一种智能螃蟹养殖环境监测与优化方法及系统技术方案

本发明专利技术公开了一种智能螃蟹养殖环境监测与优化方法及系统，包括数据预处理模块、数据预测模块、多参数传感器模块、策略设计模块、控制模块、调控设备。多参数传感器模块包括溶解氧传感器、温度传感器，按需多点安装，检测螃蟹养殖环境的各项数据；数据预处理模块包括获取螃蟹的各项历史数据，通过数据预测模块的IBES

【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本区别，也是养殖螃蟹的根本所在。
[0007]针对传统养殖方式的特点，本专利技术设备综合考虑了水草数量多、含氧量不足及投料不当等问题，利用预测模型预测螃蟹的供氧数据及生长数据，结合调控模块及策略设计模块使调控设备输出螃蟹生长的最优参数环境，使螃蟹质量、产值双措并举。

技术实现思路

[0008]专利技术目的：针对现有技术中存在的问题，本专利技术提供一种智能螃蟹养殖环境监测与优化方法及系统，对螃蟹脱壳情况进行针对性的处理，并根据螃蟹的生长情况提供最优的喂料情况，保障了螃蟹保质保量的生长。
[0009]技术方案：本专利技术提出了一种智能螃蟹养殖环境监测与优化方法，包括如下步骤：
[0010]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；
[0011]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；
[0012]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；
[0013][0014]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；
[0015]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。
[0016]进一步地，所述步骤2中的RBF网络结构为：
[0017]21)建径向基函数：
[0018][0019]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；
[0020]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；
[0021]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；
[0022]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：
[0023][0024]其中maxA和minA分别表示因素A的最大值与最小值；
[0025]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。
[0026]进一步地，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：
[0027]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；
[0028]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；
[0029]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：
[0030]P
i,new
＝P
best
+α
×
r
×
(P
mean
‑
P
i
)
[0031]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；
[0032]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：
[0033]θ(i)＝a
×
π
×
rand
[0034]r(i)＝θ(i)+R
×
rand
[0035]xr(i)＝r(i)
×
sin(θ(i))
[0036]yr(i)＝r(i)
×
cos(θ(i))
[0037][0038][0039]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：
[0040]P
i,neu
＝P
i
+x(i)
×
(P
i
‑...

【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：