[发明专利]一种基于长短时记忆网络的水产养殖环境溶解氧预测方法

说明书

本发明提供一种基于长短时记忆网络的水产养殖环境溶解氧预测方法，属于水产养殖领域。该方法将历史采集的数据作为数据集，对数据进行预处理后建立样本集；将样本集分为训练集和测试集，采用长短时记忆网络LSTM防止过拟合，使用训练集训练LSTM，使用测试集测试后，得到LSTM模型；采集实时溶解氧、pH、浊度，并根据历史数据用LSTM模型预测用户设定时间的溶解氧；根据后续实时采集的溶解氧值和LSTM网络预测的溶解氧值，反向传播调节网络参数，用于下时刻预测。本发明考虑当前养殖环境参数同历史养殖环境参数时间序列上的相关性，建立LSTM模型，用于预测用户设定时间范围内的溶解氧数值，提高养殖效率，节约成本。

技术领域

本发明属于水产养殖领域，基于使用长短时记忆网络(Long Short-Term Memory，LSTM)，使用采集的养殖水域的历史溶解氧、pH、浊度数值和相对应的采集时刻值，达到预测养殖水域溶解氧变化走向的目的。

背景技术

水产养殖业是我国农业经济的重要支柱，养殖水域环境直接影响产量和产值，而溶解氧作为水域环境质量的重的参数之一，是鱼蟹虾成活的主要影响因素。如果水体环境的溶解氧不足，需要人工增氧，过多增氧会浪费成本，所以预测溶解氧的变化趋势和数值至关重要。目前关于溶解氧的研究都是温度对它的影响，但溶解氧与水中的水生植物和藻类有很大的关系，水生植物通过光合作用贡献的氧气量大于来自空气中的氧气贡献量，而光合作用与一天的温度、pH、浊度和时间周期的数据序列有关系，因此，通过长短时记忆网络(LSTM)，研究当前时刻的溶解氧和历史时刻数据信息的相关性，达到精准的预测模型。

本发明利用LSTM的延时预测的特性，结合历史数据构建预测模型，提高预测溶解氧的准确度和可靠性，因此本发明有重要的应用价值。

发明内容

为了降低人工成本，减少巡塘次数，同时实现精准人工增氧，本发明提供一种溶解氧数值的预测方法。本发明使用水体养殖环境历史数据，运用长短时记忆网络(LSTM)的方法，构建溶解氧数值的预测模型。

一种基于长短时记忆网络的水产养殖环境溶解氧预测方法，步骤如下：

S1：使用历史采集的养殖水域的溶解氧数值、温度、pH值、浊度和数据采集的周期时刻构建数据集；

S2：对数据集中的数据进行频谱分析和滤波清洗，并进行归一化处理后，建立样本集；

S3：将样本集中的温度、pH值、浊度和数据采集的周期时刻作为输入变量，将溶解氧数值作为输出变量，并将样本集分为训练集和测试集，构建长短时记忆网络LSTM；用训练集训练长短时记忆网络LSTM，采用长短时记忆的方法防止过拟合，提高预测的准确性；通过测试集测试长短时记忆网络LSTM的精度，当LSTM神经网络达到精度要求后，建立溶解氧LSTM网络模型；

S4：实时采集并保存养殖水域的温度、pH值、浊度和数据采集的周期时刻，运用步骤S3建立的LSTM网络模型预测规定范围内用户设定时间内的溶解氧数据；

S5：利用步骤S4预测的溶解氧数据，反向调节各层LSTM网络的权值阈值，用于预测下一时刻的溶解氧数值。

所述步骤S2中的滤波清洗方法为消抖滤波法。

本发明的有益效果：本发明考虑当前养殖环境参数同历史养殖环境参数时间序列上的相关性，提高预测的精度和准确性。可以预测用户设定时间范围内的溶解氧数值，达到提前预报的效果，使得用户可以根据提前预测的溶解氧数值规划向养殖水域人工供氧操作，人为促使溶解氧稳定于一个数值，提高了养殖效率和节约成本。

附图说明

图1为本发明方法的设计流程图。

图2为长短时记忆网络(LSTM)训练集拟合效果图，虚线代表测试数据分布，实线代表模型预测数据，二者基本重合。