一种罗非鱼工厂化养殖水质溶解氧变化预测方法

1.本发明涉及水产养殖技术领域，特别是涉及一种罗非鱼工厂化养殖水质溶解氧变化预测方法。


背景技术：

2.据统计，地球约76亿人口的总动物蛋白摄入量中，超过15％来源于水产品，与畜禽蛋白相比，水产品蛋白肉质更加鲜嫩、脂肪含量相对更少、对人体健康更有利。
3.作为我国水产品养殖的重要组成部分，罗非鱼富含人体机能必需的8种氨基酸，罗非鱼鱼肉中谷氨酸和甘氨酸含量极高，因其肉质鲜美且刺少，营养价值高，罗非鱼深受人们喜爱，也被称为“白肉三文鱼”、“21世纪之鱼”，是世界水产养殖业重点培养的淡水养殖鱼类，目前，罗非鱼的养殖主要集中在我国广东等温度较高的地区，以工厂化养殖及大塘养殖为主。近年来已逐渐成为渔业养殖、肉质加工及产品出口的热门种类。
4.溶解在水中空气的分子态氧称为水质溶解氧，溶解氧是水生生物生存的必要条件，是渔民稳定收成的关键指标。水体溶解氧含量高，说明水体与大气进行空气交换的频率高，鱼虾类水生动物能够得到更为优良的生态环境。
5.近年来，随着集约型水产养殖行业的迅猛发展，养殖者多采用高密度放养兼大量施肥投饵的养殖模式，极易导致水质恶化、污染。
6.在罗非鱼的工厂化养殖过程中，养殖水质溶解氧含量对罗非鱼质量与产量起直接作用，一般要求水体溶解氧最低应保持在3mg/l，一般应保持在5
‑
8mg/l之间。水体溶解氧含量高，水中厌氧菌生长发育活动受到抑制，不易分解产生有害气体，且水体中含有的各种有害污染物可被溶解氧有效氧化，能增高水体透明度；但水体溶解氧含量过高会失去对重金属污染的抑制能力，溶解氧含量过高有时也可能对水中生物造成一定程度的危害。缺氧的水体会造成鱼虾类活力减少，新陈代谢减慢，进食减缓。水中有机物、氨氮等厌氧分解，产生亚硝酸盐等一些有毒物质。当水体溶解氧含量低于其最低限度时就会引起罗非鱼浮头甚至大面积窒息死亡。因此，对水体中溶解氧含量进行实时监测，及时预测溶解氧含量及其趋势能够减少企业、养殖户在生产环节上的损失，让用户在养殖环节方面的决策更加科学。
7.水中溶解氧含量与空气、水温等水上水下环境因素密切相关，国内外常用的水质预测方法多采用多项式回归、bp神经网络、lstm时间序列等模型，这些方法都不可避免的存在处理大量数据时预测模型出现缺乏鲁棒性，预测模型普遍性与长期建模能力较差，无法充分反映数据的本质特征等缺陷，严重影响了预测模型在罗非鱼工厂化养殖中的应用效果。
8.因此，现有技术的缺陷是，缺少一种罗非鱼工厂化养殖水质溶解氧变化预测方法，用于实现罗非鱼工厂化养殖过程中水质溶解氧含量变化的快速准确预测。


技术实现要素：

9.有鉴于现有技术的至少一个缺陷，本发明的目的是提供一种罗非鱼工厂化养殖水
质溶解氧变化预测方法，用于实现罗非鱼工厂化养殖过程中水质溶解氧含量变化的快速准确预测。
10.为了达到上述目的，本发明采用如下技术方案：一种罗非鱼工厂化养殖水质溶解氧变化预测方法，其关键在于，包括如下步骤：
11.步骤一：采集罗非鱼工厂化养殖场的水质溶解氧数据，建立溶解氧含量原始数据集；
12.步骤二：对溶解氧含量原始数据集进行归一化处理，获取标准化数据集；
13.步骤三：采用经验模态分解算法emd将标准化数据集分解成n个固有模态函数imf以及剩余量r，获得门控单元网络gru模型的训练样本数据；n为固有模态函数imf的个数；根据实际情况确定。
14.步骤四：利用训练样本数据分别训练n+1个门控单元网络gru模型，n+1为固有模态函数imf个数及剩余量r个数之和，根据实际情况确定。并采用麻雀优化算法搜索门控单元网络gru模型最优超参数组合，以获取最优门控单元网络gru模型；
15.步骤五：累加所有最优门控单元网络gru模型的预测值得到水质溶解氧预测值。
16.所述的一种罗非鱼工厂化养殖水质溶解氧变化预测方法，其关键在于：所述步骤二采用公式(1)对溶解氧含量原始数据集进行归一化处理，获取标准化数据集；
[0017][0018]
其中x
i
为溶解氧含量原始数据集序列的第i个数据，x
min
为溶解氧含量原始数据集的最小值，x
max
为溶解氧含量原始数据集的最大值，x
′
i
为归一化后的标准化数据集。
[0019]
所述的一种罗非鱼工厂化养殖水质溶解氧变化预测方法，其关键在于：所述步骤三中，经验模态分解算法emd的分解步骤如下：
[0020]
步骤a：将标准化数据集作为经验模态分解算法emd的原始数据x(t)；计算x(t)的极值；
[0021]
步骤b：采用三次样条插值法和极大值极小值构造上包络线emax(t)和下包络线emin(t)；
[0022]
步骤c：利用公式(2)计算包络均值m(t)；
[0023]
m(t)＝(emax(t)+emin(t))/2
ꢀꢀ
(2)；
[0024]
步骤d：利用公式(3)计算中间剩余量h(t)；
[0025]
h(t)＝x(t)
‑
m(t)
ꢀꢀ
(3)；
[0026]
步骤e：重复步骤(d)直到h(t)为固有模态函数imf；
[0027]
imf定义为：
[0028]
极大值和极小值的个数差异不超过1；
[0029]
上包络线emax(t)与下包络线emin(t)的均值为0；
[0030]
步骤f：利用公式(4)获取剩余量r
i
(t)；
[0031]
r
i
(t)＝x(t)
‑
h(t)
ꢀꢀ
(4)。
[0032]
所述的一种罗非鱼工厂化养殖水质溶解氧变化预测方法，其关键在于：还包括步骤g；
[0033]
步骤g：把当前剩余量r
i
(t)设置为经验模态分解算法emd的原始数据x(t)；重复(b)
‑
(f)继续提取固有模态函数imf，直至剩余量r
i
(t)单调或者为常数。
[0034]
所述的一种罗非鱼工厂化养殖水质溶解氧变化预测方法，其关键在于：所述步骤三中，将70％的训练样本数据作为训练样本，将30％的训练样本数据作为测试样本。
[0035]
所述的一种罗非鱼工厂化养殖水质溶解氧变化预测方法，其关键在于：所述步骤四中，利用所述训练样本数据分别训练n+1个门控单元网络gru模型，并采用麻雀优化算法搜索模型最优超参数组合，以获取最优门控单元网络gru模型；n+1个门控单元网络gru模型分别为model1，model2，
…
，model
k
；
[0036]
门控单元网络gru模型包括两个输出门，分别是重置门r和更新门z；
[0037]
r＝σ(w
r
·
[h(t
‑
1)，x(t)])
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0038]
z＝σ(w
z
·
[h(t
‑
1)，x(t)])
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
[0039]
其中x(t)为t时刻的输入，即训练样本数据，h(t
‑
1)为t
‑
1时刻的输出，σ为sigmoid函数,w
r
为重置门r的待更新参数矩阵；w
z
为更新门z的待更新参数矩阵；参数h'用于决定是否记住x(t)，可以通过重置门r获取：
[0040]
h
′
＝tanh(w
h
·
[r*h(t
‑
1)，x(t)])
ꢀꢀ
(7)；
[0041]
w
h
为参数h'的待更新参数矩阵；
[0042]
而t时刻的隐状态h(t)以及输出y(t)分别可以通过公式(8)和(9)计算:
[0043]
h(t)＝(1
‑
z)*h(t
‑
1)+z*h
′ꢀꢀꢀꢀ
(8)
[0044]
y(t)＝σ(w
′
·
h(t))
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(9)；
[0045]
w为待更新参数矩阵。
[0046]
麻雀搜索算法搜索最优模型参数组合，步骤包括：
[0047]
(a1)麻雀群体初始化,随机生成n个个体形成初始群体,将初始种群按比例设为发现者与加入者两类；
[0048]
(b1)更新发现者位置，由公式10更新发现者位置，其中参数t为当前迭代次数，iter
max
为最大迭代次数，α为属于(0,1)的随机数，q为服从[0,1]正态分布的随机数，r2为属于[0,1]的随机数，st＝0.8，l为1
·
d全为1的矩阵，若r2<st，则说明当前无捕食者，可进行搜索，若r2≥st，说明发现者发现捕食者，麻雀种群进行移动。
[0049][0050]
(c1)更新加入者位置，由公式11更新加入者位置，其中x
worst
为全局最差位置，为发现者的全局最优觅食位置，l为1
·
d为1或
‑
1的矩阵。若(n表示步骤a中已提及，随机生成n个个体形成初始种群)说明适应度较低的第i个加入者没有获得食物，需要飞往其他地方觅食。x ij
表示第i个麻雀在第j维中的位置信息。
[0051][0052]
表示发现者的位置更新。
[0053]
a表示一个1
×
d的矩阵。其中每个元素随机赋值为1或
‑
1，并且a+＝a
t
(aa
t
)
‑1。n代表个体形成初始群体数量。
[0054]
(d1)更新警戒者位置，选取种群20％的个体为警戒者，由公式12更新警戒者位置，其中β为步长调整系数，是一个均值为0、方差为1的正态分布随机数，k∈[
‑
1,1]范围内的一个均匀随机数。为全局最优觅食位置，f
i
为当前麻雀个体的适应度值，f
g
为当前麻雀种群的全局最佳适应度值，f
w
为当前麻雀种群的全局最差适应度值，ε为常数,当f
i
>f
g
时，麻雀种群极易被攻击，当f
i
＝f
g
时，种群中间麻雀将会意识到危险，靠近其他麻雀。
[0055][0056]
为发现者的全局觅食最优位置，为全局警戒最优位置。
[0057]
(e1)重复步骤(b)到(d)，直到满足条件或者达到最大迭代次数。
[0058]
所述的一种罗非鱼工厂化养殖水质溶解氧变化预测方法，其关键在于：所述步骤五根据公式(13)累加所有模型的预测值得到水质溶解氧预测值:
[0059]
prediction＝model1+model2+
…
+model
k
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(13)。
[0060]
显著效果:本发明提供了一种罗非鱼工厂化养殖水质溶解氧变化预测方法，用于实现罗非鱼工厂化养殖过程中水质溶解氧含量变化的快速准确预测。
附图说明
[0061]
附图说明：
[0062]
图1为gru的模型结构图；
[0063]
图2为本发明的预测过程示意图；
[0064]
图3为本发明的方法流程图。
具体实施方式
[0065]
下面结合附图和具体实施例对本发明作进一步详细说明。
[0066]
如图1
‑
图3所示，一种罗非鱼工厂化养殖水质溶解氧变化预测方法，所述预测方法包括以下步骤：
[0067]
步骤一：采集罗非鱼工厂化养殖场的水质溶解氧数据，建立溶解氧含量原始数据集；
[0068]
步骤二：根据公式1对溶解氧含量原始数据集进行归一化处理，获取标准化数据
集；
[0069][0070]
其中x
i
为序列的第i个数据，x
min
为数据集的最小值，x
max
为数据集的最大值，x
′
i
为归一化后的标准化数据集；
[0071]
步骤三：采用经验模态分解算法(emd)将溶解氧含量原始数据集分解成n个不同的固有模态函数(imf)以及剩余量(r)，获得n种门控单元网络(gru)模型的训练样本数据，其中70％的数据作为训练样本，30％的数据作为测试样本。步骤四：利用所述训练样本数据分别训练n+1个(n+1为imf个数及剩余量个数之和)门控单元网络(gru)模型(model1，model2，
…
，model
k
)并采用麻雀优化算法搜索模型最优超参数组合，以获取最优门控单元网络(gru)模型，k＝n+1；步骤五：根据公式13，累加所有模型的预测值得到水质溶解氧预测值:
[0072]
prediction＝model1+model2+
…
+model
k
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(13)
[0073]
本发明结合基于机器学习算法和物联网信息技术的水产品工厂化养殖环境预测方法，实现对罗非鱼养殖水质的预测预警，通过预测方法为罗非鱼工厂化养殖提供精确的水质溶解氧含量预测预警。
[0074]
下面将结合具体实施方法原理附图对本发明进行进一步说明。
[0075]
如图1
‑
图3所示，预测方法包括以下步骤：
[0076]
步骤一：采集罗非鱼工厂化养殖场的水质溶解氧数据，建立原始数据集；
[0077]
通过罗非鱼工厂化养殖场水质监测系统获得长度为m溶解氧的时间序列数据d
m
；
[0078]
步骤二：数据标准化；
[0079]
根据公式1对溶解氧含量原始数据集d
m
进行归一化处理，获取标准化数据集s
m
；
[0080][0081]
其中x
i
为序列的第i个数据，x
min
为数据集的最小值，x
max
为数据集的最大值，x
′
i
为归一化后的数据值；
[0082]
步骤三：数据特征提取，确定获取训练集和测试集；
[0083]
采用经验模态分解算法(emd)将溶解氧含量原始数据集分解成n个不同的固有模态函数(imf1～imf
n
)以及剩余量(r)，其中70％的数据作为训练样本(train1～train
n1
)，n1为训练样本数量，30％的数据作为测试样本(test1～test
n2
)，n2为测试样本数量；
[0084]
其中emd的分解步骤如下：
[0085]
(a)计算溶解氧数据x(t)的极值；
[0086]
(b)采用三次样条插值法和极大值极小值构造上包络线emax(t)和下包络线emin(t)；
[0087]
(c)利用公式2计算包络均值；
[0088]
m(t)＝1/2*(emax(t)+emin(t))
ꢀꢀ
(2)
[0089]
(d)公式3计算中间剩余量h(t)；
[0090]
h(t)＝x(t)
‑
m(t)
ꢀꢀ
(3)
[0091]
(e)重复步骤直到h(t)为imf；
[0092]
imf定义为：
[0093]
极大值和极小值的个数差异不超过1；
[0094]
上包络线与下包络线的均值为0；
[0095]
(f)利用公式4获取剩余量r
i
(t)；
[0096]
r
i
(t)＝x(t)
‑
h(t)
ꢀꢀ
(4)
[0097]
(g)把当前剩余量r
i
(t)设置为原始数据x(t)；重复以上步骤继续提取imf，直至ri(t)单调或者为常数；
[0098]
步骤四：门控单元网络(gru)模型构建；
[0099]
利用训练样本及测试样本数据分别训练n+1个门控单元网络(gru)模型并采用麻雀优化算法搜索模型最优超步和gru层数(timestep，layernum)组合，以获取最优门控单元网络(gru)模型；
[0100]
gru的结构如图1所示，包括：
[0101]
两个输出门，r(重置门)和z(更新门)：
[0102]
r＝σ(w
r
·
[h(t
‑
1)，x(t)])
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0103]
z＝σ(w
z
·
[h(t
‑
1)，x(t)])
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
[0104]
其中x(t)为t时刻的输入，h(t
‑
1)为t
‑
1时刻的输出，σ为sigmoid函数。
[0105]
参数h'用于决定是否记住x(t)，可以通过重置门r获取：
[0106]
h
′
＝tanh(w
h
·
[r*h(t
‑
1)，x(t)])
ꢀꢀ
(7)
[0107]
而t时刻的隐状态h(t)以及输出y(t)分别可以通过公式8和公式9计算:
[0108]
h(t)＝(1
‑
z)*h(t
‑
1)+z*h
′ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)
[0109]
y(t)＝σ(w
′
·
h(t))
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(9)
[0110]
麻雀搜索算法搜索最优模型参数组合以测试精度为搜索指标，步骤包括：
[0111]
(a1)麻雀群体初始化,随机生成40个个体形成初始群体,麻雀个体的位置用二维坐标表示，其搜索范围为[1:72,1:8],将初始种群按比例设为20％发现者与80％加入者两类；即将n+1个门控单元网络(gru)模型作为初始群体；放入麻雀搜索算法中进行优化计算。
[0112]
计算适应度值，并排序。
[0113]
(b1)更新发现者位置，由公式10更新发现者位置，其中参数t为当前迭代次数，itermax＝50为最大迭代次数α为属于(0,1)的随机数，q为服从[0,1]正态分布的随机数，r2为属于[0,1]的随机数，st＝0.8，l为1
·
d全为1的矩阵，若r2<st，则说明当前无捕食者，可进行搜索，若r2≥st，说明发现者发现捕食者，麻雀种群进行移动。
[0114][0115]
(c1)更新加入者位置，由公式11更新加入者位置，其中x_worst为全局最差位置，为发现者的全局最优位置，l为1
·
d为1或
‑
1的矩阵。若i>n/2，说明适应度较低的第i个加入者没有会的食物，需要飞往其他地方觅食。
[0116][0117]
(d1)更新警戒者位置，选取种群20％的个体为警戒者，由公式12更新警戒者位置，其中β为步长调整系数，是一个均值为0、方差为1的正态分布随机数，k∈[
‑
1,1]范围内的一个均匀随机数。为全局最优位置，fi为当前麻雀个体的适应度值，fg为当前全局最佳的适应度值，fw为当前全局最差的适应度值，ε为常数,当fi>fg时，麻雀种群极易被攻击，当fi＝fg时，种群中间麻雀将会意识到危险，靠近其他麻雀。
[0118][0119]
计算适应度值并更新麻雀位置。
[0120]
(e1)重复步骤(b1)到(d1)，直到满足条件或者达到最大迭代次数。
[0121]
步骤五：累加所有模型的输出得到水质溶解氧预测值。
[0122]
最后，需要注意的是：以上列举的仅是本发明的具体实施例子，当然本领域的技术人员可以对本发明进行改动和变型，倘若这些修改和变型属于本发明权利要求及其等同技术的范围之内，均应认为是本发明的保护范围。