一种基于边缘计算的养殖管理方法及系统与流程

1.本技术涉及养殖管理技术领域，特别是一种基于边缘计算的养殖管理方法及系统。


背景技术：

2.随着数字化的发展，养殖行业也能依靠数据实现更精细化的管理，对于养殖系统其环境因对于养殖具有最为重要的影响，养殖系统特别是水产养殖还和时令相关然而，目前水产养殖管理方法和系统偏向于数据管理，通过数据调节系统，一般没有考虑到时令关系以及养殖物种，例如，不同水产在产卵期对环境有不同的特殊需求(光照、温度等)，而每种水产物种对环境要求是不同的，因而需要一种更先进的养殖管理方法和系统。


技术实现要素：

3.鉴于所述问题，提出了本技术以便提供克服所述问题或者至少部分地解决所述问题的一种基于边缘计算的养殖管理方法及系统。
4.本技术公开了一种基于边缘计算的养殖管理方法，用于水产养殖管理，包括：
5.依据养殖生物的种类和该种类所需的参考环境数据，构建第一训练集，并通过对所述第一训练集进行训练，获得训练好的第一环境监测模型；
6.优化所述第一环境监测模型，获得第二环境监测模型，并部署所述第二环境监测模型至边缘计算终端；
7.获取环境参数，并利用所述环境参数和所述参考环境数据，确定误差数据和误差变化率；其中，所述环境参数，包括水质参数、气象参数以及时令信息；
8.将所述误差变化率和所述误差数据作为预设的pid控制模型的输入数据，获得数据参数调控数据，并依据所述参数调控数据，输出调控管理方案。
9.进一步的，所述依据养殖生物的种类和该种类所需的参考环境数据，构建第一训练集，并通过对所述第一训练集进行训练，获得训练好的第一环境监测模型，包括：
10.依据预设的线性拟合模型，利用模糊聚类算法对所述第一训练集进行聚类得到聚类中心；
11.将所述第一训练集作为样本集构建t-s模糊模型；
12.利用所述聚类中心对所述t-s模糊模型的参数进行辨识得到第一环境监测模型。
13.进一步的，所述聚类中心算法，包括：
[0014][0015]
其中，更新隶属矩阵为：
[0016]
[0017]
其中，所述模糊聚类算法的代价函数为：
[0018]
其中，
[0019]
公式中，ui表示第i个聚类中心点，u
ij
为隶属度矩阵，m为模糊系数，jm(u,k)为目标的最小化函数，k为聚类类别个数，c为聚类中心个数，n为样本个数，u
ij
为样本xj对聚类中心ui的隶属度，u为隶属度矩阵。
[0020]
进一步的，所述优化所述第一环境监测模型，获得第二环境监测模型，并部署所述第二环境监测模型至边缘计算终端，包括：
[0021]
依据所述第一环境监测模型中的权重关系进行剪枝，获得剪枝后的网络；
[0022]
通过对所述剪枝后的网络进行微调，恢复损失的性能；
[0023]
重复所述依据所述第一环境监测模型中的权重关系进行剪枝，获得剪枝后的网络的步骤，直到其精度达到预设的阈值，获得第二环境监测模型；
[0024]
部署所述第二环境监测模型至边缘计算终端。
[0025]
进一步的，所述部署所述第二环境监测模型至边缘计算终端，包括：
[0026]
依据所述第二环境监测模型构建推理引擎；
[0027]
将所述推理引擎以序列化流图的形式部署在边缘计算端；其中，通过反序列化所述序列化流图以启动所述推理引擎。
[0028]
进一步的，所述误差变化率包括实时误差变化率和所述历史误差变化率；所述误差数据包括历史误差数据和实时误差数据；所述将所述误差变化率和所述误差数据作为预设的pid控制模型的输入数据，获得数据参数调控数据，还包括：
[0029]
获取多个历史误差变化率和历史变化数据构建第二训练集；
[0030]
通过对所述第二训练集进行模糊化处理，得到模糊化结果；
[0031]
依据所述模糊化结果和预设的模糊规则确定模糊参数增量的隶属度，其中，所述模糊参数增量为所述pid控制模型的模糊参数的增量，所述模糊参数包括比例系数、积分系数和微分系数；
[0032]
对所述模糊参数增量的隶属度进行解模糊处理，获得所述模糊数增量的参量值；
[0033]
依据所述参量值对所述参数进行迭代优化，直至所述pid控制模型的评价指标达到预设要求，得到训练好的所述pid控制模型；
[0034]
将所述实时误差变化率和所述实时误差数据作为所述pid控制模型的输入数据，获得数据参数调控数据。
[0035]
进一步的，所述获取多个历史误差变化率和历史变化数据构建第二训练集，包括：
[0036]
获取多个所述历史误差变化率和历史误差变化数据，以及每一所述历史误差变化数据对应的未来时刻的误差变化数据和误差变化率；
[0037]
对所述历史误差变化数据和历史误差率进行预处理，获得预处理数据；
[0038]
利用随机森林算法对所述预处理数据进行降维处理，获得对应的降维特征数据；
[0039]
利用所述降维特征数据的作为样本，和所述未来时刻的误差变化数据和误差变化率作为为样本标签，构建第二训练集。
[0040]
本技术实施例还公开了一种基于边缘计算的养殖管理系统，用于水产养殖管理，包括：
[0041]
数据训练模块，用于依据养殖生物的种类和该种类所需的参考环境数据，构建第一训练集，并通过对所述第一训练集进行训练，获得训练好的第一环境监测模型；
[0042]
边缘计算模块，用于优化所述第一环境监测模型，获得第二环境监测模型，并部署所述第二环境监测模型至边缘计算终端；
[0043]
环境数据采集模块，用于获取环境参数，并利用所述环境参数和所述参考环境数据，确定误差数据和误差变化率；其中，所述环境参数，包括水质参数、气象参数以及时令信息；
[0044]
输出控制模块，用于将所述误差变化率和所述误差数据作为预设的pid控制模型的输入数据，获得数据参数调控数据，并依据所述参数调控数据，输出调控管理方案。
[0045]
本技术实施例还公开了一种电子设备，包括处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行实时现上述基于边缘计算的养殖管理方法的步骤。
[0046]
本技术实施例还公开了一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行实时现上述基于边缘计算的养殖管理方法的步骤。
[0047]
本技术的优点在于，通过依据养殖生物的种类和该种类所需的参考环境数据，构建第一训练集，并通过对所述第一训练集进行训练，获得训练好的第一环境监测模型；优化所述第一环境监测模型，获得第二环境监测模型，并部署所述第二环境监测模型至边缘计算终端；获取环境参数，利用所述环境参数和所述参考环境数据，确定误差数据和误差变化率；将所述误差变化率和所述误差数据作为预设的pid控制模型的输入数据，获得数据参数调控数据，并依据所述参数调控数据，输出调控管理方案。通过上述实施例，使得本技术的监测能够更快、更准，为水产养殖提供更优秀的管理；包括通过以养殖生物的种类和参考环境数据建立模型，得环境监测能够根据实际养殖为基准监测环境数据，使得监测数据更为精准，通过时令、气象信息等作为基本环境参数，结合上述模型，使得在调节环境参数时能够具有实际参照，从而更精准的调整，通过使用边缘计算终端，由于边缘计算设备被放置在靠近数据生成源的位置，从而允许在短至一毫秒的时间内在本地执行数据分析和决策，使其可实现实时决策，数据无需经过很长的距离即可进行处理和分析。
附图说明
[0048]
为了更清楚地说明本技术的技术方案，下面将对本技术的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0049]
图1是本技术一实施例提供的一种基于边缘计算的养殖管理方法的步骤流程图；
[0050]
图2是本技术一实施例提供的模糊聚类算法流程图；
[0051]
图3是本技术一实施例提供的以序列化流图的形式示意图；
[0052]
图4是本技术一实施例提供的一种基于边缘计算的养殖管理系统的结构示意图；
[0053]
图5是本技术一实施例提供的一种计算机设备的结构示意图。
具体实施方式
[0054]
为使本技术的所述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本技术作进一步详细的说明。显然，所描述的实施例是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
[0055]
需要说明的是，在本发明任一实施例中，上述pid为“(proportional，比例)、(integral，积分)、(derivative，微分)”比例(p)控制比例控制是一种最简单的控制方式。其控制器的输出与输入误差信号成比例关系。当仅有比例控制时系统输出存在稳态误差。积分(i)控制在积分控制中，控制器的输出与输入误差信号的积分成正比关系。对一个自动控制系统，如果在进入稳态后存在稳态误差，则称这个控制系统是有稳态误差的或简称有差系统。为了消除稳态误差，在控制器中必须引入“积分项”。积分项对误差取决于时间的积分，随着时间的增加，积分项会增大。这样，即便误差很小，积分项也会随着时间的增加而加大，它推动控制器的输出增大使稳态误差进一步减小，直到等于零。因此，比例+积分(pi)控制器，可以使系统在进入稳态后无稳态误差。微分(d)控制在微分控制中，控制器的输出与输入误差信号的微分(即误差的变化率)成正比关系。自动控制系统在克服误差的调节过程中可能会出现振荡甚至失稳。
[0056]
参照图1，示出了本技术一实施例提供的一种基于边缘计算的养殖管理方法，用于水产养殖管理，包括：
[0057]
步骤s101、依据养殖生物的种类和该种类所需的参考环境数据，构建第一训练集，并通过对所述第一训练集进行训练，获得训练好的第一环境监测模型；
[0058]
步骤s102、优化所述第一环境监测模型，获得第二环境监测模型，并部署所述第二环境监测模型至边缘计算终端；
[0059]
步骤s103、获取环境参数，利用所述环境参数和所述参考环境数据，确定误差数据和误差变化率；其中，所述环境参数，包括水质参数、气象参数以及时令信息；
[0060]
步骤s104、将所述误差变化率和所述误差数据作为预设的pid控制模型的输入数据，获得数据参数调控数据，并依据所述参数调控数据，输出调控管理方案。
[0061]
上述实施例中，依据养殖生物的种类和该种类所需的参考环境数据，构建第一训练集，并通过对所述第一训练集进行训练，获得训练好的第一环境监测模型；优化所述第一环境监测模型，获得第二环境监测模型，并部署所述第二环境监测模型至边缘计算终端；获取环境参数，利用所述环境参数和所述参考环境数据，确定误差数据和误差变化率；其中，所述环境参数，包括水质参数、气象参数以及时令信息；将所述误差变化率和所述误差数据作为预设的pid控制模型的输入数据，获得数据参数调控数据，并依据所述参数调控数据，输出调控管理方案。通过以养殖生物的种类和参考环境数据建立模型，得环境监测能够根据实际养殖为基准监测环境数据，使得监测数据更为精准，通过时令、气象信息等作为基本环境参数，结合上述模型，使得在调节环境参数时能够具有实际参照，从而更精准的调整，通过使用边缘计算终端，由于边缘计算设备被放置在靠近数据生成源的位置，从而允许在短至一毫秒的时间内在本地执行数据分析和决策，使其可实现实时决策，数据无需经过很长的距离即可进行处理和分析。
[0062]
需要说明的是，本技术中，所述环境参数，包括水质参数、气象参数以及时令信息，
其中，水质参数包括，氧含量、二氧化碳含量、水温、ph值、浊度、电导率、盐度、水生物密度、氨氮浓度和叶绿素浓度；所述气象参数包括大气压强、风速、气温、空气温度，所述时令信息包括季节数据、生物生长阶段以及第个生长阶段所对应的时间和温度数据。
[0063]
下面，将对本示例性实施例中一种基于边缘计算的养殖管理方法作进一步地说明。
[0064]
在本发明一具体实施例中，可以结合下列描述进一步说明步骤s101所述“依据养殖生物的种类和该种类所需的参考环境数据，构建第一训练集，并通过对所述第一训练集进行训练，获得训练好的第一环境监测模型”的具体过程。
[0065]
如下列步骤所述，依据预设的线性拟合模型，利用模糊聚类算法对所述第一训练集进行聚类得到聚类中心；
[0066]
如下列步骤所述，将所述第一训练集作为样本集构建t-s模糊模型；
[0067]
如下列步骤所述，利用所述聚类中心对所述t-s模糊模型的参数进行辨识得到第一环境监测模型。
[0068]
上述实施例中，通过预设的线性拟合模型，根据时间序列分析得到的不同时间阶段的生物种类对环境所需环需的不同需求的变化，并结合获取的环境数据，运用模糊聚类算法对传感器数据进行数据关联和t-s模糊模型系统辨识分析，构建第一环境监测模型，作为初级模型。其中，如图2所示为模糊矩阵的数据关联处理流程图，其t-s模糊聚类算法原理如下：
[0069]
在分类过程中，若其分类元素aij的取值由集合{0,1}中的0，1两个值，其取值必须分别被0和1限制上、下界，也即一个隶属函数必须在[0,1]，在模糊聚类中，对于某一个样本，不再是将其赋予某一个标签，而是一个概率向量，这个向量表示样本分别属于这k个类别的概率。要将n个样本模糊聚类到c个类中，就是要学习一个隶属度矩阵，矩阵表示的就是n个样本模糊聚类到c个类中的概率。
[0070]
样本集合：x＝{x1,x2,
…
,xn}；其中，n为样本数。
[0071]
分样本集合c类，c{c
1,
c2,
…
,ck}g表示k个类别；
[0072]
那么，所谓的隶属度矩阵可以为如下所示：
[0073]
其中，其中，也即，每一个目标样本，其所属类别的概率的和为1。
[0074]
模糊聚类算法会找到代表每一类特征的点，作为这一类的中心点以及每个数据点在各类中的隶属度。这个目标常通过最小化目标函数来实现。由于不同的传感器上报的目标属性信息会有所不同，因此本发明需要从其共有属性中去选择聚类中心，所述聚类中心算法，如下：
[0075][0076]
其中，更新隶属矩阵为：
[0077][0078]
其中，所述模糊聚类算法的代价函数为：
[0079]
其中，
[0080]
公式中，ui表示第i个聚类中心点，u
ij
为隶属度矩阵，m为模糊系数，jm(u,k)为目标的最小化函数，k为聚类类别个数，c为聚类中心个数，n为样本个数，u
ij
为样本xj对聚类中心ui的隶属度，u为隶属度矩阵。
[0081]
在约束条件下求极值，利用接格朗日乘积因子法求解目标函数的最优解，令
[0082]
求偏导：
[0083][0084]
得出，进一步在函数取极小值。
[0085]
将上述约束条件代入上述函数中，有：
[0086][0087]
经化简得到，
[0088]
其表示样本到k个类的中心点的距离之和，除以样本到第q个分类点的距离的2/(m-1)次方的倒数。从而得到隶属度矩阵的解法，对于求ci的解，因此继续对拉格朗日函数求偏导，通过重复上述步骤，直到满足停止条件为止，该条件可以是中心点ci不再变化或者隶属度矩阵u变化很小为止。
[0089]
在本发明一具体实施例中，可以结合下列描述进一步说明步骤s102所述“优化所述第一环境监测模型，获得第二环境监测模型，并部署所述第二环境监测模型至边缘计算终端”的具体过程。
[0090]
如下列步骤所述，依据所述第一环境监测模型中的权重关系进行剪枝，获得剪枝后的网络；
[0091]
如下列步骤所述，通过对所述剪枝后的网络进行微调，恢复损失的性能；
[0092]
如下列步骤所述，重复所述依据所述第一环境监测模型中的权重关系进行剪枝，
获得剪枝后的网络的步骤，直到其精度达到预设的阈值，获得第二环境监测模型；
[0093]
如下列步骤所述，部署所述第二环境监测模型至边缘计算终端。
[0094]
上述实施例中，可根据剪枝对优化目标的影响来对其重要性进行判断,以最优脑损伤(optimal brain damage,obd)方法为代表，optimal brain damage首先建立了一个误差函数的局部模型来预测扰动参数向量对优化目标造成的影响。通过这个局部模型找到一个参数集合，使得删除掉这个参数集合之后损失函数e的增加最小。根据网络中神经元但贡献对其进行排序，那么可以将排序较低的神经元移除，得到规模更小且速度更快的网络，从而使得模型可以更好的部署到小微型终端上，例如，手机、平板电脑等，并使得其运行速度得于优化。
[0095]
在本技术一实施例中，部署所述第二环境监测模型至边缘计算终端，包括：依据所述第二环境监测模型构建推理引擎；将所述推理引擎以序列化流图的形式部署在边缘计算端；其中，通过反序列化所述序列化流图以启动所述推理引擎。
[0096]
在一具体示例中，tensorrt是一个非常好用的高性能推理框架，将tensorrt嵌入到成熟的ai框架中，如tf-trt、torch-trt、onnx-trt、tvm-trt等，大多做法是将tensorrt支持的算子优先以tensorrt的方式执行。network definition是用于解析模型之后在tensorrt中的网络定义，builder主要作用是把network definition按照对应的硬件生成相应的可执行程序，也就是engine。实际中，往往需要把这个engine保存成一个离线模型.eng，以便于runtime过程的解耦，因为runtime往往在用户现场，而runtime之前的操作往往在家里。这个时候就需要用到serialize和deserialize了。如图3所示，通过将所述推理引擎以序列化流图的形式部署在边缘计算端，具体的可以通过serialize(序列化)来生成二进制文件.eng，也即这里的optimized plans，这个就是所谓的离线模型了；然后借助deserialize(反序列化)成硬件可执行程序engine后继续执行推理就好了，也即，通过反序列化所述序列化流图以启动所述推理引擎。
[0097]
在本发明一具体实施例中，所述误差变化率包括实时误差变化率和所述历史误差变化率；所述误差数据包括历史误差数据和实时误差数据；可以结合下列描述进一步说明步骤s104所述“将所述误差变化率和所述误差数据作为预设的pid控制模型的输入数据，获得数据参数调控数据”的具体过程。
[0098]
如下列步骤所述，获取多个历史误差变化率和历史变化数据构建第二训练集；
[0099]
如下列步骤所述，通过对所述第二训练集进行模糊化处理，得到模糊化结果；
[0100]
如下列步骤所述，依据所述模糊化结果和预设的模糊规则确定模糊参数增量的隶属度，其中，所述模糊参数增量为所述pid控制模型的模糊参数的增量，所述模糊参数包括比例系数、积分系数和微分系数；
[0101]
如下列步骤所述，对所述模糊参数增量的隶属度进行解模糊处理，获得所述模糊数增量的参量值；
[0102]
如下列步骤所述，依据所述参量值对所述参数进行迭代优化，直至所述pid控制模型的评价指标达到预设要求，得到训练好的所述pid控制模型；
[0103]
如下列步骤所述，将所述实时误差变化率和所述实时误差数据作为所述pid控制模型的输入数据，获得数据参数调控数据。
[0104]
上述实施例中，通过模糊pid控制模型，由于其具有结构简单、稳定性能好、可靠性
高等优点，尤其适用于可建立精确数学模型的确定性控制系统。pid控制中一个关键的问题是pid参数的确定，在实际应用中，模型结构和参数均会随时间和工作环境的变化而变化，这就要求pid参数能够在线调整，已满足实时控制的要求。
[0105]
在本技术一实施例中，所述获取多个历史误差变化率和历史变化数据构建第二训练集，包括：获取多个所述历史误差变化率和历史误差变化数据，以及每一所述历史误差变化数据对应的未来时刻的误差变化数据和误差变化率；对所述历史误差变化数据和历史误差率进行预处理，获得预处理数据；例如，当需要调整特征向量中的值时，可以使用数据归一化，通过规范化调整特征向量的值，使其总和为1。常见的处理方式有两种：l1模式：使用l1模式可以度量两个向量间的差异，例如曼哈顿距离、最小绝对误差等；l2模式：通常被用来做优化目标函数的正则化项，防止模型为了拟合训练集而过于复杂造成过拟合的情况，从而提高模型的泛化能力，例如欧式距离。利用随机森林算法对所述预处理数据进行降维处理，获得对应的降维特征数据；通过上述对数据进行降维处理，有助于数据压缩减少存储空间，缩短计算时间，以及去除噪声，提高模型性能，减少数据维度，便于精确绘制及可视化，利用所述降维特征数据的作为样本，和所述未来时刻的误差变化数据和误差变化率作为为样本标签，构建第二训练集。
[0106]
参照图4，示出了本技术一实施例提供的一种基于边缘计算的养殖管理系统，用于水产养殖管理，包括：
[0107]
数据训练模块101，用于依据养殖生物的种类和该种类所需的参考环境数据，构建第一训练集，并通过对所述第一训练集进行训练，获得训练好的第一环境监测模型；
[0108]
边缘计算模块102，用于优化所述第一环境监测模型，获得第二环境监测模型，并部署所述第二环境监测模型至边缘计算终端；
[0109]
环境数据采集模块103，用于获取环境参数，并利用所述环境参数和所述参考环境数据，确定误差数据和误差变化率；其中，所述环境参数，包括水质参数、气象参数以及时令信息；
[0110]
输出控制模块104，用于将所述误差变化率和所述误差数据作为预设的pid控制模型的输入数据，获得数据参数调控数据，并依据所述参数调控数据，输出调控管理方案。
[0111]
参照图5，示出了本发明的一实施例中执行一种基于边缘计算的养殖管理方法的计算机设备，具体可以包括如下：
[0112]
上述计算机设备12以通用计算设备的形式表现，计算机设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
[0113]
总线18表示几类总线18结构中的一种或多种，包括存储器总线18或者存储器控制器，外围总线18，图形加速端口，处理器或者使用多种总线18结构中的任意总线18结构的局域总线18。举例来说，这些体系结构包括但不限于工业标准体系结构(isa)总线18，微通道体系结构(mac)总线18，增强型isa总线18、音视频电子标准协会(vesa)局域总线18以及外围组件互连(pci)总线18。
[0114]
计算机设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
[0115]
系统存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取
存储器(ram)30和/或高速缓存存储器32。计算机设备12可以进一步包括其他移动/不可移动的、易失性/非易失性计算机体统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(通常称为“硬盘驱动器”)。尽管图5中未示出，可以提供用于对可移动非易失性磁盘(如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如cd-rom，dvd-rom或者其他光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质界面与总线18相连。存储器可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块42，这些程序模块42被配置以执行本发明各实施例的功能。
[0116]
具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如存储器中，这样的程序模块42包括——但不限于——操作系统、一个或者多个应用程序、其他程序模块42以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
[0117]
计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24、摄像头等)通信，还可与一个或者多个使得医护人员能与该计算机设备12交互的设备通信，和/或与使得该计算机设备12能与一个或多个其他计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(i/o)界面22进行。并且，计算机设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(lan))，广域网(wan)和/或公共网络(例如因特网)通信。如图所示，网络适配器20通过总线18与计算机设备12的其他模块通信。应当明白，尽管图5中未示出，可以结合计算机设备12使用其他硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元16、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储系统34等。
[0118]
处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的基于边缘计算的养殖管理方法方法。
[0119]
也即，上述处理单元16执行上述程序实时现：依据养殖生物的种类和该种类所需的参考环境数据，构建第一训练集，并通过对所述第一训练集进行训练，获得训练好的第一环境监测模型；优化所述第一环境监测模型，获得第二环境监测模型，并部署所述第二环境监测模型至边缘计算终端；获取环境参数，并利用所述环境参数和所述参考环境数据，确定误差数据和误差变化率；将所述误差变化率和所述误差数据作为预设的pid控制模型的输入数据，获得数据参数调控数据，并依据所述参数调控数据，输出调控管理方案。
[0120]
在本发明实施例中，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行实时现如本技术所有实施例提供的基于边缘计算的养殖管理方法：
[0121]
也即，给程序被处理器执行实时现：依据养殖生物的种类和该种类所需的参考环境数据，构建第一训练集，并通过对所述第一训练集进行训练，获得训练好的第一环境监测模型；优化所述第一环境监测模型，获得第二环境监测模型，并部署所述第二环境监测模型至边缘计算终端；获取环境参数，并利用所述环境参数和所述参考环境数据，确定误差数据和误差变化率；将所述误差变化率和所述误差数据作为预设的pid控制模型的输入数据，获得数据参数调控数据，并依据所述参数调控数据，输出调控管理方案。
[0122]
可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算
机克顿信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
[0123]
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括——但不限于——电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
[0124]
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言——诸如java、smalltalk、c++，还包括常规的过程式程序设计语言——诸如“c”语言或类似的程序设计语言。程序代码可以完全地在医护人员计算机上执行、部分地在医护人员计算机上执行、作为一个独立的软件包执行、部分在医护人员计算机上部分在远程计算机上执行或者完全在远程计算机或者服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)——连接到医护人员计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
[0125]
本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
[0126]
尽管已描述了本技术实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本技术实施例范围的所有变更和修改。
[0127]
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
[0128]
以上对本技术所提供的一种基于边缘计算的养殖管理方法及系统，进行了详细介绍，本文中应用了具体个例对本技术的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本技术的方法及其核心思想；同时，对于本领域的一般技术人员，依据本技术的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本技术的限制。