水产养殖溶解氧预测方法及装置与流程

本发明实施例涉及水产养殖技术领域，尤其涉及一种水产养殖溶解氧预测方法及装置。

背景技术：

中国是水产养殖大国，水产品产量和质量的保证取决于养殖水质是否适合水生生物生存。影响溶解氧浓度的水质因素有很多，包括ph值，水温，浊度，盐度等；外部因素包括太阳辐射，空气温度，气压等。溶解氧是水生生物生存必不可少的条件，溶解氧浓度低于3mg/l时，就会引起鱼类死亡。因此，获取养殖水域的溶解氧数据对于水产养殖具有十分重要的意义。

现有技术中溶解氧的预测方法主要分为两种类型：第一类是传统的预测方法，把经典数学作为理论基础，包括时间序列预测法、回归分析法、马尔科夫模型、水质模拟预测法等；第二类是基于人工智能的预测方法，包括灰色模型、人工神经网络预测法、支持向量机回归预测法等。这些预测方法都是针对检测到的溶解氧数据进行预测，当无法检测溶解氧只能检测其他水质信息时则无法获知水中的溶解氧数据，无法对水中的溶解氧数据进行预测。

目前还没有一种方法可以在无法检测溶解氧数据的情况下对溶解氧数据进行预测，因此，提供一种利用其它水质数据对溶解氧进行预测的方法是目前业界亟待解决的技术问题。

技术实现要素：

为了解决现有技术中存在的问题，本发明实施例提供一种水产养殖溶解氧预测方法及装置。

一方面，本发明实施例提供一种水产养殖溶解氧预测方法，包括：

采集水产养殖水域的水质数据；

将采集到的水质数据进行归一化处理，得到归一化数据；

将所述归一化数据输入预设的长短时记忆lstm神经网络预测模型，得到模型预测数据；

将所述模型预测数据进行反归一化处理，得到溶解氧预测数据。

另一方面，本发明实施例提供一种水产养殖溶解氧预测装置，包括：

采集单元，用于采集水产养殖水域的水质数据；

归一化单元，用于将采集到的水质数据进行归一化处理，得到归一化数据；

预测单元，用于将所述归一化数据输入预设的lstm神经网络预测模型，得到模型预测数据；

反归一化单元，用于将所述模型预测数据进行反归一化处理，得到溶解氧预测数据。

本发明实施例提供的水产养殖溶解氧预测方法及装置，通过将采集到的水质数据进行归一化处理后输入预设的lstm神经网络预测模型，得到模型预测数据，再将模型预测数据进行反归一化处理，可以得到溶解氧预测数据，解决了现有技术中无法利用其它水质数据对溶解氧进行预测的问题，提供了一种新的溶解氧的预测方法，并提高了溶解氧的预测精度。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的水产养殖溶解氧预测方法流程示意图；

图2为本发明实施例提供的又一水产养殖溶解氧预测方法流程示意图；

图3为lstm神经网络基本结构示意图；

图4为本发明实施例提供的水产养殖溶解氧预测装置结构示意图；

图5为本发明实施例提供的又一水产养殖溶解氧预测装置结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。

图1为本发明实施例提供的水产养殖溶解氧预测方法流程示意图，如图1所示，方法包括：

步骤10、采集水产养殖水域的水质数据；

步骤20、将采集到的水质数据进行归一化处理，得到归一化数据；

步骤30、将所述归一化数据输入预设的长短时记忆lstm神经网络预测模型，得到模型预测数据；

步骤40、将所述模型预测数据进行反归一化处理，得到溶解氧预测数据。

具体的，当需要对水产养殖水域的溶解氧数据进行预测时：

(1)利用实验装置采集一组水产养殖水域的水质信息；

(2)采集的水质信息具有不同的量纲和量纲单位，这样的情况会影响到预测结果，为了消除数据之间的量纲影响，需要进行数据标准化处理，也就是将采集到的水质数据进行归一化处理，以解决数据指标之间的可比性。经过数据归一化处理后，各指标处于同一数量级，便于进行下一步数据处理。

(3)将归一化处理后得到的归一化数据输入预设的长短时记忆(longshort-termmemory，简称lstm)神经网络预测模型中，所述lstm神经网络预测模型是专门为预测溶解氧数据建立的预测模型，可以利用输入的归一化数据得到模型预测数据。

(4)lstm神经网络预测模型输出的模型预测数据是由归一化数据计算得到的一个数据，并不符合常规描述的溶解氧数据的标准，因此将得到的模型预测数据进行反归一化处理，即可得到溶解氧预测数据。

本发明实施例提供的水产养殖溶解氧预测方法，通过将采集到的水质数据进行归一化处理后输入预设的lstm神经网络预测模型，得到模型预测数据，再将模型预测数据进行反归一化处理，可以得到溶解氧预测数据，解决了现有技术中无法利用其它水质数据对溶解氧进行预测的问题，提供了一种新的溶解氧的预测方法，并提高了溶解氧的预测精度。

在上述实施例的基础上，进一步地，所述水质数据包括：ph值、水温、浊度、氨氮含量和盐度中的一种或多种。

影响水中溶解氧浓度的因素有很多，包括ph值、水温、浊度、氨氮含量和盐度等水质因素，以及空气温度、太阳辐射和气压等外部因素。本发明实施例采集的水质数据为ph值、水温、浊度、氨氮含量和盐度中的一种或多种，这些水质数据易于采集并且与溶解氧浓度的相关性较高，利用这些数据预测的溶解氧数据精度更高，并且，采集的数据种类越多，得到的溶解氧预测数据的精度也相应的越高。

图2为本发明实施例提供的又一水产养殖溶解氧预测方法流程示意图，如图2所示，所述方法包括：

步骤00、建立lstm神经网络预测模型；

步骤10、采集水产养殖水域的水质数据；

步骤20、将采集到的水质数据进行归一化处理，得到归一化数据；

步骤30、将所述归一化数据输入预设的lstm神经网络预测模型，得到模型预测数据；

步骤40、将所述模型预测数据进行反归一化处理，得到溶解氧预测数据。

在对水域中的溶解氧数据进行预测时，首先要建立一个lstm神经网络预测模型，lstm神经网络预测模型的精度越高，经过lstm神经网络预测模型得到的模型预测数据就越精确，反归一化处理后得到的溶解氧预测数据也就越接近实际值。因此，本发明实施例提供的方法通过建立lstm神经网络预测模型，可以大大提高溶解氧预测数据的精度。

在上述各实施例的基础上，进一步地，所述建立lstm神经网络预测模型的方法包括：

采集m组测试数据，所述测试数据包括水质数据及与之相应的溶解氧数据；

将所述m组测试数据进行归一化处理，得到m组归一化测试数据，其中，所述水质数据进行归一化后称为归一化水质数据，所述溶解氧数据归一化之后称为归一化溶解氧数据；

将所述归一化测试数据按组随机分为两部分，其中数量大于预设百分比的数据称为训练数据，用于训练模型调整权值；另一部分数据称为验证数据，用于验证模型；

将所述训练数据中的归一化水质数据作为lstm神经网络预测模型的输入，按照预设方法进行前向传播后得到预测溶解氧数据；

将所述预测溶解氧数据与相应的归一化溶解氧数据进行比较，利用所述预测溶解氧数据与归一化溶解氧数据的误差进行反向传播，修正模型中的权值，得到修正的lstm神经网络预测模型；

将所述验证数据中的归一化水质数据作为修正的lstm神经网络预测模型的输入，若输出的预测溶解氧数据与验证数据中的归一化溶解氧数据在预设误差范围内，则所述修正的lstm神经网络预测模型为最终的lstm神经网络预测模型。

图3为lstm神经网络基本结构示意图，如图3所示，lstm神经网络本质上是一个循环神经网络(recurrentneuralnetwork，简称rnn)，lstm神经网络是在rnn的基础上，为隐层的每个节点开了三扇门。lstm神经网络基本结构称为一个block。

cell是神经元状态的记忆，用参数state(s)来记录状态。

输入门inputgate：表示是否允许信息加入到当前隐层节点中，如果inputgate的值为1，则表示允许数据输入，如果inputgate的值为0，则表示不允许数据输入，这样就可以摒弃掉一些没用的输入信息；

遗忘门forgetgate：表示是否保留当前隐层节点存储的历史信息，如果forgetgate的值为1，则保留当前隐层节点存储的数据，如果forgetgate的值为0，则清空当前隐层节点所存储的历史信息；

输出门outputgate：表示是否将当前节点输出值输出给下一层，如果outputgate的值为1，则当前节点的输出值将作用于下一层，如果outputgate的值为0，则当前节点的输出值不会作用于下一层。

(1)采集测试数据：

在建立lstm神经网络预测模型时首先利用相应的采集装置，按照一定的时间间隔采集m组测试数据，其中，t时刻的水质数据和t+1时刻的溶解氧数据作为一组数据，水质数据包括：ph值、水温、浊度、氨氮含量和盐度，t+1时刻为t时刻的下一采集时刻；采集尽可能多的测试数据，因为大量的数据有利于提高模型的精度。

(2)对采集到的测试数据进行预处理：

(a)将测试数据进行归一化处理，得到归一化水质数据和归一化溶解氧数据。采集到的测试数据包括ph值，水温，浊度，氨氮，盐度和溶解氧，这些数据具有不同的量纲和量纲单位，这样的情况会影响到预测结果，为了消除数据之间的量纲影响，需要进行数据标准化处理，也就是将采集到的水质数据进行归一化处理，以解决数据指标之间的可比性。经过数据归一化处理后，各指标处于同一数量级，便于进行下一步数据处理。

(b)将m组归一化处理后的测试数据随机打乱，使各组之间完全独立且没有任何联系。

(c)将打乱后的数据分成两部分，其中数量大于预设百分比的数据称为训练数据，用于训练模型调整权值；另一部分数据称为验证数据，用于验证模型。例如，取75％的数据作为训练数据，则剩余的25％的数据作为验证数据。

(3)利用训练数据训练lstm神经网络预测模型的参数。

前面提到lstm神经网络的基本结构是一个block，每个block中有输入门、遗忘门和输出门三扇门。下面将以某一block中三扇门的传播过程进行介绍：

(a)前向传播过程。

如图3所示，输入门的输入包括：输入层节点；前一个时刻隐层输出celloutputs，即来自cell的虚线，称为peephole连接；以及前一个时刻‘输入门自身’的隐层状态。因此，输入门内的值为：

经过输入门之后的值为：

其中，l表示输入门，为输入门内的值，i为输入层节点的个数，h为前一时刻隐层输出的个数，c为block中cell的个数，为输入层节点输入的值，为前一时刻隐层输出输入的值，为前一时刻‘输入门自身’的隐层状态输入的值，wil、whl和wcl分别为各输入的权值，为经过输入门之后的值，f(·)为输入门的激活函数。

同样的，遗忘门的输入包括：输入层节点；前一个时刻隐层输出celloutputs；以及前一个时刻‘遗忘门自身’的隐层状态。因此，遗忘门内的值为：

经过遗忘门之后的值为：

其中，表示遗忘门，为遗忘门内的值，i为输入层节点的个数，h为前一时刻隐层输出的个数，c为block中cell的个数，为输入层节点输入的值，为前一时刻隐层输出输入的值，为前一时刻‘遗忘门自身’的隐层状态输入的值，和分别为各输入的权值，为经过遗忘门之后的值，f(·)为遗忘门的激活函数。

在计算cell之前先计算cell，cell在图3中表现为最下面的圆圈，而不是中间的cell。cell的来源有两个：输入层和前一时刻‘自己’传递而来的历史信息。

因此cell的值为：

则cell计算公式为：

其中，c表示cell，为cell内的值，i为输入层节点的个数，h为前一时刻隐层输出的个数，为输入层节点输入的值，为前一时刻隐层输出输入的值，为前一时刻‘自己’的隐层状态输入的值，wic和whc分别为各输入的权值，为cell的值，为经过输入门之后的值，为经过遗忘门之后的值，g(·)为cell的激活函数。

cell状态值＝遗忘门*上一时刻‘自己’保存的历史信息+输入门*经过g(·)激活函数激活后的值。

输出门与输入门的原理相同，输出门内的值为：

经过输出门之后的值为：

其中，ω表示输出门，为遗忘门内的值，i为输入层节点的个数，h为前一时刻隐层输出的个数，c为block中cell的个数，为输入层节点输入的值，为前一时刻隐层输出输入的值，为前一时刻‘自己’的隐层状态输入的值，wiω、whω和wcω分别为各输入的权值，为经过输出门之后的值，f(·)为输出门的激活函数。

输入门、遗忘门、输出门和cell的激活函数，均可采用s型生长曲线sigmod函数。

(b)后向传播过程。

根据预测值与实际值的误差，进行网络反向传播，对每个门中的参数求偏导，按梯度方向修正权值，建立起最优权值的lstm神经网络预测模型，即所述修正的lstm神经网络预测模型。后向传播过程中的方法与现有技术相同，此处不再赘述。

例如，某一组数据中ph值、水温、浊度、氨氮含量和盐度分别为x1、x2、x3、x4和x5，溶解氧为y。将x1、x2、x3、x4和x5的数值作为lstm神经网络预测模型的输入，按照当前lstm神经网络预测模型中的权值进行计算，得到输出y1。然后根据y1和y的误差，再反向输入lstm神经网络预测模型，调节模型中各个权值，即上述wil、whl、wcl、wic、whc、wiω、whω和wcω。然后再利用下一组数据重复上述动作，直到输出的y1与目标y值误差满足要求。

(4)将验证数据中的归一化水质数据输入修正的lstm神经网络预测模型。若输出的值与验证数据中的归一化溶解氧数据的值在误差范围内，则证明该lstm神经网络预测模型满足预测需求，lstm神经网络预测模型建立成功。

本发明实施例提供的方法，采集大量数据通过前向传播和反向传播对lstm神经网络预测模型进行训练，并利用验证数据对lstm神经网络预测模型进行验证，从而得到精度更高的lstm神经网络预测模型，有利于提高溶解氧的预测精度。

图4为本发明实施例提供的水产养殖溶解氧预测装置结构示意图，如图4所示，装置包括：采集单元41、归一化单元42、预测单元43和反归一化单元44；其中，采集单元41用于采集水产养殖水域的水质数据；归一化单元42用于将采集到的水质数据进行归一化处理，得到归一化数据；预测单元43用于将所述归一化数据输入预设的lstm神经网络预测模型，得到模型预测数据；反归一化单元44用于将所述模型预测数据进行反归一化处理，得到溶解氧预测数据。

具体的，当需要对水产养殖水域的溶解氧数据进行预测时：

(1)采集单元41利用实验装置采集一组水产养殖水域的水质信息；

(2)采集的水质信息具有不同的量纲和量纲单位，这样的情况会影响到预测结果，为了消除数据之间的量纲影响，需要进行数据标准化处理，也就是将采集到的水质数据进行归一化处理，以解决数据指标之间的可比性。经过归一化单元42对数据归一化处理后，各指标处于同一数量级，便于进行下一步数据处理。

(3)将归一化单元42进行归一化处理后得到的归一化数据输入预测单元43预设的长短时记忆lstm神经网络预测模型中，所述lstm神经网络预测模型是专门为预测溶解氧数据建立的预测模型，预测单元43可以利用输入的归一化数据得到模型预测数据。

(4)lstm神经网络预测模型输出的模型预测数据是由归一化数据计算得到的一个数据，并不符合常规描述的溶解氧数据的标准，因此由反归一化单元44将得到的模型预测数据进行反归一化处理，即可得到溶解氧预测数据。

本发明实施例提供的水产养殖溶解氧预测装置，通过将采集到的水质数据进行归一化处理后输入预设的lstm神经网络预测模型，得到模型预测数据，再将模型预测数据进行反归一化处理，可以得到溶解氧预测数据，解决了现有技术中无法利用其它水质数据对溶解氧进行预测的问题，提供了一种新的溶解氧的预测方法，并提高了溶解氧的预测精度。

图5为本发明实施例提供的又一水产养殖溶解氧预测装置结构示意图，如图5所示，装置包括：采集单元41、归一化单元42、预测单元43和反归一化单元44所述采集单元包括：ph值采集模块411、水温采集模块412、浊度采集模块413、氨氮含量采集模块414和盐度采集模块415。

具体的，采集单元41进行数据采集时，由ph值采集模块411采集水域的ph值，由水温采集模块412采集水域的水温，由浊度采集模块413采集水域的浊度，由氨氮含量采集模块414采集水域的氨氮含量，由盐度采集模块415采集水域的盐度。

影响水中溶解氧浓度的因素有很多，包括ph值、水温、浊度、氨氮含量和盐度等水质因素，以及空气温度、太阳辐射和气压等外部因素。本发明实施例利用h值采集模块411、水温采集模块412、浊度采集模块413、氨氮含量采集模块414和盐度采集模块415采集的水质数据为ph值、水温、浊度、氨氮含量和盐度中的一种或多种，这些水质数据易于采集并且与溶解氧浓度的相关性较高，利用这些数据预测的溶解氧数据精度更高，并且，采集的数据种类越多，得到的溶解氧预测数据的精度也相应的越高。

在上述实施例的基础上，进一步地，所述装置还包括lstm神经网络预测模型建立单元，用于建立lstm神经网络预测模型。

在对水域中的溶解氧数据进行预测时，首先要建立一个lstm神经网络预测模型，lstm神经网络预测模型的精度越高，经过lstm神经网络预测模型得到的模型预测数据就越精确，反归一化处理后得到的溶解氧预测数据也就越接近实际值。因此，本发明实施例提供的装置利用lstm神经网络预测模型建立单元建立lstm神经网络预测模型，可以大大提高溶解氧预测数据的精度。

在上述各实施例的基础上，进一步地，所述建立lstm神经网络预测模型建立单元包括：采集模块、归一化模块、数据划分模块、前向传播模块、反向传播模块和验证模块，其中，采集模块用于采集m组测试数据，所述测试数据包括水质数据及与之相应的溶解氧数据；归一化模块用于将所述m组测试数据进行归一化处理，得到m组归一化测试数据，其中，所述水质数据进行归一化后称为归一化水质数据，所述溶解氧数据归一化之后称为归一化溶解氧数据；数据划分模块用于将所述归一化测试数据按组随机分为两部分，其中组数较多的数据称为训练数据，用于训练模型调整参数；组数较少的数据称为验证数据，用于验证模型；前向传播模块用于将所述训练数据中的归一化水质数据作为lstm神经网络预测模型的输入，按照预设方法进行前向传播后得到预测溶解氧数据；反向传播模块用于将所述预测溶解氧数据与相应的归一化溶解氧数据进行比较，利用所述预测溶解氧数据与归一化溶解氧数据的误差进行反向传播，修正模型中的权值，得到修正的lstm神经网络预测模型；验证模块用于将所述验证数据中的归一化水质数据作为修正的lstm神经网络预测模型的输入，若输出的预测溶解氧数据与验证数据中的归一化溶解氧数据在预设误差范围内，则所述修正的lstm神经网络预测模型为最终的lstm神经网络预测模型。

具体的，采集模块按照一定的时间间隔采集m组水质数据和溶解氧数据，每组数据中水质数据为t时刻的数据，溶解氧数据为t+1时刻，即水质数据的下一时刻的数据。

归一化模块将采集到的这m组数据进行归一化处理，以便进行后续操作。

数据划分模块将这m组数据随机打乱，再分成两部分，将数量较多的部分作为训练数据，将数量较少的部分作为验证数据，例如，取75％的数据作为训练数据，剩余的25％作为验证数据。

将训练数据中的归一化水质数据作为前向传播模块的输入，得到前向传播的输出。

将前向传播模块得到的输出与训练数据中的归一化溶解氧数据的误差作为反向传播模块的输入，并在进行反向传播的过程中修正lstm神经网络预测模型中的权值，得到修正的lstm神经网络预测模型。

验证模块将验证数据中的归一化水质数据作为修正的lstm神经网络预测模型的输入，若得到的预测值与验证数据中的归一化溶解氧数据在预设的误差范围内，则证明此修正的lstm神经网络预测模型满足预测要求，并将此lstm神经网络预测模型作为最终的lstm神经网络预测模型

本发明实施例提供的装置，通过lstm神经网络预测模型建立单元中的采集模块采集大量数据，通过前向传播模块和反向传播模块对lstm神经网络预测模型进行训练，并利用验证模块对训练得到的lstm神经网络预测模型进行验证，得到了精度更高的lstm神经网络预测模型，有利于提高溶解氧的预测精度。

以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件处理器实现某些功能模块。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。