一种深海养殖态势感知方法与流程

1.本发明具体涉及一种深海养殖态势感知方法，属于深海养殖技术领域。


背景技术：

2.在深海养殖海-气预测与多参数水质预测领域，我国起步较晚，在预测精度和时效方面与国外尚有一定差距。当前，深远海养殖精细化海洋环境态势感知能力不足，仅可通过水文气象观监测设备和多参数水质观监测设备，获取风、浪、流、水温等水文气象，以及养殖水体温度、溶解氧、盐度、ph值、浊度等多参数水质信息，但是缺乏精细化深海养殖水文气象、多参数水质预测。精细化的水文气象及多参数水质预测对于深海养殖网箱、工船作业具有重要指导作用，可为智慧海洋渔业工程提供数据支撑和服务。


技术实现要素：

3.为解决上述问题，本发明提供一种基于lstm神经网络的水文气象预测和基于ap-rbf神经网络的多参数水质预测方法，可以广泛应用于深海养殖区域水文气象与养殖水体多参数水质预测。技术方案如下，一种深海养殖态势感知方法，包括以下步骤：s1.通过水文气象观监测设备和多参数水质观监测设备，获取实时水文气象信息和多参数水质信息，结合已有水文气象和多参数水质监测点数据，以建立原始数据集；s2.对水文气象和多参数水质数据进行归一化处理，使得数据整体落在[0，1]区间；s3.基于lstm神经网络构造养殖海域水文气象时序预测模型，进行养殖海域水文气象的预测；s4.构基于已有监测点的水文气象数据，分析水质指标与水文气象因子的特征关联性，构建ap-rbf神经网络模型，进行多参数水质预测。
[0004]
进一步优选的，步骤s2中归一化处理过程如下：上式中，x表示归一化处理后的水文气象与多参数水质，为第i个输入数据，为输入数据的最小值，为输入数据的最大值。
[0005]
进一步优选的，步骤s3中基于lstm神经网络构造养殖海域水文气象时序预测模型步骤如下：s31. 利用前t个时刻的水文气象变化数据预测第t+1个时刻的水文气象变化，t对应lstm神经网络的时间步，通过试凑法合理选取t，设定时间步步长；s32. 将前t个时刻的水文气象历史数据作为lstm模型输入，进行模型训练，并根据实测水文气象数据与预测数据之间的误差，优化和修订预测模型参数；
其中，表示t时刻的单元状态，叫做遗忘门，是一个向量，表示t-1时刻的单元状态，是输入门，表示单元状态更新值，
×
是lstm的门机制，表示单位乘，是lstm的门机制，表示单位乘，其中，σ是sigmoid激活函数，为权重矩阵，表示上一层隐节点的输出，表示水文气象输入数据，为偏置向量；水文气象输入数据，为偏置向量；其中，、为偏置向量，单元状态更新值的激活函数通常使用函数，函数，其中，为水文气象预测数据，为权重矩阵，为偏置向量。
[0006]
进一步优选的，步骤s4中利用ap聚类步骤如下：s41.通过ap算法对风力、气温、湿度、水文、溶解氧数据样本进行聚类，风力、气温、湿度、水文、溶解氧样本数据集为{xi，i=1，2，
…
，n}，将风力、气温、湿度、水文、溶解氧样本数据间负欧式距离平方称为相似度s(i,k)，取所有相似度构成n
×
n的相似度矩阵s，且偏向参数p为对角线元素s(k,k)，s42.将相似度矩阵s和偏向参数p作为输入，xk视为一个类代表点；若迭代次数超过1000次或连续迭代50次类代表点都不变时，则聚类结束；s43.利用ap算法对风力、气温、湿度、水文、溶解氧样本数据集为{，i=1，2，
…
，n}进行聚类，若共产生r个类代表点 ，j=1，2，
…
，r，则取隐含层节点数为r、隐含层各节点中心分别为、、
…
、。
[0007]
进一步优选的，rbf网络算法如下：进一步优选的，rbf网络算法如下：式中，ap聚类后的风力、气温、湿度、水文、溶解氧数据为x，将作为rbf网络输入，表示高斯基函数输出，是rbf网络的高斯基函数输出，是隐含层第个节点，表示基函数隐含层各节点中心，表示隐含层第个节点基带参数，是rbf的理想权值，是rbf网
络的逼近误差；表示高斯核函数，为理想权值下的rbf网络输出；s44.依据隐含层各节点中心，计算高斯基函数宽度；s45.利用最小均方误差和梯度下降法迭代优化各参数值，以得到ap-rbf神经网络模型最优模型；s46.将归一化后的前70%水文气象数据和归一化后的前70%多参数水质数据作为ap-rbf模型输入，进行模型训练，将后30%多参数水质数据作为测试样本数据集，验证ap-rbf算法的多参数水质预测准确性。
[0008]
有益效果本发明提供了一种基于lstm神经网络的水文气象预测和基于ap-rbf神经网络的多参数水质预测方法，可以广泛应用于深海养殖区域水文气象与养殖水体多参数水质预测，对于深海养殖网箱、工船作业具有重要指导作用，可为智慧海洋渔业工程提供数据支撑和服务。
附图说明
[0009]
图1为本技术流程图。
[0010]
图2为lstm算法结构图。
[0011]
图3为ap-rbf多参数水质预测算法流程图。
[0012]
图4为基于lstm神经网络的风力预测图。
[0013]
图5为基于lstm神经网络的气温预测图。
[0014]
图6为基于lstm神经网络的湿度预测图。
[0015]
图7为基于ap-rbf神经网络的溶解氧预测图。
[0016]
图8为基于ap-rbf神经网络的水温预测图。
具体实施方式
[0017]
以下详细说明都是例示性的，旨在对本技术提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本技术所属技术领域的普通技术人员通常理解的相同含义。需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本技术的示例性实施方式。
[0018]
一种基于lstm神经网络的水文气象预测和基于ap-rbf神经网络的多参数水质预测方法，包括以下步骤：s1.通过水文气象观监测设备和多参数水质观监测设备，获取实时有效的水文气象信息和多参数水质信息，结合历史已有数据及已有气象和多参数水质监测点数据，以建立原始数据集；s2.对水文气象和多参数水质数据进行归一化处理，使得数据整体落在[0，1]区间。归一化公式如下；
上式中，x表示归一化处理后的水文气象与多参数水质，为第i个输入数据，为输入数据的最小值，为输入数据的最大值。
[0019]
s3.结合历史水文气象观测数据和已有现场采集水文气象数据，构造养殖海域水文气象时序预测模型，进行养殖海域水文气象的预测。
[0020]
步骤s3中基于lstm神经网络构造养殖海域水文气象时序预测模型步骤如下：s31. 利用前t个时刻的水文气象变化数据预测第t+1个时刻的水文气象变化，t对应lstm神经网络的时间步，通过试凑法合理选取t，设定时间步步长；s32. 将前t个时刻的水文气象历史数据作为lstm模型输入，进行模型训练，并根据实测水文气象数据与预测数据之间的误差，优化和修订预测模型参数；其中，表示t时刻的单元状态，叫做遗忘门，是一个向量，表示t-1时刻的单元状态，是输入门，表示单元状态更新值，
×
是lstm的门机制，表示单位乘，是lstm的门机制，表示单位乘，其中，σ是sigmoid激活函数，为权重矩阵，为偏置向量，表示上一层隐节点的输出，表示水文气象输入数据（风力、气温和湿度数据分别作为输出数据）；表示水文气象输入数据（风力、气温和湿度数据分别作为输出数据）；其中，，、为偏置向量，单元状态更新值的激活函数通常使用函数，函数，其中，为偏置向量，为水文气象预测数据。
[0021]
基于lstm神经网络的水文气象预测算法可以根据历史积累的实测风力值、气温、湿度数据，预测下一时刻的风力值、气温、湿度，预测效果较好，图4是风力预测图，精度在
±
10%；图5是气温预测图，精度在
±
0.5摄氏度；图6是湿度预测图，精度在
±
20%。
[0022]
s4.构基于已有监测点的水文气象数据，分析水质指标与水文气象因子的特征关联性，构建ap-rbf神经网络模型，进行多参数水质预测。
[0023]
利用ap聚类步骤如下：将采集到的和历史积累的风力、气温、湿度、水文、溶解氧数据作为ap聚类算法输入，通过聚类算法进行数据预处理，剔除异常数据，便于进行水质预测。ap聚类后的风力、气温、湿度、水文、溶解氧数据为x。
[0024]
s41.通过ap算法对风力、气温、湿度、水文、溶解氧数据样本进行聚类，风力、气温、湿度、水文、溶解氧样本数据集为{xi，i=1，2，
…
，n}，将风力、气温、湿度、水文、溶解氧样本数据间负欧式距离平方称为相似度s(i,k)，取所有相似度构成n
×
n的相似度矩阵s，且偏向
参数p为对角线元素s(k,k)，s42. 将相似度矩阵s和偏向参数p作为输入，对q(i,k)、a(i,k)迭代运算，若q(i,k)+a(i,k)＞0 时，则将xk视为一个类代表点。若迭代次数超过1000次或连续迭代50次类代表点都不变时，则聚类结束。取a(i,k)初始值为0，q(i,k)、a(i,k)和a(k,k)计算公式分别如下：下：下：k是q(i,k)+a(i,k)＞0 的点；k'是不等于k、且满足q(i,k)+a(i,k)＞0的点;i’属于{1，2，
…
，n }且i’不等于i。
[0025]
s43.利用ap算法对风力、气温、湿度、水文、溶解氧样本数据集为{，i=1，2，
…
，n}进行聚类，若共产生r个类代表点 ，j=1，2，
…
，r，则取隐含层节点数为r、隐含层各节点中心分别为、、
…
、。
[0026]
rbf网络算法如下：rbf网络算法如下：式中，ap聚类后的风力、气温、湿度、水文、溶解氧数据为x，将作为rbf网络输入，是隐含层第个节点，是rbf网络的高斯基函数输出，表示基函数隐含层各节点中心，表示隐含层第个节点基带参数，是rbf的理想权值，是rbf网络的逼近误差；表示高斯核函数，表示高斯基函数输出；为理想权值下的rbf网络输出。
[0027]
s44.依据隐含层各节点中心，计算高斯基函数宽度；s45.利用最小均方误差和梯度下降法迭代优化各参数值，以得到ap-rbf神经网络模型最优模型；s46.将归一化后的前70%水文气象数据和归一化后的前70%多参数水质数据作为ap-rbf模型输入，进行模型训练，将后30%多参数水质数据作为测试样本数据集，验证ap-rbf算法的多参数水质预测准确性。
[0028]
基于ap-rbf神经网络的多参数水质预测算法具有良好的预测效果，图7是溶解氧预测图，精度为
±
30%左右；图8是水温预测图，精度在
±
0.3摄氏度左右。