一种基于多维数据的海参养殖水温预测方法技术

本发明专利技术公开了一种基于多维数据的海参养殖水温预测方法，涉及智慧渔业技术领域；该方法首先对实地数据进行采集并整理，利用线性插值法和数据归一化法有效地对数据样本进行预处理，得到更加精确的数据样本。通过相关性分析方法，获取了海参养殖环境各影响因子与水温的相关关系，在正确筛选出与水温显著相关的环境因子后，利用GA

【技术实现步骤摘要】
一种基于多维数据的海参养殖水温预测方法


[0001]本专利技术涉及智慧渔业
，具体涉及一种基于多维数据的海参养殖水温预测方法。

技术介绍

[0002]我国是水产养殖大国，随着经济技术的快速进步，海水养殖业得到了迅速的发展。近十年来，我国海参养殖业规模不断扩大，已经成为了我国重要的水产养殖品种。海参养殖形式以海参池养殖、近海围堰养殖等为主，其受自然环境影响大,如高温、缺氧、雨水少、溶氧量低等因素均会导致海参大面积死亡。多数海参养殖户依靠养殖经验进行人工诊断、决策、调整，因此不能及时、准确地掌控海参养殖环境的生态指标，易使海参无法在适宜的环境条件生长,明显降低产量和质量。海水水温是影响海参健康生长至关重要的因素之一，海参养殖的最佳海水温度为16℃，当水温低于10℃或高于20℃都容易导致海参慢生长或死亡。
[0003]目前关于水质水温的研究大多集中于淡水领域，对海水水质水温的研究较少。海水养殖水温检测技术第一阶段尚停留在人工检验，主要依靠经验来判断养殖水温的变化趋势。而第二阶段则是使用传统的各类水温检测仪器监测水温变化，再通过数据的可视化对水温变化趋势进行判断，但该方法带有大量人为影响因素，而且十分费时费力。

技术实现思路

[0004]本专利技术的目的在于，提供一种基于多维数据的海参养殖水温预测方法，其省时省力，可以更精确的预测海参养殖水温，提高海参养殖产量和质量。
[0005]为实现上述目的，本申请提出一种基于多维数据的海参养殖水温预测方法，包括：
[0006]搭建物联网数据采集系统，对海参养殖基地的气象和水体数据进行实地采集；
[0007]将实地采集的所述气象和水体数据进行分析与筛选；
[0008]分析与筛选后的多维影响因子数据作为GA
‑
BP水温预测模型的输入，所述GA
‑
BP水温预测模型的输出为未来时段海参养殖环境水温。
[0009]进一步的，所述气象和水体数据包括空气温度、空气湿度、相对气压、风速、风向、阵风、降雨量、盐分、溶解氧、PH值、水温。
[0010]进一步的，将实地采集的气象和水体数据进行分析与筛选，具体为：
[0011]对实地采集的气象和水体数据进行收集整理，使用线性内插法来内插缺失的数据，并剔除异常的数据；
[0012]利用数据归一化处理方法将气象和水体数据对应的分子描述符统一表示为[0,1]之间的数值，其归一化公式为：
[0013][0014]式中：x'
ij
为分子描述符变量X
i
中第j个值，x
ij
为其归一化后的值，x'
iMax
表示X
i
中的最大值，x'
iMin
表示X
i
中的最小值；
[0015]利用Pearson相关性分析方法对归一化后的空气温度、空气湿度、相对气压、风速、风向、阵风、降雨量、盐分、溶解氧、PH值与水温相关性进行分析。
[0016]进一步的，对实地采集的气象和水体数据进行分析与筛选，还包括：将与水温相关的各影响因子权重进行累积，若权重积不为0，则证明式中所有影响因子权重皆不为0，即与相关性分析结果吻合；其公式为：
[0017][0018]式中：W为所有权重的乘积，n为相关性分析的影响因子总个数，ω
i
为各影响因子变量权重。
[0019]进一步的，所述GA
‑
BP水温预测模型利用GA算法优化BP神经网络，根据所述BP神经网络的结构初始化权值和阈值，并通过遗传算法对BP神经网络进行训练，以获取最优权值和阈值，具体为：
[0020]根据BP神经网络的初始权值和阈值，得到每个影响因子输入向量到水温输出向量的适应度函数：
[0021][0022](90≤k≤110∩k≠100)
[0023]式中：n为BP神经网络输出节点数，y
i
为BP神经网络第i个水温的实际输出，o
i
为第i个水温的预测输出，k为系数；
[0024]根据适应度函数，利用选择函数筛选出种群中各个水温影响因子向量到水温输出向量的优秀参数个体：
[0025][0026]式中：m表示种群规模，表示各个种群个体的适应度，p
i
表示该个体被选中的概率；
[0027]对种群中各个影响因子输入向量到水温输出向量的参数路径进行交叉操作以及变异操作，以产生新的优秀参数个体，扩大种群规模；
[0028]其交叉操作为：
[0029][0030]式中：c
kj
为第k个染色体在j位置的基因，c
lj
为第l个染色体在j位置上的基因，b是[0,1]上的随机数；
[0031]其变异操作为：以一定概率产生变异基因数，使用随机选取方法选取变异基因。若基因编码为0则翻转成1，反正，则变为0。
[0032]进一步的，所述GA
‑
BP水温预测模型根据气象和水体数据的影响因子确定隐含层节点数，公式为：
[0033][0034]其中，m和n分别为输入层节点数和输出层节点数，a为0
‑
10的常数。
[0035]进一步的，通过平均绝对百分比误差MAPE、均方根误差MSE和平均绝对误差MAE三个评价指标对GA
‑
BP水温预测模型进行性能评价，其评价指标公式如下：
[0036]平均绝对误差MAE：
[0037][0038]平均绝对百分比误差MAPE：
[0039][0040]均方根误差MSE：
[0041][0042]其中，N表示测试集样本数，y
i
表示实际值，表示预测值。
[0043]本专利技术采用的以上技术方案，与现有技术相比，具有的优点是：本专利技术首先对实地数据进行采集并整理，利用线性插值法和数据归一化法有效地对数据样本进行预处理，得到更加精确的数据样本。通过相关性分析方法，获取了海参养殖环境各影响因子与水温的相关关系，在正确筛选出与水温显著相关的环境因子后，利用GA
‑
BP水温预测模型有效地克服BP神经网络自身易陷入局部极值的缺陷，同时结合多维数据，充分发掘了海参养殖水温变化的多尺度特征，进一步提高了水温预测模型的泛化能力和预测性能，实现对海参养殖水温的精准预测，从而为海参养殖预测水温变化提供了科学依据。
附图说明
[0044]图1为物联网数据采集系统结构图；
[0045]图2为GA
‑
BP水温预测模型获取过程图；
[0046]图3为基于不同维度数据的GA
‑
BP水温预测模型效果对比图。
具体实施方式
[0047]为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不
用于限定本申请，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多维数据的海参养殖水温预测方法，其特征在于，包括：搭建物联网数据采集系统，对海参养殖基地的气象和水体数据进行实地采集；将实地采集的所述气象和水体数据进行分析与筛选；分析与筛选后的多维影响因子数据作为GA
‑
BP水温预测模型的输入，所述GA
‑
BP水温预测模型的输出为未来时段海参养殖环境水温。2.根据权利要求1所述一种基于多维数据的海参养殖水温预测方法，其特征在于，所述气象和水体数据包括空气温度、空气湿度、相对气压、风速、风向、阵风、降雨量、盐分、溶解氧、PH值、水温。3.根据权利要求1所述一种基于多维数据的海参养殖水温预测方法，其特征在于，将实地采集的气象和水体数据进行分析与筛选，具体为：对实地采集的气象和水体数据进行收集整理，使用线性内插法来内插缺失的数据，并剔除异常的数据；利用数据归一化处理方法将气象和水体数据对应的分子描述符统一表示为[0,1]之间的数值，其归一化公式为：式中：x'
ij
为分子描述符变量X
i
中第j个值，x
ij
为其归一化后的值，x'
iMax
表示X
i
中的最大值，x'
iMin
表示X
i
中的最小值；利用Pearson相关性分析方法对归一化后的空气温度、空气湿度、相对气压、风速、风向、阵风、降雨量、盐分、溶解氧、PH值与水温相关性进行分析。4.根据权利要求1或3所述一种基于多维数据的海参养殖水温预测方法，其特征在于，对实地采集的气象和水体数据进行分析与筛选，还包括：将与水温相关的各影响因子权重进行累积，若权重积不为0，则证明式中所有影响因子权重皆不为0，即与相关性分析结果吻合；其公式为：式中：W为所有权重的乘积，n为相关性分析的影响因子总个数，ω
i
为各影响因子变量权重。5.根据权利要求1所述一种基于多维数据的海参养殖水温预测方法，其特征在于，所述GA

【专利技术属性】
技术研发人员：李晓梅，杨健浩，汪祖民，李俐，
申请(专利权)人：大连大学，
类型：发明
国别省市：