【技术实现步骤摘要】
一种智能螃蟹养殖环境监测与优化方法及系统
[0001]本专利技术属于智能养殖
,具体涉及一种智能螃蟹养殖环境监测与优化方法及系统。
技术介绍
[0002]螃蟹在天然环境中抗病能力较强,但在池塘集约化养殖情况下,因养殖密度大,活动范围受限制,加之饲养管理方法的缺陷,容易导致蟹病发生。
[0003]健康河蟹的特征:长江水系成熟河蟹有青背、白肚、金爪、黄毛的特点。反应灵敏,活力强;难以抓捕,手抓时挣扎感强,螯钳强有力,摄食正常。
[0004]病蟹的症状:体肉消瘦、色泽异常;甲壳有“锈斑”、附着生物、壳软;鳃腔污浊或变色、鳃丝溃烂;螯足无力;肢体不完整(如断腿、烂眼、烂鳃等);空胃、肠线模糊、肠线断断续续、粗细不均;肝胰脏肿大或萎缩;游泳缓慢、上岸不下水、容易被捕捉;摄食量下降或停止摄食,生长缓慢。引起螃蟹病害的主要原因有:1、受水、底、水草、螺蛳致病微生物感染;2、水中溶解氧不足;3、气候、环境突变、换水量过大产生强应激导致发病;4、水环境差交叉感染严重;5、用药不当;6、投喂冰鲜鱼类或投料不当(太少或严重过剩)。
[0005]由此可见,大部分病害都是直接或间接与水、草、底有关,但传统的养殖方式很少针对水质,以及水中植物对螃蟹生长状况进行策略设计,而且即使有些养殖企业意识到水质的重要性,但只是进行批量换水和投料,会引发应激反应等严重问题。
[0006]因此螃蟹养殖的关键在于对水质和底质进行科学养护,对螃蟹病害的治疗也是从养水护底、解毒、防抗应激、培植氧源着手,这是智能养殖与传统养殖的根
【技术保护点】
【技术特征摘要】
1.一种智能螃蟹养殖环境监测与优化方法,其特征在于,包括如下步骤:步骤1:采集并处理一段时间内螃蟹的历史生长数据、脱壳数据、历史供氧数据、池塘的溶解氧数据以及池塘的温度数据,所述螃蟹的历史生长数据,即螃蟹的重量;步骤2:构建改进秃鹰算法IBES优化RBF网络的IBES
‑
RBF预测模型,所述IBES
‑
RBF预测模型采用IBES算法对RBF网络的中心点μ
t
的位置进行优化,基于步骤1采集的数据,利用构建的IBES
‑
RBF预测模型预测未来一段时间内的螃蟹生长数据、螃蟹日常所需含氧量、螃蟹脱壳时所需含氧量;步骤3:根据预测的螃蟹生长数据以及实时采集的温度数据,以螃蟹喂料的最优食物量f
h
为目标函数,利用HPO算法输出最优食物量;式中,a表示所投放区域螃蟹的数量,W1表示螃蟹的生长数据,即螃蟹的重量,T
max
、T
min
表示当前池塘的最高温度、最低温度;步骤4:依据步骤3得到的最优食物量以及预测的螃蟹日常所需含氧量、螃蟹脱壳时所需含氧量以及采集的池塘的最高温度、最低温度,通过增氧泵、恒温控制器以及喂料阀进行调节控制。2.根据权利要求1所述的智能螃蟹养殖环境监测与优化方法,其特征在于,所述步骤2中的RBF网络结构为:21)建径向基函数:其中,μ
t
为中心点,为径基宽度;径基宽度决定径向基函数下降的快慢;22)输入层5个节点,x1、x2、x3、x4、x5分别对应历史生长数据、脱壳数据、历史供氧数据、池塘溶解氧数据、池塘温度数据;23)输出层2个节点,其中Y1代表螃蟹生长数据,Y2代表螃蟹所需含氧量;24)对收集到的数据进行归一化处理,将原始值通过最大
‑
最小标准化映射到区间[0,1]的值x
′
,映射公式如下:其中maxA和minA分别表示因素A的最大值与最小值;25)随机选取全部数据的70%作为训练样本,其余30%作为测试样本。3.根据权利要求2所述的智能螃蟹养殖环境监测与优化方法,其特征在于,采用IBES算法对RBF网络的中心点μ
t
的位置进行优化的具体过程为:31)设置参数,最大迭代次数,产生初始化秃鹰种群,每个秃鹰种群都对应一个μ
t
的位置值;32)将μ
t
的位置带入秃鹰种群进行评估,并将种群进行排序,将排序度靠前的一部分种群其对应的μ
t
值作为秃鹰搜索的猎物;33)选择搜索空间阶段,来更新μ
t
的位置,位置更新公式如下:
P
i,new
=P
best
+α
×
r
×
(P
mean
‑
P
i
)式中,α表示控制位置变化的参数,取值范围(1.5,2);r为的(0,1)随机数;P
best
为当前秃鹰搜索确定的最佳搜索位置,即当前局部的μ
t
最好值;P
mean
为当前搜索结束之后秃鹰的平均分布位置;P
i
为第i只秃鹰的位置;34)搜索空间猎物,秃鹰在选定的搜索空间内以螺旋飞行的形式来搜索猎物,加速搜索进程,来找到更好的俯冲位置.通过定义螺旋飞行的形式,可以使秃鹰在搜索过程中更快的找到最优的μ
t
值;螺旋飞行的数学模型采取极坐标的形式来进行展现:θ(i)=a
×
π
×
randr(i)=θ(i)+R
×
randxr(i)=r(i)
×
sin(θ(i))yr(i)=r(i)
×
cos(θ(i))cos(θ(i))其中,θ(i)和r(i)分别为螺旋方程的极角和极径;a和R是控制螺旋轨迹的参数,变化范围分别是(0,5)、(0.5,2);rand为(0,1)之间的随机数,x(i)和y(i)表示的是极坐标中秃鹰的位置,取值范围均为(1,1),该过程中秃鹰位置的更新的数学模型如下所示:P
i,neu
=P
i
+x(i)
×
(P
i
‑
P
mean
)+y(i)
×
(P
i
‑
P
i+1
)35)俯冲捕获猎物:秃鹰从搜索空间的最佳位置进行俯冲飞向猎物目标,种群中的其他个体同时也向着最佳位置移动并且攻击猎物,利用该阶段更新全局最优的μ
t
值;运动状态的数学模型仍然用极坐标来进行体现:θ(i)=a
×
π
×
randr(i)=θ(i)xr(i)=r(i)
×
sinh(θ(i))yr(i)=r(i)
×
cosh(θ(i))cosh(θ(i))俯冲过程中秃鹰的位置更新公式为:P
i,new
=rand
×
P
best
+d
x
+d
y
式中,c1和c2表示的是秃鹰向最佳位置与中心位置运动的强度,取值为(1,2);36)判断该结果是否到达最大迭代次数,若到了最大迭代次数,则获得最优的μ
t
值,反之,则返回步骤34)。4.根据权利要求3所述的智能螃蟹养殖环境监测与优化方法,其特征在于,对33)中的
位置更新公式进行改进,引入混沌映射中的正弦映射来改进随机数r,改进公式如下:P
i,new
=P
best
+a
×
C
r
×
(P
mean
‑
【专利技术属性】
技术研发人员:周孟雄,郭仁威,汤健康,苏姣月,纪捷,曾淼,谢金博,马梦宇,温文潮,纪润东,秦泾鑫,张佳钰,孙娜,黄慧,
申请(专利权)人:淮阴工学院,
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。