【技术实现步骤摘要】
应用大数据分析的水产养殖投药控制系统
[0001]本专利技术涉及应用大数据分析的水产养殖投药控制系统
。
技术介绍
[0002]目前，采用大数据分析于水产养殖投药控制系统的确为水产养殖带来了许多便利和优势，但这种技术和系统也存在一些弊端和不足之处：
1.
数据质量问题：传感器可能会出现故障或误差，导致收集到的数据质量下降
。
若不及时检测和纠正这些问题，将会影响后续的分析结果和决策
。2.
数据安全和隐私：大量的数据收集和传输可能会引起数据安全和隐私方面的担忧
。
不当的数据泄露或窃取可能会导致经济损失甚至对养殖业造成影响
。3.
复杂性：尽管大数据分析可以提供深入的见解，但其背后的技术和算法可能非常复杂
。
养殖户需要时间和培训来理解和使用这些工具
。4.
过度依赖技术：一些养殖户可能过度依赖技术和自动化系统，忽视了实际的养殖经验和直觉
。
在某些情况下，实际经验可能比数据分析更为准确
。5.
成本问题：建立和维护这样一个系统需要较高的初期和维护成本
。
不是所有的养殖户都能够承受这样的投资
。6.
技术更新和适应性：技术和算法持续更新和进步，养殖户需要定期更新系统以保持其效率和准确性
。
此外，不同地区和种类的水产养殖可能需要不同的分析方法和策略
。7.
网络依赖性：这些系统通常依赖于稳定的网络连接进...
【技术保护点】
【技术特征摘要】
1.
应用大数据分析的水产养殖投药控制系统，其特征在于：
a)
该系统包括多种传感器，用于实时监测并收集池塘内的水质参数，包括水温
、pH、
溶解氧和有害物质浓度，以及利用无线通讯技术将此数据实时传输至云端进行分析；
b)
该系统进一步包括疾病预测模型，该模型基于历史疾病爆发数据和当前池塘环境数据，对疾病爆发进行预测，并设置预警阈值，一旦达到或超过该阈值，系统会自动发出预警；
c)
该系统还包括摄像头或其他设备，用于监控每只生物的行为，并利用机器学习技术对其进行健康评估，从而为生病的生物进行早期干预；
d)
该系统进一步包括一个药物使用优化算法，该算法结合历史数据和当前数据，分析并确定在特定情况下最佳的药物使用策略，并预测提前的投药决策；
e)
该系统能够基于分析的数据结果，为养殖户提供环境改善建议，包括更换水源或增加氧气供应；
f)
该系统还包括后期分析与反馈循环模块，结合实际投药效果和生物健康状况进行后期分析，并调整预测模型和投药策略；
g)
该系统进一步包括一个用户界面，允许养殖户轻松查看各种数据
、
预警和建议，并提供在线培训工具和教程
。2.
根据权利要求1所述的应用大数据分析的水产养殖投药控制系统，其特征在于所述的多种传感器包括温度传感器
、pH
传感器
、
溶解氧传感器和有害物质浓度传感器，用于实时监测池塘的水质参数并收集数据，同时结合无线通讯技术包括
WiFi、LoRa
或
NBIoT
，实现对所收集数据的实时传输至云端分析，为后续的数据分析
、
疾病预测
、
环境改善建议和投药策略制定提供数据
。3.
根据权利要求1或2所述的应用大数据分析的水产养殖投药控制系统，其特征在于所述的疾病预测模型包括：
S1.
数据收集：首先为模型收集数据包括：历史数据：过去的水质参数与相应时期的疾病发生率之间的记录；历史数据：记作数据集其中
(x
i
)
表示第
(i)
个样本的水质参数，而
(y
i
)
是对应的疾病发生状态或率；实时数据：从当前环境中收集的数据；
S2.
数据预处理：清洗数据：删除或修正不准确
、
不完整或不相关的数据；标准化或归一化：将所有数值数据调整到一个常见的尺度，使得模型训练更为稳定和快速；数据划分：将数据分为训练集
、
验证集和测试集；其中标准化：若
x
是一个特征向量，标准化过程为：其中
(
μ
)
是特征的均值，
(
σ
)
是标准差；
S3.
选择合适的模型：基于数据特点和所需的预测任务，选择一个或多个合适的机器学习算法；
包括：选择逻辑回归作为初始模型；它的数学表示为：其中
(
θ
)
是模型参数；
S4.
模型训练：使用训练数据集对选择的算法进行训练；包括：参数初始化：为模型的参数设置初始值；前向传播：使用输入数据估计输出；计算损失：使用某种损失函数，包括均方误差，衡量模型预测与实际数据之间的差异；后向传播：计算损失函数关于模型参数的梯度；损失函数：对于逻辑回归的损失函数是交叉熵损失：其中
h
θ
(x
i
)
是模型对第
i
个样本的预测值；参数更新：使用梯度下降更新模型参数；通过梯度下降，更新
(
θ
)
：其中是损失函数
L(
θ
)
对
θ
的梯度，
α
是学习率；重复上述过程直到模型收敛或满足其他停止条件；
S5.
模型验证与调优：使用验证数据集测试模型的性能；根据验证结果调整模型参数或结构，包括学习率
、
层数或其他超参数；
S6.
模型测试：使用之前从未用于训练或验证的测试数据集评估模型的最终性能；进一步地，对于测试集中的每个样本
x
j
，计算预测值
h
θ
(x
j
)
并与真实值
y
j
进行比较，以估计模型的总体误差；
S7.
部署模型：一旦满意于模型的性能，将其部署到实时系统中；模型将开始接收新的实时数据，并基于这些数据做出预测；在实时环境中，对于任何新输入
x
new
，执行：并根据阈值设置决定是否发出预警
。4.
根据权利要求1所述的应用大数据分析的水产养殖投药控制系统，其特征在于所述的生病的生物进行早期干预进行建立个体化投药模型，该模型包括：
S1.
数据收集：基础数据：收集水质参数，包括
pH、
氧气浓度
、
氮
、
磷含量；生物数据：每个水产品的年龄
、
体重
、
品种
、
数量
、
先前的健康状况；
药物历史：过去对每个水产品使用的药物种类
、
剂量和效果；设
X
是一个
n
×
m
的矩阵，其中
n
是样本数量，
m
是特征数量；
S2.
数据预处理：清洗：处理缺失值和异常值，包括涉及到插补或删除；标准化和归一化：使特征在相同的尺度上；特征工程：从原始数据中创建新特征，包括水产品的平均体重
、
自上次投药以来的天数；其中，标准化：对于特征
j
，其标准化值为：其中，
μ
j
是特征
j
的均值，
σ
j
是标准差；其中，特征工程是计算水产品的平均体重作为一个新特征；包括果
X
ij
是第
i
个水产品的第
j
个水产品的体重，则新特征
Y
i
：
S3.
模型选择：选择处理回归任务，包括：预测剂量和分类任务
、
预测药物种类的模型；多任务神经网络有两个输出：一个输出层用于分类任务，另一个用于回归任务；所述的任务神经网络的隐藏层激活函数为
ReLU
，则激活函数为：
h(x)
＝
max(0,x)S4.
模型建立与训练：
a.
定义损失函数：对于分类任务，采用交叉熵损失；对于回归任务，采用均方误差；所述的模型的总损失是这两个损失的加权和；对于回归任务，用于预测剂量：对于分类任务，用于预测药物种类：总损失函数是这两者的加权和：
L
＝
α
L
reg
+
β
L
class
其中，
α
和
β
是权重；
b.
训练算法
:
使用算法包括随机梯度下降或
Adam
进行训练，不断迭代更新模型权重；
其中，使用随机梯度下降：其中，
w
是权重，
η
是学习率；
S5.
模型验证：使用一个单独的验证集，该验证集既包含药物类型的真实值，也包含剂量的真实值，来验证模型的性能；
【专利技术属性】
技术研发人员：赵国良，
申请(专利权)人：盐城工业职业技术学院，
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。