[发明专利]基于SNN的溶解氧含量预测方法、电子设备及系统

说明书

本发明提供一种基于SNN的溶解氧含量预测方法、电子设备及系统，该方法包括：基于在线采集的待测水域的环境因子数据，利用预先训练好的SNN模型，预测所述待测水域中的溶解氧含量；其中，训练获取所述训练好的SNN模型的过程包括：根据二相STDP机制，确定模型训练的权重调整函数。本发明提高了预测模型的训练速度，提高了预测溶解氧含量的准确度和精确度。

技术领域

本发明涉及计算机技术领域，更具体地，涉及一种基于SNN的溶 解氧含量预测方法、电子设备及系统。

背景技术

水质预测是根据已经掌握的资料和检测到的数据，对未来的水产 养殖水质在时间和空间上的变化规律及发展趋势进行的评估和预测， 为防止养殖水质进一步恶化和制定改善水质的措施提供决策依据。溶 解氧即是众多水质参数中至关重要的一项。

随着计算机技术的发展，水质预测模型从最初的数学模型逐渐发 展为基于人工智能算法的预测模型。目前已有的预测方法有：灰色预 测方法、人工神经网络预测方法和支持向量机预测方法。

其中，灰色预测方法无法解决误差问题；人工神经网络预测方法 学习训练速度慢，很难保证学习准确性和精确性，学习误差极易收敛 于局部极小点；支持向量机预测方法对于复杂水体环境中的水质参数， 预测精度不高。

发明内容

为了克服上述问题或者至少部分地解决上述问题，本发明提供一 种基于SNN的溶解氧含量预测方法、电子设备及系统。

第一方面，本发明提供一种基于SNN的溶解氧含量预测方法，包 括：基于在线采集的待测水域的环境因子数据，利用预先训练好的SNN 模型，预测待测水域中的溶解氧含量；其中，训练获取训练好的SNN 模型的过程包括：根据二相STDP机制，确定模型训练的权重调整函 数。

进一步的，在利用预先训练好的SNN模型，预测待测水域中的溶 解氧含量的步骤之前，基于SNN的溶解氧含量预测方法还包括：进行 SNN模型初始化，获取初始化的SNN模型；基于模型输入脉冲序列、 模型输出脉冲序列和二相STDP机制，利用ReSuMe算法，生成权重 调整函数；利用训练数据集和验证数据集，训练初始化的SNN模型， 并基于权重调整函数，迭代更新SNN模型的输出层和隐藏层的权重值， 直到当前SNN模型的预测准确率不低于预设准确率，获取训练好的 SNN模型；其中，训练数据集包括待测水域在预定时间段内的气象因 子数据和水质因子数据，验证数据集包括预设时刻的溶解氧含量数据。

其中，基于模型输入脉冲序列、模型输出脉冲序列和二相STDP 机制，利用ReSuMe算法，生成权重调整函数的步骤进一步包括：根 据如下公式计算隐藏层的权重调整值：

其中：n_i为输入层所有的神经元数量；n_h为隐藏层所有的神经元数 量；S_i(t)表示隐藏层的突触前输入脉冲序列；为输出层神经元的目 标放电时间向量；为输出层神经元的实际放电时间向量；ω_oh为输 出层的权重；参数a用于影响训练的逼近速度；对于兴奋性突触，参数 a取正值，学习窗口a(s)表示二相STDP机制中的STDP规则；对于抑制 性突触，参数a取负值，学习窗口a(s)表示二相STDP机制中的anti-STDP 规则；根据如下公式计算输出层的权重调整值：

其中：n_h为隐藏层所有的神经元数量；S_h(t)表示隐藏层的突触后输 出脉冲序列；为输出层神经元的目标放电时间向量；为输出层 神经元的实际放电时间向量；ω_oh为输出层的权重；参数a用于影响训练 的逼近速度；对于兴奋性突触，参数a取正值，学习窗口a(s)表示二相 STDP机制中的STDP规则；对于抑制性突触，参数a取负值，学习窗口 a(s)表示二相STDP机制中的anti-STDP规则。