【技术实现步骤摘要】
本专利技术涉及环境监测，尤其涉及一种水产养殖环境监测方法及装置。
技术介绍
1、高密度水产养殖对养殖水体环境要求很高，如果水体质量不好，会影响水产品的生长，不利于其生长繁殖，甚至导致水产品大面积死亡，严重影响经济效益，因此水体环境对水产品的生长发育至关重要。
2、目前的水产养殖环境监测主要是以水质传感检测为辅，养殖经验为主的方式来完成的，养殖人员需要根据相应的传感检测数据及实时观测到的情况判断养殖水域环境的异常变化，同时根据异常变化来采取相应的应对措施以避免经济损失。但是这种方法费时费力，比较依赖养殖人员的主观经验判断，缺乏科学的数据比对和分析，容易造成误判，准确性和可靠性不足，不利于提高水产养殖监管效率。
3、上述内容仅用于辅助理解本专利技术的技术方案，并不代表承认上述内容是现有技术。
技术实现思路
1、本专利技术的主要目的在于提供一种水产养殖环境监测方法及装置，旨在解决目前的方式费时费力，比较依赖养殖人员的主观经验判断，缺乏科学的数据比对和分析，容易造成误判，准确性和可靠性不足，不利于提高水产养殖监管效率的技术问题。
2、为实现上述目的，本专利技术提供了一种水产养殖环境监测方法，所述水产养殖环境监测方法包括以下步骤：
3、获取水质传感器采集的原始水体数据；
4、对所述原始水体数据进行异常值检测；
5、基于检测结果对所述原始水体数据进行处理，得到处理后的水体数据；
6、构建bp神经网络，利用pso
7、将所述处理后的水体数据输入至所述水体环境监测模型，得到所述水体环境监测模型输出的监测结果。
8、在一些实施例中，所述对所述原始水体数据进行异常值检测，包括：
9、将所述原始水体数据按照从大到小的顺序进行排序；
10、基于排序结果按照预设比例对所述原始水体数据进行划分，得到第一四分位数、中位数以及第二四分位数；
11、根据所述第一四分位数和所述第二四分位数确定四分位距；
12、根据所述第一四分位数和所述四分位距确定所述原始水体数据的下限值，以及根据所述第二四分位数和所述四分位距确定所述原始水体数据的上限值；
13、根据所述第一四分位数、所述中位数、所述第二四分位数、所述下限值以及所述上限值构建数据分布图；
14、利用所述数据分布图对所述原始水体数据进行异常值检测。
15、在一些实施例中，所述基于检测结果对所述原始水体数据进行处理，得到处理后的水体数据，包括：
16、基于检测结果剔除所述原始水体数据中所包含的异常值，得到参考水体数据；
17、识别所述参考水体数据中相同类型的水质传感器所采集的水体数据；
18、计算所述相同类型的水质传感器所采集的水体数据各自对应的均方差；
19、以最小加权因子为变量基于所述均方差构建总均方差对应的函数关系式；
20、对所述函数关系式极值求解，以得到总均方差最小时所述相同类型的水质传感器各自对应的最小加权因子；
21、基于所述最小加权因子将所述相同类型的水质传感器所采集的水体数据进行融合，以得到处理后的水体数据。
22、在一些实施例中，所述构建bp神经网络，包括：
23、初始化输入层神经元数量，隐含层神经元数量以及输出层神经元数量；
24、确定各个输入层神经元与各个隐含层神经元之间的连接权值，以及各个隐含层神经元与各个输出层神经元之间的连接权值；
25、确定各个隐含层神经元的阈值以及各个输出层神经元的阈值；
26、根据所述输入层神经元数量，所述隐含层神经元数量、所述输出层神经元数量、所述各个输入层神经元与各个隐含层神经元之间的连接权值、所述各个隐含层神经元与各个输出层神经元之间的连接权值、所述各个隐含层神经元的阈值以及所述各个输出层神经元的阈值构建bp神经网络。
27、在一些实施例中，所述利用pso算法优化所述bp神经网络的连接权值和阈值以对样本水体数据进行训练，得到水体环境监测模型，包括：
28、根据所述bp神经网络中的连接权值和阈值的初始值确定pso算法的粒子；
29、根据权值和阈值的数量确定所述粒子的维度；
30、获取样本水体数据在所述bp神经网络中的实际输出和期望输出之间的均方根误差；
31、根据所述粒子、所述粒子的维度以及所述均方根误差确定适应值函数；
32、根据所述适应值函数对所述bp神经网络的连接权值和阈值进行优化，并利用优化后的连接权值和阈值对样本水体数据进行训练，得到水体环境监测模型。
33、在一些实施例中，所述根据所述适应值函数对所述bp神经网络的连接权值和阈值进行优化，包括：
34、根据所述适应值函数确定各个粒子的适应值；
35、根据所述适应值确定各个粒子的最佳位置；
36、基于所述各个粒子的最佳位置确定种群的全局最佳位置；
37、对所述全局最佳位置进行向量解码，得到目标连接权值和目标阈值；
38、通过所述目标连接权值和所述目标阈值对所述bp神经网络的连接权值和阈值进行优化。
39、在一些实施例中，所述获取样本水体数据在所述bp神经网络中的实际输出和期望输出之间的均方根误差，包括：
40、确定所述样本水体数据的样本数量；
41、基于所述bp神经网络确定获取所述样本水体数据的实际输出和期望输出；
42、根据所述样本数量、所述实际输出和所述期望输出计算均方根误差，计算公式为：
43、
44、其中，n为所述样本数量，y1为所述期望输出，y2为所述实际输出。
45、此外，为实现上述目的，本专利技术还提出一种水产养殖环境监测装置，所述水产养殖环境监测装置包括：
46、采集模块，用于获取水质传感器采集的原始水体数据；
47、检测模块，用于对所述原始水体数据进行异常值检测；
48、处理模块，用于基于检测结果对所述原始水体数据进行处理，得到处理后的水体数据；
49、训练模块，用于构建bp神经网络，利用pso算法优化所述bp神经网络的连接权值和阈值以对样本水体数据进行训练，得到水体环境监测模型；
50、监测模块，用于将所述处理后的水体数据输入至所述水体环境监测模型，得到所述水体环境监测模型输出的监测结果。
51、在一些实施例中，所述检测模块，用于将所述原始水体数据按照从大到小的顺序进行排序；
52、基于排序结果按照预设比例对所述原始水体数据进行划分，得到第一四分位数、中位数以及第二四分位数；
53、根据所述第一四分位数和所述第二四分位数确定四分位距；
54、根据所述本文档来自技高网...
【技术保护点】
1.一种水产养殖环境监测方法，其特征在于，所述水产养殖环境监测方法包括：
2.如权利要求1所述的水产养殖环境监测方法，其特征在于，所述对所述原始水体数据进行异常值检测，包括：
3.如权利要求1所述的水产养殖环境监测方法，其特征在于，所述基于检测结果对所述原始水体数据进行处理，得到处理后的水体数据，包括：
4.如权利要求1所述的水产养殖环境监测方法，其特征在于，所述构建BP神经网络，包括：
5.如权利要求4所述的水产养殖环境监测方法，其特征在于，所述利用PSO算法优化所述BP神经网络的连接权值和阈值以对样本水体数据进行训练，得到水体环境监测模型，包括：
6.如权利要求5所述的水产养殖环境监测方法，其特征在于，所述根据所述适应值函数对所述BP神经网络的连接权值和阈值进行优化，包括：
7.如权利要求5所述的水产养殖环境监测方法，其特征在于，所述获取样本水体数据在所述BP神经网络中的实际输出和期望输出之间的均方根误差，包括：
8.一种水产养殖环境监测装置，其特征在于，所述水产养殖环境监测装置包括：
...【技术特征摘要】
1.一种水产养殖环境监测方法，其特征在于，所述水产养殖环境监测方法包括：
2.如权利要求1所述的水产养殖环境监测方法，其特征在于，所述对所述原始水体数据进行异常值检测，包括：
3.如权利要求1所述的水产养殖环境监测方法，其特征在于，所述基于检测结果对所述原始水体数据进行处理，得到处理后的水体数据，包括：
4.如权利要求1所述的水产养殖环境监测方法，其特征在于，所述构建bp神经网络，包括：
5.如权利要求4所述的水产养殖环境监测方法，其特征在于，所述利用pso算法优化所述bp神经网络的连接权值和阈值以对样本水体数据进行训练，得到水体环境监测模型，包括：
6.如权利要求5所述的...
【专利技术属性】
技术研发人员：郭学波，吴琼，吴瑶，刘鉴，郭学军，刘方佳，广敏，陈正华，
申请(专利权)人：汉唐和元武汉科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。