一种渔场饲料投喂方法及系统技术方案

本发明专利技术公开一种渔场饲料投喂方法，所述渔场饲料投喂方法包括：获取渔场的环境数据、鱼类数据以及投喂数据；基于所述渔场的环境数据、所述鱼类数据以及所述投喂数据训练得到目标神经网络模型；通过所述目标神经网络模型得到预设时间内所需的投喂数据；以及根据所需的投喂数据向所述渔场投喂饲料。本发明专利技术所述渔场饲料投喂方法及系统使得饲料投喂更加精准，同时还可以降低人工投喂的强度与成本。时还可以降低人工投喂的强度与成本。时还可以降低人工投喂的强度与成本。

【技术实现步骤摘要】
一种渔场饲料投喂方法及系统


[0001]本专利技术涉及水产养殖
，尤其涉及一种渔场饲料投喂方法及系统。

技术介绍

[0002]目前，水产养殖的饲料通常采用人工投喂或者投喂机的方式进行投喂。人工投喂时，饲养人员根据饲养经验能够在一定程度上控制渔场内饲料的残余量，但是存在投喂强度高、成本大的问题。采用投喂机进行饲料投喂虽然能够在一定程度解决上述问题，但是投喂精准度一般不高，容易产生投喂过量或投喂不足的问题。

技术实现思路

[0003]针对上述问题，有必要提供一种渔场饲料投喂方法及系统，可以使得饲料投喂更加精准，同时还可以降低人工投喂的强度与成本。
[0004]本专利技术一方面提供一种渔场饲料投喂方法，所述渔场饲料投喂方法包括：
[0005]获取渔场的环境数据、鱼类数据以及投喂数据；
[0006]基于所述渔场的环境数据、所述鱼类数据以及所述投喂数据训练得到目标神经网络模型；
[0007]通过所述目标神经网络模型得到预设时间内所需的投喂数据；以及
[0008]根据所需的投喂数据向所述渔场投喂饲料。
[0009]可选的，所述环境数据包括第一数据及第二数据，所述第一数据包括所述渔场对应的空域内的光线辐射强度、气温、湿度以及风速中至少一项，所述第二数据包括所述渔场的水域内的水温、盐度、流速、PH值以及溶氧量中至少一项。
[0010]可选的，所述鱼类数据包括数量、种类、大小以及健康状况中至少一项。
[0011]可选的，所述投喂数据包括投喂饲料量、时间及位置中至少一项。
[0012]可选的，所述基于所述渔场的环境数据、所述鱼类数据以及所述投喂数据训练得到目标神经网络模型包括：
[0013]a.选择数据样本，所述数据样本包括所述环境数据、所述鱼类数据以及所述投喂数据；
[0014]b.确定所述神经网络拓扑结构，所述神经网络包括输入层、隐含层及输出层；
[0015]c.建立数据模型，所述环境数据及所述鱼类数据为输入数据，所述投喂数据为输出数据，根据公式：确定隐含层节点数目，其中，n为隐含层节点数目，l为输入层节点数，m为输出层节点数，a为常数，取值范围为[1-10]；以及
[0016]d.网络分析：
[0017]①
初始化，确定所述神经网络的初始权值w
ij
、w
jk
和阈值θ
j
、γ
k
，随机给各个权值阈值赋予[-1,1]内的随机值，对输入输出向量进行归一化处理，其公式如下：
[0018][0019]式中，x
i
、分别为归一化前后的值，x
max
为样本序列中最大的数，x
min
为样本序列中最小的数；
[0020]②
利用训练样本输入向量、权值w
ij
和阈值θ
j
计算隐含层各单位输出，
[0021][0022]式中，b
j
为隐含层j单位输出，f()为隐含层传递函数，l为输入层节点数，xi为输入层样本；
[0023]③
利用隐含层单位输出b
j
、权值w
jk
和阈值γ
k
，通过传递函数计算输出层各单位响应，
[0024][0025]式中，y
k
为隐含层k单位输出，f()为隐含层传递函数，n为输入层节点数；
[0026]④
利用网络目标向量，网络实际输出，计算各输出层各单位一般化误差，
[0027]d
k
＝(Y
k-y
k
)y
k
(1-y
k
)
[0028]式中，Y
k
为网络目标向量元素；
[0029]⑤
计算隐含层各单元一般化误差，
[0030][0031]⑥
利用计算出的输出层各单元一般化误差、隐含层各单元输出、隐含层一般化误差以及输入层各单元输入，分别对网络各层权值阈值进行更新修正，
[0032]w
jk
(N+1)＝w
jk
(N)+α
·
d
k
·
b
j
[0033]γ
k
(N+1)＝γ
k
(N)+α
·
d
k
[0034]w
ij
(N+1)＝w
ij
(N)+β
·
e
j
·
x
i
[0035]θ
j
(N+1)＝θ
j
(N)+β
·
e
j
[0036]式中，α、β为学习速率，取值范围为[0，1]，N为神经网络的迭代次数；
[0037]⑦
随机选取下一组训练样本重复步骤
②
至
⑥
，直至达到网络所需精度或者达到最大迭代次数，网络训练过程结束；
[0038]⑧
将测试样本数据中的测试输入向量输入训练好的神经网络进行输出测试，将测试的结果与实际输出进行对比，检测网络分析的精度。
[0039]可选的，所述方法还包括：
[0040]获取所述渔场内的残余的饲料数据；
[0041]将所述残余的饲料数据传送至客户端，并接收所述客户端输入的调整数据；
[0042]以及
[0043]根据所述调整数据调整所述需投喂饲料数据。
[0044]可选的，所述残余的饲料数据包括残余饲料量以及位置中至少一项。
[0045]本专利技术另一方面提供一种渔场饲料投喂系统，所述渔场饲料投喂系统包括：
[0046]监测装置，设置于所述渔场，所述监测装置用于获取渔场的环境数据、鱼类数据以
及投喂数据；
[0047]控制装置，与所述监测装置相连，所述控制装置基于所述渔场的环境数据、所述鱼类数据以及所述投喂数据训练得到目标神经网络模型，并通过所述目标神经网络模型得到预设时间内所需的投喂数据；以及
[0048]投喂装置，与所述控制装置相连，所述控制装置根据所述需投喂饲料数据控制所述投喂装置向所述渔场投喂饲料。
[0049]可选的，所述监测装置还用于获取所述渔场内的残余的饲料数据，所述控制装置还用于将所述残余的饲料数据传送至客户端，并接收所述客户端输入的调整数据；以及根据所述调整数据调整所述需投喂饲料数据。
[0050]可选的，所述残余的饲料数据包括残余饲料量以及位置中至少一项。
[0051]本专利技术所述的渔场饲料投喂方法及系统根据获取环境数据、鱼类数据以及投喂数据不断学习训练得到所述目标神经网络模型，并通过目标神经网络模型得到所需的投喂数据，使得饲料投喂更加精准，同时还可以降低人工投喂的强度与成本。
附图说明
[本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种渔场饲料投喂方法，其特征在于，所述渔场饲料投喂方法包括：获取渔场的环境数据、鱼类数据以及投喂数据；基于所述渔场的环境数据、所述鱼类数据以及所述投喂数据训练得到目标神经网络模型；通过所述目标神经网络模型得到预设时间内所需的投喂数据；以及根据所需的投喂数据向所述渔场投喂饲料。2.根据权利要求1所述的渔场饲料投喂方法，其特征在于，所述环境数据包括第一数据及第二数据，所述第一数据包括所述渔场预设范围内的光线辐射强度、气温、湿度以及风速中至少一项，所述第二数据包括所述渔场的水域内的水温、盐度、流速、PH值以及溶氧量中至少一项。3.根据权利要求1所述的渔场饲料投喂方法，其特征在于，所述鱼类数据包括数量、种类、大小以及健康状况中至少一项。4.根据权利要求1所述的渔场饲料投喂方法，其特征在于，所述投喂数据包括投喂饲料量、时间及位置中至少一项。5.根据权利要求1所述的渔场饲料投喂方法，其特征在于，所述基于所述渔场的环境数据、所述鱼类数据以及所述投喂数据训练得到目标神经网络模型包括：a.选择数据样本，所述数据样本包括所述环境数据、所述鱼类数据以及所述投喂数据；b.确定所述神经网络拓扑结构，所述神经网络包括输入层、隐含层及输出层；c.建立数据模型，所述环境数据及所述鱼类数据为输入数据，所述投喂数据为输出数据，根据公式：确定隐含层节点数目，其中，n为隐含层节点数目，l为输入层节点数，m为输出层节点数，a为常数，取值范围为[1-10]；以及d.网络分析：
①
初始化，确定所述神经网络的初始权值w
ij
、w
jk
和阈值θ
j
、γ
k
，随机给各个权值阈值赋予[-1,1]内的随机值，对输入输出向量进行归一化处理，其公式如下：式中，x
i
、分别为归一化前后的值，x
max
为样本序列中最大的数，x
min
为样本序列中最小的数；
②
利用训练样本输入向量、权值w
ij
和阈值θ
j
计算隐含层各单位输出，式中，b
j
为隐含层j单位输出，f()为隐含层传递函数，l为输入层节点数，xi为输入层样本；
③
利用隐含层单位输出b
j
、权值w
jk
和阈值γ
k
，通过传递函数计算输出层各单位响应，式中，y
k
为隐含层k单位输出，f()为隐含层传递函数，n为输入层节点数；
④
利用网络目标向量，网络实际输出，计算各输出层各单位一般化误差，d
k
＝(Y
k-y
k
)y
k
(1-y
k
...

【专利技术属性】
技术研发人员：张成，李伟锋，陈潇，徐春涛，周峰，黄静林，张鹏，
申请(专利权)人：湖北海洋工程装备研究院有限公司，
类型：发明
国别省市：