[发明专利]一种基于数据挖掘技术的深水网箱养殖鱼类生长预测方法

摘要

本发明公开了一种基于数据挖掘技术的深水网箱养殖鱼类生长预测方法，其通过获取受测深水网箱在n个历史采集时刻的水温、盐度、溶解氧浓度、水流流速和养殖鱼类体重，并将获取到的数据放入支持向量机模型中进行处理，再基于支持向量机模型的均方误差和平方相关系数的评断选取出最优支持向量机模型，从而，本发明能够根据受测深水网箱当前所养殖鱼类在当前时刻的水温、盐度、溶解氧浓度和水流流速预测出养殖鱼类体重预测结果，免于在养殖鱼类的养殖周期内需要多次进行养殖鱼类体重测量，为深水网箱养殖鱼类自动化投喂提供必要的参数，并且，本发明对养殖鱼类体重的预测精度高。

主权项

一种基于数据挖掘技术的深水网箱养殖鱼类生长预测方法，其特征在于：所述的深水网箱养殖鱼类生长预测方法包括：步骤一、在受测深水网箱的养殖区域内安装水温传感器、盐度传感器、溶解氧传感器和水流流速传感器，并用它们按预设的时间间隔采集受测深水网箱在养殖区域内的水温、盐度、溶解氧浓度和水流流速数据，并且，测量受测深水网箱中对应于采集时刻的养殖鱼类体重，以获取受测深水网箱在n个历史采集时刻的水温、盐度、溶解氧浓度、水流流速和养殖鱼类体重，其中，n为正整数，该n个历史采集时刻属于受测深水网箱当前所养殖的养殖鱼类的养殖周期之内；步骤二、对步骤一采集到的n个历史采集时刻的水温、盐度、溶解氧浓度、水流流速和养殖鱼类体重按量纲分别进行归一化处理，得到n组样本集T＝{(x_i,y_i)|i＝1,2…,n}，其中，第i组样本集中的列向量分别表示归一化后的第i个历史采集时刻的水温、盐度、溶解氧浓度和水流流速，y_i表示归一化后的第i个历史采集时刻的养殖鱼类体重；步骤三、在2^‑10至2⁶的取值范围内按相同的取值间隔选取m1个误差惩罚因子C的取值，在2^‑10至2⁴的取值范围内按相同的取值间隔选取m2个的核参数γ的取值、在0.001至1的取值范围内按相同的取值间隔选取m3个不敏感损失系数ε的取值，从而形成m1×m2×m3组由误差惩罚因子C、核参数γ和不敏感损失系数ε组成的参数组，其中，m1、m2和m3均为大于1的正整数；并且，对应每一组所述参数组建立一个支持向量机模型如下：$f\left(x\right)=\underset{i=1}{\overset{n}{\Σ}}({\mathrm{\α}}_i-{\mathrm{\α}}_i^{*})K(x_i,x)+b;$其中，f(x)表示在自变量x的条件下所述受测深水网箱中的养殖鱼类体重预测值，x为依次由水温、盐度、溶解氧浓度和水流流速组成的列向量；拉格朗日乘子通过将步骤二得到的第1至第n组样本集中的列向量x₁,x₂,…,x_n全部代入以下方程组联立求解得到：$\left\{\begin{array}{c}\min \frac{1}{2}\underset{i,j=1}{\overset{n}{\Σ}}({\mathrm{\α}}_i-{\mathrm{\α}}_i^{*})({\mathrm{\α}}_j-{\mathrm{\α}}_j^{*})(x_i,x_j)+\underset{i=1}{\overset{n}{\Σ}}{\mathrm{\α}}_i(\mathrm{\ϵ}-y_i)+\underset{i=1}{\overset{n}{\Σ}}{\mathrm{\α}}_i^{*}(\mathrm{\ϵ}+y_i)\\ \begin{array}{ccc}\underset{i=1}{\overset{n}{\Σ}}({\mathrm{\α}}_i-{\mathrm{\α}}_i^{*})=0,& 0\≤a_i,a_i^{*}\≤c,& i=1,......,n\end{array}\end{array}\right.;$核函数K(x_i,x)＝exp(‑γ||x‑x_i||²),γ＞0；偏移量的计算公式为：$b=\frac{1}{n}\{\underset{i=1}{\overset{n}{\Σ}}\[y_i-\underset{i,j=1}{\overset{n}{\Σ}}({\mathrm{\α}}_i-{\mathrm{\α}}_i^{*})K(x_i,x_j)-\mathrm{\ϵ}\]+\underset{i=1}{\overset{n}{\Σ}}\[y_i-\underset{i,j=1}{\overset{n}{\Σ}}({\mathrm{\α}}_j-{\mathrm{\α}}_j^{*})K(x_i,x_j)+\mathrm{\ϵ}\]\},$α_i,α_j∈(0,C)；步骤四、将步骤三建立的每一个支持向量机模型中的自变量x均分别取值为步骤二得到的第1至第n组样本集中的列向量x₁,x₂,…,x_n，计算得到步骤三建立的每一个支持向量机模型依次在x₁,x₂,…,x_n条件下的养殖鱼类体重预测值f(x₁),f(x₂),…,f(x_n)；步骤五、依据步骤四的结果，按下式分别计算步骤三建立的每一个支持向量机模型的均方误差并比较各个支持向量机模型的均方误差大小，将均方误差MSE最接近于0的支持向量机模型选取为最优支持向量机模型；如果比较结果为含有多个均方误差MSE最接近于0的支持向量机模型，则计算平方相关系数$SCC=\frac{\underset{i=1}{\overset{n}{\Σ}}{(y_i-f(x_i\left)\right)}^2-\underset{i=1}{\overset{n}{\Σ}}{(y_i-f(x_i\left)\right)}^2}{\underset{i=1}{\overset{n}{\Σ}}{(y_i-f(x_i\left)\right)}^2},$并选取均方误差MSE最接近于0且平方相关系数SCC最接近于1的支持向量机模型为最优支持向量机模型；步骤六、用步骤一所述水温传感器、盐度传感器、溶解氧传感器和水流流速传感器采集当前时刻受测深水网箱在养殖区域内的水温、盐度、溶解氧浓度和水流流速，并将它们分别按步骤二所述的归一化公式进行归一化处理，得到归一化后的受测深水网箱在养殖区域内的当前水温、当前盐度、当前溶解氧浓度和当前水流流速，并将它们代入到步骤五选出的最优支持向量机模型的自变量x中，并将该最优支持向量机模型计算出的结果f(x)对应于步骤二所述的归一化公式进行反归一化处理，得到受测深水网箱在当前水温、当前盐度、当前溶解氧浓度和当前水流流速的条件下的养殖鱼类体重预测结果。