本发明专利技术公开了一种基于深度强化学习的鲟鱼饲养方法、装置、介质和终端，涉及鲟鱼养殖领域，旨在解决现阶段鲟鱼饲养条件控制不精细且无法预测产子期的问题，通过多个经验样本收集不同鲟鱼的理想产子率和理想产子年龄，并且根据多个经验样本提供的数据，以鲟鱼发育信息为输入层，以鲟鱼饲养信息为输出层，构建深度学习模型，养殖人员通过输入鲟鱼发育信息，即可通过深度学习模型得到鲟鱼饲养信息的最佳调控动作，用户终端能够根据最佳调控动作自行进行状态调控，高效饲养，同时能够预测产子期，此系统也能辅助控制饲养条件，智能饲养。智能饲养。智能饲养。
【技术实现步骤摘要】
一种基于深度强化学习的鲟鱼饲养方法、装置、介质和终端
[0001]本专利技术涉及一种基于深度强化学习的鲟鱼饲养方法、装置、介质和终端，属于鲟鱼养殖领域。
技术介绍
[0002]鲟鱼为典型的杂食性鱼类，具有生长速度快、适应能力强、病害少、经济价值高等优点，其肉厚骨软，味道鲜美，营养丰富，肉和卵的蛋白质含量极高，是高级营养品，另外其皮可制成优质特种皮革，鱼鳔和脊索还可制成鱼胶，可以说鲟鱼的全身都是宝，经济价值极高。鲟鱼的养殖过程中存在以下问题：现阶段鲟鱼的饲养采用饲养池集体饲养，饲养条件大致控制在合适的范围内，但是针对不同的品种不能做到精细化处理，保证鲟鱼饲养在最适合的环境下，其次无法预知鲟鱼的产子期，现阶段的取子考虑成本之后大多数都采用一次性取子，即每一条鲟鱼养殖到合适的取子期之后只取一次子，然后将其鱼身加工成其他的产品，而取子期的判断只能依靠活体取卵观察，多次取卵容易造成感染，影响鲟鱼和鱼子的健康以及其品质，因此，需要一种更好的方法来进行有针对性地饲养，智能饲养。
技术实现思路
[0003]本专利技术的目的在于提供一种基于深度强化学习的鲟鱼饲养方法、装置、介质和终端，以解决上述背景中提出的现阶段鲟鱼的饲养采用饲养池集体饲养针对不同的品种不能做到精细化处理，其次无法预知鲟鱼的产子期，取子期的判断只能依靠活体取卵观察，多次取卵容易造成感染，影响鲟鱼和鱼子的健康以及其品质的问题。
[0004]为实现上述目的，本专利技术提供如下方案：一种基于深度强化学习的鲟鱼饲养方法，包括以下步骤：步骤一、对不同种类鲟鱼的饲养信息和鲟鱼发育信息进行采集，建立经验样本；步骤二、采用深度强化学习理论建立初始智能饲养决策模型，并通过所述经验样本对所述初始智能饲养决策模型进行训练生成优化智能饲养决策模型，所述初始智能饲养决策模型的输入层为鲟鱼发育信息，输出层为鲟鱼饲养信息；步骤三、利用训练好的优化智能饲养决策模型对对应种类的鲟鱼进行饲养。
[0005]作为优选的，所述步骤一还包括以下步骤：保证同一饲养池内的鲟鱼种类相同，以饲养池为单位，采集每个饲养池对应的鲟鱼饲养信息和鲟鱼发育信息。
[0006]作为更优选的，所述鲟鱼饲养信息包括不同饲养池对应的温度、水流速度、溶解氧浓度、光照强度以及日总食量；所述鲟鱼发育信息包括不同饲养池对应的鲟鱼种类、鲟鱼总数量、鲟鱼从孵化到产子期的年龄、体重、产子率、性类固醇激素浓度、平均产子年龄和平均产子率，其中产子率为鱼子重量与产出该鱼子的鲟鱼体重的比值。
[0007]进一步的，所述步骤二具体包括以下步骤：步骤201，采用竞争深度Q学习网络算法建立初始智能饲养决策模型，对所述初始
智能饲养决策模型中所有神经元的权重通过随机方法进行初始化；步骤202，随机选取部分经验样本，并对初始化后的初始智能饲养决策模型进行学习训练，训练过程中所述初始智能饲养决策模型对应智能体通过随机方法对将要执行的饲养动作进行决策，且通过上一状态的鲟鱼发育值、执行动作后的当前鲟鱼发育值、所执行的鲟鱼饲养动作以及所述鲟鱼饲养动作对应的奖惩值对所述初始智能饲养决策模型进行训练以优化所有神经元的权重，当达到预设收敛条件后，生成优化智能饲养决策模型。
[0008]具体的，所述步骤三具体包括以下步骤：步骤301，获取各种鲟鱼的最小平均产子年龄和最大的平均产子率，并分别作为下一批饲养相同品种鲟鱼时的理想产子年龄和理想产子率；步骤302，在养殖下一批相同品种的鲟鱼时，记录对应饲养池内的实际鲟鱼种类和实际鲟鱼总量，并将实际鲟鱼种类、实际鲟鱼总数量、实际鲟鱼的年龄、体重、性类固醇激素浓度、理想产子年龄和理想产子率输入至所述优化智能饲养决策模型，生成该品种鲟鱼对应的目标饲养信息，以按照所述目标饲养信息进行喂养，所述目标饲养信息包括目标日总食量、目标温度、目标水流速度、目标溶解氧浓度和目标光照强度。
[0009]为了解决本专利技术的技术问题，还提供了一种基于深度强化学习的鲟鱼饲养装置，包括数据处理模块、训练模块和饲养智能决策控制模块；所述数据处理模块用于对不同种类鲟鱼的饲养信息和鲟鱼发育信息进行采集，建立经验样本；所述训练模块用于采用深度强化学习理论建立初始智能饲养决策模型，并通过所述经验样本对所述初始智能饲养决策模型进行训练生成优化智能饲养决策模型，所述初始智能饲养决策模型的输入层为鲟鱼发育信息，输出层为鲟鱼饲养信息；所述饲养智能决策控制模块用于利用训练好的优化智能饲养决策模型生成不同种类鲟鱼的当前发育信息对应的目标饲养信息。
[0010]作为优选的，所述训练模块具体包括：模型建立单元，用于采用竞争深度Q学习网络算法建立初始智能饲养决策模型，对所述初始智能饲养决策模型中所有神经元的权重通过随机方法进行初始化；训练单元，用于随机选取部分经验样本，并对初始化后的初始智能饲养决策模型进行学习训练，训练过程中所述初始智能饲养决策模型对应智能体通过随机方法对将要执行的饲养动作进行决策，且通过上一状态的鲟鱼发育值、执行动作后的当前鲟鱼发育值、所执行的鲟鱼饲养动作以及所述鲟鱼饲养动作对应的奖惩值对所述初始智能饲养决策模型进行训练以优化所有神经元的权重，当达到预设收敛条件后，生成优化智能饲养决策模型。
[0011]作为更优选的，所述饲养智能决策控制模块具体包括：获取单元，用于获取各种鲟鱼的最小平均产子年龄和最大的平均产子率，并分别作为下一批饲养相同品种鲟鱼时的理想产子年龄和理想产子率；方案生成单元，用于在养殖下一批相同品种的鲟鱼时，记录对应饲养池内的当前鲟鱼种类和当前鲟鱼总量，并将当前鲟鱼种类、当前鲟鱼总量、理想产子年龄以及理想产子率输入至所述优化智能饲养决策模型，生成该品种鲟鱼对应的目标饲养信息，以按照所述目标饲养信息进行喂养，所述目标饲养信息包括目标日总食量、目标温度、目标水流速度、目标溶解氧浓度和目标光照强度。
[0012]为了解决本专利技术的技术问题，还提供了一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，实现以上所述基于深度强化学习的鲟鱼饲养方法。
[0013]为了解决本专利技术的技术问题，还提供了一种基于深度强化学习的鲟鱼饲养终端，包括所述的计算机可读存储介质和处理器，所述处理器执行所述计算机可读存储介质上的计算机程序时实现以上所述基于深度强化学习的鲟鱼饲养方法的步骤。
[0014]与现有技术相比，本专利技术的有益效果是：（1）本专利技术提供一种基于深度强化学习的鲟鱼饲养方法、装置、介质和终端，收集数据并建立多个经验样本，通过不同的经验样本可以得到不同种类鲟鱼的理想产子率和理想产子年龄；（2）专利技术提供一种基于深度强化学习的鲟鱼饲养方法、装置、介质和终端，采用竞争深度Q学习网络算法建立初始智能饲养决策模型，随机选取部分经验样本，并对初始化后的初始智能饲养决策模型进行学习训练，为了生成智能饲养决策模型，将待饲养的鲟鱼的鲟鱼发育信息输入到深度学习模型中可以得到合适的关于鲟鱼饲养信息的调控动作，对饲养条件进行自发控制，提高鲟鱼的饲养效率，保证饲养方法的自控性和全面性；（3）专利技术提供一种基于深度强化学习的鲟鱼饲养本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于深度强化学习的鲟鱼饲养方法，其特征在于，包括以下步骤：步骤一、对不同种类鲟鱼的饲养信息和鲟鱼发育信息进行采集，建立经验样本；步骤二、采用深度强化学习理论建立初始智能饲养决策模型，并通过所述经验样本对所述初始智能饲养决策模型进行训练生成优化智能饲养决策模型，所述初始智能饲养决策模型的输入层为鲟鱼发育信息，输出层为鲟鱼饲养信息；步骤三、利用训练好的优化智能饲养决策模型对对应种类的鲟鱼进行饲养。2.根据权利要求1所述的一种基于深度强化学习的鲟鱼饲养方法，其特征在于，所述步骤一还包括以下步骤：保证同一饲养池内的鲟鱼种类相同，以饲养池为单位，采集每个饲养池对应的鲟鱼饲养信息和鲟鱼发育信息。3.根据权利要求2所述的一种基于深度强化学习的鲟鱼饲养方法，其特征在于，所述鲟鱼饲养信息包括不同饲养池对应的温度、水流速度、溶解氧浓度、光照强度以及日总食量；所述鲟鱼发育信息包括不同饲养池对应的鲟鱼种类、鲟鱼总数量、鲟鱼从孵化到产子期的年龄、体重、产子率、性类固醇激素浓度、平均产子年龄和平均产子率，其中产子率为鱼子重量与产出该鱼子的鲟鱼体重的比值。4.根据权利要求1
‑
3任一所述的一种基于深度强化学习的鲟鱼饲养方法，其特征在于，所述步骤二具体包括以下步骤：步骤201，采用竞争深度Q学习网络算法建立初始智能饲养决策模型，对所述初始智能饲养决策模型中所有神经元的权重通过随机方法进行初始化；步骤202，随机选取部分经验样本，并对初始化后的初始智能饲养决策模型进行学习训练，训练过程中所述初始智能饲养决策模型对应智能体通过随机方法对将要执行的饲养动作进行决策，且通过上一状态的鲟鱼发育值、执行动作后的当前鲟鱼发育值、所执行的鲟鱼饲养动作以及所述鲟鱼饲养动作对应的奖惩值对所述初始智能饲养决策模型进行训练以优化所有神经元的权重，当达到预设收敛条件后，生成优化智能饲养决策模型。5.根据权利要求4所述的一种基于深度强化学习的鲟鱼饲养方法，其特征在于，所述步骤三具体包括以下步骤：步骤301，获取各种鲟鱼的最小平均产子年龄和最大的平均产子率，并分别作为下一批饲养相同品种鲟鱼时的理想产子年龄和理想产子率；步骤302，在养殖下一批相同品种的鲟鱼时，记录对应饲养池内的实际鲟鱼种类和实际鲟鱼总量，并将实际鲟鱼种类、实际鲟鱼总数量、实际鲟鱼的年龄、体重、性类固醇激素浓度、理想产子年龄和理想产子率输入至所述优化智能饲养决策模型，生成该品种鲟鱼对应的目标饲养信息，以按照所述目标饲养信息进行喂养，所述目标饲养信息包括目...
【专利技术属性】
技术研发人员：王宝华，李义勇，李小欣，季坚义，王小文，
申请(专利权)人：湖北清江鲟鱼谷特种渔业有限公司，
类型：发明
国别省市：
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。