络预测模型，进行前向预测运算，输出所述目标水体的氨氮含量。5.根据权利要求3所述的方法，其特征在于，在所述逐个将所述训练样本中的样本水质环境参数输入所述根据预测需求建立的预测模型中的步骤之前，还包括：采集所述目标水体在预设时间段内的所述历史水质参数和历史环境因子参数，并对所述历史水质参数和历史环境因子参数进行小波降噪处理，获取纯净的水质及环境因子样本参数；对所述纯净的水质及环境因子样本参数进行给定算法的标准化处理，获取标准化的水质及环境因子样本特征向量；利用主成分分析算法，对所述标准化的水质及环境因子样本特征向量进行降维处理，获取样本氨氮关键影响因子，构建所述样本数据。6.根据权利要求5所述的方法，其特征在于，所述对所述历史水质参数和历史环境因子参数进行小波降噪处理的步骤进一步包括：分别利用dmey、haar、c...

【专利技术属性】
技术研发人员：陈英义，成艳君，程倩倩，刘烨琦，方晓敏，龚川洋，于辉辉，
申请(专利权)人：中国农业大学，
类型：发明
国别省市：北京,11