一种鱼饲料检测与配方系统
本发明涉及鱼饲料检测与配方自动化的技术领域，具体涉及一种鱼饲料检测与配方系统。
背景技术：
水产养殖是农业的重要组成部分，是农业现代化的标志。随着市场需求和鱼价看好和养殖者看好，鱼饲料市场将日趋活跃，养殖户的经验表明鱼饲料配方的质量与价格已经成为水产养殖效益的关键环节之一，研究鱼饲料合理配方，在提高水产养殖具有十分重要的现实意义。合理的鱼饲料配方应该满足鱼生长、发育和生产的需要，同时又避免任何一种或多种营养成分的浪费，需要根据鱼营养需要与配方优化系统来实现，以实现在满足鱼营养的前提下获得最小成本配方的目标。鱼饲料检测与配方系统是可视化的操作系统，它具有操作方便，简单易懂，界面设计友好，各种指标齐全等特点，而且要尽量减少养分的浪费，本系统巧妙的优化设计，使鱼对各种营养素的需要量和实际供给量一目了然，用户可以适当调节，便可得到最小成本配方。本系统在设计过程中充分考虑水产环境和养殖条件，以满足养分的均衡供给，提高水产养殖经济效益和降低水产养殖成本。
技术实现要素：
本发明提供了一种鱼饲料检测与配方系统，本发明有效解决了现有鱼饲料配方没有根据水产养殖环境参数变化的非线性、大滞后和水产养殖调节复杂等对水产养殖环境效益影响，没有对鱼饲料配方的料重比进行预测和对鱼饲料配方进行优化，从而极大的影响水产养殖效益和生产管理问题。
本发明通过以下技术方案实现：
一种鱼饲料检测与配方系统，所述系统包括水产养殖环境参数采集与控制平台、鱼饲料配方料重比预测子系统和鱼饲料配方萤火虫算法优化子系统，实现对鱼养殖环境参数进行检测、鱼饲料配方料重比预测和鱼饲料配方进行优化。
本发明进一步技术改进方案是：
水产养殖环境参数采集与控制平台由检测节点、控制节点、网关节点、现场监控端、云平台和远程监控计算机组成，检测节点采集鱼养殖环境参数经网关节点上传到云平台，云平台提供鱼养殖环境参数给远程监控计算机进行web可视化鱼养殖环境参数界面管理，远程监控计算机对控制节点下指令实施环境远程控制，在云平台端存储数据和发布信息；检测节点和控制节点负责采集鱼养殖环境参数和控制鱼养殖环境设备，通过网关节点实现检测节点、控制节点、现场监控端、云平台、远程监控计算机的双向通信，实现鱼养殖环境参数采集和鱼养殖设备控制；水产养殖环境参数采集与控制平台见图1。
本发明进一步技术改进方案是：
鱼饲料配方料重比预测子系统包括模糊c均值聚类算法、多个cnn卷积神经网络模型、多个lstm神经网络模型、grnn神经网络模型、模糊递归神经网络模型、narx神经网络模型、时延神经网络模型、料重比趋势预测模块和环境评价模块，鱼饲料配方作为模糊c均值聚类算法的输入，模糊c均值聚类算法输出的多个类别的鱼饲料配方分别作为对应的多个cnn卷积神经网络模型的输入，多个cnn卷积神经网络模型的输出分别作为对应的多个lstm神经网络模型的输入，多个lstm神经网络模型的输出作为grnn神经网络模型的输入，grnn神经网络模型、时延神经网络模型、料重比趋势预测模块和环境评价模块的输出作为模糊递归神经网络模型的输入，模糊递归神经网络模型的输出作为narx神经网络模型的输入，narx神经网络模型输出作为时延神经网络模型的输入，narx神经网络模型的输出值作为鱼饲料配方的料重比；鱼饲料配方料重比预测子系统见图2。
本发明进一步技术改进方案是：
料重比趋势预测模块包括cnn卷积神经网络模型、lstm神经网络模型、arima模型和narx神经网络模型，鱼饲料料重比历史数据分别作为cnn卷积神经网络模型和arima模型的输入，cnn卷积神经网络模型和arima模型的输出作为narx神经网络模型的输入，narx神经网络模型的输出值作为料重比趋势预测模块的输出；料重比趋势预测模块见图2。
本发明进一步技术改进方案是：
环境评价模块包括多个lstm神经网络模型、多个自联想神经网络模型和narx神经网络模型，多组温度、溶解氧和ph值传感器的输出分别作为对应的多个lstm神经网络模型的输入，多个lstm神经网络模型输出分别作为每个自联想神经网络模型的输入，多个自联想神经网络模型输出作为narx神经网络模型输入，narx神经网络模型的输出值作为环境评价模块的输出；环境评价模块见图2。
本发明进一步技术改进方案是：
鱼饲料配方萤火虫算法优化子系统包括萤火虫种群初始化、确定荧光亮度、目标函数计算、萤火虫位置更新和最优鱼饲料配方确定共5个环节，萤火虫种群作为初始解随机地分布在搜索空间中，每只萤火虫被视为一种鱼饲料配方，它会被比它更亮的萤火虫吸引，萤火虫的吸引力与亮度成正相关，对于任何两只萤火虫，其中一只萤火虫会向着比它更亮的另一只萤火虫移动，亮度随着距离的增加而减少，萤火虫聚集到亮度高的萤火虫周围；每个鱼饲料配方的萤火虫个体作为鱼饲料配方料重比预测子系统的输入，鱼饲料配方料重比预测子系统的输出作为该鱼饲料配方的萤火虫个体料重比的预测值，每个鱼饲料配方的萤火虫个体的料重比预测值的倒数作为该鱼饲料配方的萤火虫个体的荧光亮度，每个鱼饲料配方的萤火虫个体的料重比预测值的倒数越大，该鱼饲料配方的萤火虫个体的荧光亮度就越高，萤火虫种群中每个鱼饲料配方的萤火虫个体的料重比预测值的倒数的和为该萤火虫种群总的荧光亮度。鱼饲料配方萤火虫算法优化子系统见图3。
本发明与现有技术相比，具有以下明显优点：
一、本发明利用cnn卷积神经网络模型能够实现鱼饲料配方和鱼饲料料重比历史数据的特征提取且能缩短特征提取时间和lstm神经网络模型能够记忆依赖性很强的鱼养殖过程中鱼饲料配方和鱼饲料料重比历史数据之间的关系的优势，解决鱼饲料配方和鱼饲料料重比历史数据活动序列数据的空间特征提取和时间特征的数据依赖问题；首先将鱼饲料配方和鱼饲料料重比历史数据预处理过的序列数据输入到cnn卷积神经网络模型中提取对应的空间特征向量；其次将上一步提取鱼饲料配方和鱼饲料料重比历史数据的不同活动空间特征向量作为lstm神经网络模型的输入，利用lstm神经网络模型中输入门、遗忘门和输出门的数据相互作用处理预测鱼饲料配方料重比的活动序列数据之间的时间特征相互影响问题，从而提高预测鱼饲料配方的料重比的精确度和时间效率。
二、本发明利用cnn卷积神经网络模型提取鱼饲料配方和鱼饲料料重比历史数据的高维度的空间特征，实现对鱼饲料配方和鱼饲料料重比历史数据的特征提取；同时，选用lstm神经网络模型对cnn卷积神经网络模型输出的空间特征序列进行处理，挖掘鱼饲料配方和鱼饲料料重比历史数据中的时序信息，在时间维度上提取鱼饲料配方和鱼饲料料重比历史数据时间特征，并实现鱼饲料配方料重比的精确预测。
三、本发明cnn卷积神经网络模型的卷积层主要优势在于提取鱼饲料配方和鱼饲料料重比历史数据中的权值共享和稀疏连接，权值共享是指cnn卷积神经网络模型的卷积核在做卷积运算时自身的权值保持不变，每个卷积核对整个区域的鱼饲料配方和鱼饲料料重比历史数据来说其权值是一样的；稀疏连接是指cnn卷积神经网络模型的每个卷积核只使用上一层数据中特定的局部区域数据进行运算，并未使用全局鱼饲料配方和鱼饲料料重比历史数据；cnn卷积神经网络模型的卷积核这种权值共享和稀疏连接的特性，大幅减少了鱼饲料配方和鱼饲料料重比历史数据的空间特征参数数量，从而预防cnn卷积神经网络模型的过拟合并加快cnn卷积神经网络模型训练速度和提高鱼饲料配方预测精确度。
四、本发明lstm神经网络模型类似于标准的含有递归隐藏层的网络，仅有的变化是使用记忆模块代替原有的隐藏层单元，通过记忆细胞内部状态的自反馈和输入输出对误差的截断，解决梯度消失和激增的问题，相对于bp神经网络和普通的rnn，lstm增加了1个状态单元c和3个控制门，就大大增加了模型的特征包含能力和记忆能力，避免了欠拟合和梯度消失。lstm神经网络模型的功能旨在鱼饲料配方、鱼料重比历史数据和水产养殖环境数据中存在的相关关系，记住这种关系以及这种关系在时间上的变化，从而得到更准确的结果。lstm神经网络模型实现鱼饲料配方料重比和水产养殖池塘环境水质参数等级的预测，提高预测精确度。
五、本发明lstm神经网络模型具有与标准rnn类似的链状重复网络结构，标准rnn中的重复网络非常简单，而lstm神经网络模型中的重复网络具有4个交互层，包括3个门层和1个tanh层。处理器状态是lstm神经网络模型中的关键变量，它携带着料重比预测先前步骤的信息，并逐步穿过整个lstm神经网络模型。交互层中的门可以根据上一步的隐状态和当前步骤的输入来部分删除上一步的处理器状态和添加料重比预测新信息到当前步骤的处理器状态中。每个重复网络的输入包括上一步料重比预测的隐状态和处理器状态以及当前步骤的输入。处理器状态根据4个交互层的计算结果进行更新。更新后的处理器状态和隐状态构成输出并传递到下一步。
六、本发明lstm神经网络模型是一种在重复网络中具有4个相互作用层的循环神经网络。它不仅能够像标准循环神经网络那样从料重比预测序列数据中提取信息，还能够保留来自于先前较远步骤的具有长期相关性的信息。料重比预测数据是序列数据，其变化趋势富有含义。此外，由于料重比预测的采样间隔相对较小，料重比预测存在长期空间相关性，而lstm神经网络模型有足够的长期记忆来处理这种问题。
七、本发明在串级lstm神经网络模型中，首先在浅层级对相对容易预测的料重比数据进行重构，然后把生成的料重比数据作为下一级的输入。深层级的预测结果不但基于料重比数据训练数据中的输入值，还受浅层级料重比数据结果的影响，这种方法能够更有效地提取料重比数据输入数据中蕴含的信息，提升模型的预测料重比数据的准确度。
八、本发明将模糊c-均值聚类(fcm)、cnn卷积神经网络模型、lstm神经网络模型和grnn神经网络模型技术相结合,应用于鱼饲料配方的料重比测量中。首先采用fcm方法对鱼饲料配方样本进行分类,然后利用cnn卷积神经网络模型串联lstm神经网络模型分别建立鱼饲料配方的料重比的局部测量模型,通过grnn神经网络模型对多个局部模型的输出进行融合，结果表明通过上述方法构建的鱼饲料料重比测量模型具有较好的训练速度和较高的测量精度。
九、本发明采用narx神经网络模型的一种通过饲料配方的料重比的延时模块及反馈实现来建立narx神经网络模型的动态递归网络，它是沿着料重比参数在时间轴方向的拓展的多个时间料重比参数的序列来实现及函数模拟功能的数据关联性建模思想，该方法通过一段时间内料重比参数来建立料重比组合模型，模型输出的料重比参数在反馈作用中被作为输入而闭循环训练提高神经网络的计算精确度，该narx网络模型实现对料重比连续动态预测。输入包括了一段时间的饲料配方的料重比输入和输出历史反馈,这部分反馈输入可以认为包含了一段时间的鱼饲料料重比状态历史信息参与鱼饲料料重比的预测,对于一个合适的反馈时间长度,预测得到了很好的效果,本专利的narx神经网络预测模式提供了一种有效的预测鱼饲料料重比方法。
十、本发明利用narx神经网络建立料重比预测模型，由于通过引入延时模块及输出反馈建立模型的动态递归网络，它将输入和输出向量延时反馈引入网络训练中，形成新的输入向量，具有良好的非线性映射能力，网络模型的输入不仅包括原始输入数据，还包含经过训练后的输出数据，网络的泛化能力得到提高，使其在非线性料重比时间序列预测中较传统的静态神经网络具有更好的预测精度和自适应能力。
十一、本发明采用grnn神经网络模型结构简单而完备,它的模型内部结构随着样本点的确定而确定，它对数据样本的要求较少,只要有输人、输出样本,即使数据稀少,也可以收敛于回归表面。它具有明确的概率意义、较好的泛化能力、局部逼近能力及快速学习特点,能逼近任愈类型的函数,而且在网络模型的建立和学习过程中,只需调节选择光滑因子来最终确定模型。网络的建立过程也就是网络的训练过程,无需专门训练。在对动态系统的融合效果上,grnn神经网络模型具有网络建立过程简单,影响因素少,局部逼近能力强,学习速度快,仿真性能好的特点。因此,grnn神经网络模型非常适合于料重比融合。本专利利用grnn神经网络模型正好具有自适性、自学习和以任意精度非线性逼近等特点，因而本专利利用grnn神经网络模型来进行料重比融合，较好地满足料重比融合模型的鲁棒性和容错性。
十二、本发明采用grnn神经网络模型较具有很强的非线性映射能力和柔性网络结构以及高度的容错性和鲁棒性，适用于料重比融合。grnn神经网络模型在逼近能力和学习速度上较rbf网络有更强的优势，网络最后收敛于样本量积聚较多的优化回归面并且在样本数据较少时，网络还可以处理不稳定数据，融合料重比效果也较好。grnn神经网络模型泛化能力强，融合精度高，算法稳定，grnn神经网络模型还具有收敛速度快、调整参数少和不易陷入局部极小值等优点，网络融合运算速度快，对料重比融合具有良好的应用前景。
十三、本发明采用arima模型基于料重比融合的原始数据服从时间序列分布，利用料重比融合变化均具有一定惯性趋势的原理，整合了趋势因素、周期因素和随机误差等因素的料重比融合的原始时间序列变量，通过差分数据转换等方法将非平稳序列转变为零均值的平稳随机序列，通过反复识别和模型诊断比较并选择理想的模型进行料重比融合数值拟合和预测。该方法结合了自回归和移动平均方法的长处，具有不受数据类型束缚和适用性强的特点，是一种短期预测料重比融合效果较好的模型。
十四、本发明采用模糊递归神经网络结构通过在模糊规则层引入内部变量，使静态网络具有动态特性；网络在k时刻每条规则的激活度不仅包括由当前输入计算得出的激活度值，而且包括前一时刻所有规则激活度值的贡献，因此提高了网络辨识的准确性，可以较好地完成料重比预测。模糊递归神网络模型来建立料重比的预测模型，它是一种典型的动态递归神经网络,其反馈连接由一组“结构”单元组成,用于记忆隐层过去的状态,并且在下一时刻连同网络输入一起作为隐层单元的输入,这一性质使得部分递归网络具有动态记忆功能,从而适合用来建立时间序列料重比的预测模型，仿真实验表明该模型动态性能好，预测精度高，预测性能稳定。
附图说明
图1为本专利的水产养殖环境参数采集与控制平台；
图2为本专利的鱼饲料配方料重比预测子系统；
图3为本专利的鱼饲料配方萤火虫算法优化子系统流程图；
图4为本专利的检测节点；
图5为本专利的控制节点；
图6为本专利的网关节点；
图7为本专利的现场监控端软件。
具体实施方式
结合附图1-7，对本申请技术方案作进一步描述：
一、系统总体功能的设计
本发明一种鱼饲料检测与配方系统实现对水产养殖环境参数进行检测、鱼饲料配方料重比预测和饲料配方优化，该系统由水产养殖环境参数采集与控制平台、鱼饲料配方料重比预测子系统和鱼饲料配方萤火虫算法优化子系统三部分组成。水产养殖环境参数采集与控制平台包括水产养殖环境参数的检测节点、控制节点、网关节点、现场监控端、云平台和远程监控端组成，检测节点和控制节点构建成lora网络通信来实现检测节点、控制节点和网关节点之间的lora网络通信；检测节点将检测的水产养殖环境参数通过网关节点发送给现场监控端和云平台，网关节点、云平台、现场监控端和远程监控端之间实现水产养殖环境参数和相关控制信息的双向传输，水产养殖环境参数采集与控制平台见图1所示。
二、检测节点的设计
采用大量基于lora通信网络的检测节点1作为水产养殖环境参数感知终端，检测节点通过lora通信网络实现现场监控端之间的信息相互交互。检测节点包括采集水产养殖环境温度、溶解氧、ph值和盐度参数的传感器和对应的信号调理电路、stm32微处理器和lora网络通信的sx1278射频模块；检测节点的软件主要实现lora网络通信和水产养殖环境参数的采集与预处理。软件采用c语言程序设计，兼容程度高，大大提高了软件设计开发的工作效率，增强了程序代码的可靠性、可读性和可移植性。检测节点结构见图4。
三、控制节点的设计
控制节点通过lora网络实现与网关节点之间的信息相互交互，控制节点包括控制外部设备对应的4个数模转换电路、stm32微处理器、4个外部设备控制器和lora通信网络模块sx1278射频模块；4个外部设备控制器分别为温度控制器、溶解氧控制器、ph值控制器和盐度控制器。控制节点见图5。
四、网关节点设计
网关节点包括sx1278、nb-iot模块、stm32单片机和rs232接口，网关节点包括sx1278射频模块实现与检测节点和控制节点之间通信的lora通信网络，nb-iot模块实现网关与云平台之间的数据双向交互，rs232接口连接现场监控端实现网关与现场监控端之间的信息交互。网关节点见图6。
五、云平台设计
云平台支持多种传输协议为各种跨平台物联网应用、行业解决方案提供简便的海量连接、云端存储、消息分发和大数据分析等优质服务，具有良好的可视化应用。首先在云平台创建一个水产养殖环境监控的产品，将检测节点、控制节点、网关节点、现场监控端和远程监控计算机按照平台的传输协议接入到创建的产品中，完成与接入互联网与云平台服务器建立tcp连接和传输数据等操作，实现它们之间数据和信息的双向传输。
六、远程监控计算机设计
远程监控计算机进行web可视化水产养殖环境参数界面管理，对控制节点下指令实施环境远程控制，在云平台端存储数据和发布信息，养殖人员应用基于b/s架构的远程监控计算机浏览器访问并查看水产实时环境信息、查询与导出历史数据以及对水产养殖设备实施远程控制，远程监控计算机的web页面具有自动报警功能以便管理人员及时采取措施。
七、现场监控端软件设计
现场监控端是一台工业控制计算机，现场监控端主要实现对水产养殖环境参数进行采集和水产养殖环境参数进行处理，实现与网关节点之间信息交互，现场监控端主要功能为通信参数设置、数据分析与数据管理、鱼饲料配方料重比预测子系统和鱼饲料配方萤火虫算法优化子系统。鱼饲料配方料重比预测子系统和鱼饲料配方萤火虫算法优化子系统结构见图2和图3。该管理软件选择了microsoftvisual++6.0作为开发工具，调用系统的mscomm通信控件来设计通讯程序，现场监控端软件功能见图7。鱼饲料配方料重比预测子系统和鱼饲料配方萤火虫算法优化子系统的设计过程如下：
(一)、鱼饲料配方料重比预测子系统
包括模糊c均值聚类算法、多个cnn卷积神经网络模型、多个lstm神经网络模型、grnn神经网络模型、模糊递归神经网络模型、narx神经网络模型、时延神经网络模型、料重比趋势预测模块和环境评价模块。各个模型的设计如下：
1、模糊c均值聚类算法设计
鱼饲料配方作为模糊c均值聚类算法的输入，模糊c均值聚类算法输出的多个类别的鱼饲料配方分别作为对应的多个cnn卷积神经网络模型的输入，设有限集x＝{x1,x2,…xn}是n个鱼饲料配方样本组成的集合,它们分别是鱼饲料配方，c为预定的类别,mi(i＝1,2,…c)是每一个聚类的中心,μj(xi)是第i个样本关于第j类的隶属度,聚类准则函数由隶属函数定义为:
式中:||xi-mj||是xi到mj之间的欧氏距离；b是模糊加权幂指数,是可以控制聚类结果模糊程度的参数；m是x的模糊c划分矩阵,v是x的聚类中心集合,模糊c均值聚类算法的结果就是要获得使准则函数达到最小的m和v。在模糊c均值聚类方法中,要求样本对各个聚类的隶属度之和为1,即:
fcm算法可以按照以下迭代步骤完成:
a、设定聚类数目c和参数b,算法终止阈值ε,迭代次数t＝1,允许最大迭代数为tmax；b、初始化各个聚类中心mi；c、用当前聚类中心计算隶属函数；d、用当前隶属函数更新各类聚类中心；e、选取合适的矩阵范数,如果||v(t+1)-v(t)||≤ε或者t≥tmax,停止运算；否则,t＝t+1,返回步骤c。当算法收敛时,得到各类的聚类中心和各个样本对于各类的隶属度,完成模糊聚类划分。最后将模糊聚类结果进行去模糊化,将模糊聚类转变为确定性分类,实现最终的聚类分割。
2、cnn卷积神经网络模型设计
模糊c均值聚类算法输出的多个类别的鱼饲料配方分别作为对应的多个cnn卷积神经网络模型的输入，多个cnn卷积神经网络模型的输出分别作为对应的多个lstm神经网络模型的输入。cnn卷积神经网络模型能够直接从大量的鱼饲料配方和鱼饲料料重比历史数据中自动挖掘提取出表征系统状态的敏感空间特征，cnn卷积神经网络模型结构主要包括4个部分：①输入层(input)。输入层即为cnn卷积神经网络模型的输入，一般将鱼饲料配方和鱼饲料料重比历史数据原始数据或预处理后的信号进行归一化后直接输入。②卷积层(conv)。由于输入层数据维度较大，cnn卷积神经网络模型难以直接全面感知所有鱼饲料配方和鱼饲料料重比历史数据输入信息，需要将输入数据分为若干部分进行局部感知，再通过权值共享得到全局信息，同时降低cnn卷积神经网络模型结构的复杂度，这一过程即卷积层的主要功能，具体流程是利用特定尺寸的卷积核以固定步长对输入信号进行遍历和卷积运算，从而实现对鱼饲料配方和鱼饲料料重比历史数据输入信号敏感特征的挖掘与提取。③池化层(pool，又称降采样层)。由于卷积操作之后所得的数据样本维度依旧很大，需要压缩数据量并提取关键信息来避免模型训练时间过长及出现过拟合，因此，在卷积层后接一个池化层来降低维度。考虑到缺陷特征的峰值特性，采用最大值池化法进行降采样。④、全连接层。经过所有的卷积运算和池化操作后，特征提取数据进入到全连接层，该层中的每个神经层与其前一层的所有神经元进行全连接，将卷积层和池化层提取到的局部特征信息进行整合。同时，为避免过拟合现象，在该层中加入丢失数据(dropout)技术，经过最后一层全连接层的输出值会传递到输出层，将最后一层的池化结果按照首尾相连的方式连接在一起形成输出层。
3、lstm神经网络模型设计
多个cnn卷积神经网络模型的输出分别作为对应的多个lstm神经网络模型的输入，多个lstm神经网络模型的输出作为grnn神经网络模型的输入。lstm神经网络模型由长短期记忆(lstm)单元组成的时间递归神经网络(rnn)称为lstm神经网络模型时间递归神经网络，通常也被称为lstm神经网络模型网络。lstm神经网络模型引入了记忆单元(memorycell)和隐藏层状态(cellstate)的机制来控制隐藏层之间的信息传递。一个lstm神经网络模型神经网络的记忆单元内有3个门(gates)计算结构分别是输入门(inputgate)、遗忘门(forgetgate)和输出门(outputgate)。其中，输入门能控制新信息的加入或滤出；遗忘门能忘记需要丢掉的信息以及保留过去有用的信息；输出门能使记忆单元只输出与当前时间步相关的信息。这3个门结构在记忆单元中进行矩阵乘法和非线性求和等运算，使得记忆在不断的迭代中仍然不会衰减。长短期记忆单元(lstm)结构单元由单元(cell)，输入门(inputgate)，输出门(outputgate)和忘记门(forgetgate)组成。lstm神经网络模型是可以持续较长时间短期记忆的模型适合用预测时间序列鱼饲料配方的料重比动态变化，lstm神经网络模型有效防止了rnn训练时的梯度消失，长短期记忆(lstm)网络是一种特殊的rnn。lstm神经网络模型可以学习长期的依赖信息，同时避免梯度消失问题。lstm神经网络模型在神经元内部结构rnn的隐藏层的神经节点中增加了一种被称为记忆单元(memorycell)的结构用来记忆过去的鱼饲料配方的料重比动态变化信息，并增加了三种门(input、forget、output)结构来控制鱼饲料配方的料重比历史信息的使用。设输入鱼饲料配方的料重比的时间序列值为(x1,x2,…,xt)，隐含层状态为(h1,h2,…,ht)，则t时刻有：
it＝sigmoid(whiht-1+wxixt)(3)
ft＝sigmoid(whfht-1+whfxt)(4)
ct＝ft⊙ct-1+it⊙tanh(whcht-1+wxcxt)(5)
ot＝sigmoid(whoht-1+whxxt+wcoct)(6)
ht＝ot⊙tanh(ct)(7)
其中it、ft、ot代表input门、forget门和output门，ct代表cell单元，wh代表递归连接的权重，wx代表输入层到隐含层的权重，sigmoid与tanh为两种激活函数。使用长短期记忆的4个lstm神经网络模型来对进行预测鱼饲料配方的料重比值，该方法首先建立lstm神经网络模型神经网络模型，利用预处理的鱼饲料配方的料重比值数据建立训练集并对模型进行训练，lstm神经网络模型考虑了鱼饲料配方的料重比鱼饲料配方的料重比变化的时序性和非线性，具有较高鱼饲料配方的料重比动态的预测精度。
4、grnn神经网络模型设计
多个lstm神经网络模型的输出作为grnn神经网络模型的输入，grnn神经网络模型的输出作为模糊递归神经网络模型的输入，grnn(generalizedregressionneuralnetwork)神经网络模型是一种局部逼近网络，它是建立在数理统计的基础上，具有明确的理论依据，学习样本确定后网络结构和连接值也随之确定，在训练过程中只需要确定平滑参数一个变量。grnn神经网络的学习全部依赖数据样本，在逼近能力和学习速度上较brf网络有更强的优势，具有很强的非线性映射和柔性网络结构以及高度的容错性和鲁棒性，特别适用于函数的快速逼近和处理不稳定的数据。grnn神经网络模型模型的人为调节参数很少，网络的学习全部依赖数据样本，这一特性使得网络可以最大限度地减少人为主观假定对预测结果的影响。grnn神经网络具有小样本下强大的预测能力，还具有训练快速、鲁棒性强等特征，基本不受输入数据多重共线性的困扰。本专利构建的grnn神经网络模型结构如由输入层、模式层、求和层和输出层构成，grnn神经网络模型输入向量x为n维向量，网络输出向量y为k维向量x＝{x1,x2,…,xn}t和y＝{y1,y2,…,yk}t。模式层神经元数目等于训练样本的数目m，各个神经元与训练样本一一对应，模式层神经元传递函数pi为：
pi＝exp{-[(x-xi)t(x-xi)]/2σ},(i＝1,2,…,m)(8)
上式中的神经元输出进入求和层进行求和，求和层函数分为两类，分别为:
其中，yij为第i个训练样本输出向量中的第j个元素值。根据前述grnn算法，则网络输出向量y的第j个元素的估计值为:
yj＝snj/sd,(j＝1,2,…k)(11)
grnn神经网络模型建立在数理统计基础之上，能够根据样本数据逼近其隐含的映射关系，网络的输出结果能够收敛于最优回归面，特别是在样本数据稀少的情况下，也能获得满意的预测效果。grnn神经网络模型具有较强的分类能力，学习速度快，主要用于解决函数逼近问题而且在结构方面也具有高度并行性。
5、模糊递归神经网络模型设计
grnn神经网络模型、时延神经网络模型、料重比趋势预测模块和环境评价模块的输出作为模糊递归神经网络模型的输入。模糊递归神经网络(hrfnn)是多输入单输出的网络拓扑结构，网络由4层组成：输入层、成员函数层、规则层和输出层。网络包含n个输入节点，其中每个输入节点对应m个条件节点，m代表规则数，nm个规则节点，1个输出节点。图中第ⅰ层将输入引入网络；第ⅱ层将输入模糊化，采用的隶属函数为高斯函数；第ⅲ层对应模糊推理；第ⅳ层对应去模糊化操作。用
式中
第ⅱ层：成员函数层，该层的节点将输入变量进行模糊化，每一个节点代表一个隶属函数，采用高斯基函数作为隶属函数。网络的输入和输出表示为：
式中mij和σij分别表示第ⅱ层第i个语言变量的第j项高斯基函数的均值中心和宽度值，m为对应输入节点的全部语言变量数。
第ⅲ层：模糊推理层，即规则层，加入动态反馈，使网络具有更好的学习效率，反馈环节引入内部变量hk，选用sigmoid函数作为反馈环节内部变量的激活函数。网络的输入和输出表示为：
式中ωjk是递归部分的连接权值，该层的神经元代表了模糊逻辑规则的前件部分，该层节点对第二层的输出量和第三层的反馈量进行π操作，
第ⅳ层：去模糊化层，即输出层。该层节点对输入量进行求和操作。网络的输入和输出表示为：
公式中λj是输出层的连接权值。模糊递归神经网络具有逼近高度非线性动态系统的性能，加入内部变量的模糊递归神经网络的训练误差和测试误差分别为明显减少，该网络预测效果优于带自反馈模糊递归神经网络和动态建模的模糊神经网络，这说明加入内部变量后网络的学习能力得到了增强，并且更充分地反映污水处理系统的动态特性。仿真结果证明了网络的有效性。本专利的模糊递归神经网络hrfnn，并采用加入交叉验证的梯度下降算法对神经网络的权值进行训练。使用hrfnn对料重比参数进行预测。hrfnn通过在反馈环节引入内部变量，将规则层的输出量加权求和后再反模糊化输出作为反馈量，并将反馈量与隶属度函数层的输出量一起作为规则层的下一时刻的输入。网络输出包含规则层激活强度和输出的历史信息，增强了hrfnn适应非线性动态系统的能力。实验表明，hrfnn可以准确地预测料重比参数。仿真结果与其他网络得到的结果进行比较，本专利方法所建立的模型在应用于料重比预测时网络规模最小，预测误差小，表明了该方法的有效性。
6、narx神经网络模型设计
模糊递归神经网络模型的输出作为narx神经网络模型的输入，narx神经网络模型输出作为时延神经网络模型的输入，narx神经网络模型的输出值作为鱼饲料配方的料重比；narx神经网络模型是一种带输出反馈连接的动态递归神经网络，在拓扑连接关系上可等效为有输入时延的bp神经网络加上输出到输入的时延反馈连接，其结构由输入层、时延层、隐层和输出层构成，其中输入层节点用于信号输入，时延层节点用于输入信号和输出反馈信号的时间延迟，隐层节点利用激活函数对时延后的信号做非线性运算，输出层节点则用于将隐层输出做线性加权获得最终网络输出。narx神经网络具有非线性映射能力、良好的鲁棒性和自适应性等特点，适宜对鱼饲料料重比进行预测。x(t)表示神经网络的外部输入，即模糊递归神经网络模型输出值；m表示外部输入的延迟阶数；y(t)是神经网络的输出，即下一时段的料重比预测值；n是输出延迟阶数；s为隐含层神经元的个数；由此可以得到第j个隐含单元的输出为：
上式中，wji为第i个输入与第j个隐含神经元之间的连接权值，bj是第j个隐含神经元的偏置值，网络的输出y(t+1)的值为：
y(t+1)＝f[y(t),y(t-1),…,y(t-n),x(t),x(t-1),…,x(t-m+1)；w](17)
本发明专利的narx神经网络模型是一种动态的前馈神经网络，narx神经网络是一个有着外部输入的模糊递归神经网络模型输出的非线性自回归网络，它有一个多步时延的动态特性，并通过反馈料重比输出值连接到网络输入的封闭网络的若干层，narx神经网络模型是非线性动态系统中应用最广泛的一种动态神经网络，其性能普遍优于全回归神经网络。一个典型的narx回归神经网络主要由输入层、隐层、输出层及输入和输出延时构成，在应用前一般要事先确定输入和输出的延时阶数、隐层神经元个数，narx神经网络模型的当时输出料重比不仅取决于过去y(t-n)时刻的输出料重比，还取决于当时的模糊递归神经网络模型输出作为输入向量x(t)以及输入向量的延迟阶数等。其中模糊递归神经网络模型输出作为输入信号通过时延层传递给隐层，隐层对输入信号进行处理后传递到输出层，输出层将隐层输出信号做线性加权获得最终的narx神经网络模型输出料重比，时延层将narx神经网络模型输出料重比反馈的信号和糊递归神经网络模型输出作为输入层输出的信号进行延时，然后输送到隐层。
7、时延神经网络模型
narx神经网络模型输出作为时延神经网络模型的输入，时延神经网络模型的输出作为糊递归神经网络模型的对应的输入。时间延迟神经网络(timedelayneuralnetworks，tdnn神经网络)是一个自适应线性网络，它的输入从网络左边进入,通过单步延时线d的作用,经过d步延时后成为d+1维向量的输入,该向量是由当前k个时刻narx神经网络模型输出的信号和k以前的d-1个narx神经网络模型输出的信号组合而成，神经元采用线性激活函数，时延神经网络属于传统人工神经网络的变种。时延神经网络结构由输入层、输出层和一个或若干个隐含层组成，由神经网络建立起“输入-输出”之间的映射关系。不同于传统的神经网络，时延神经网络通过在输入层对输入进行延迟实现对前序输入的记忆，通过在输入层对输入进行延迟，使网络可以利用之前的d步的输入与当前的输入共同预测当前时间点的输出，对于一个输入层延迟步数为d的时延神经网络，r为时延神经网络的前向传播算子，可以简单地把输入序列x与输出序列y之间的关系表示成如下形式：
y(t)＝r(x(t),x(t-1),…,x(t-d))(18)
8、料重比趋势预测模块设计
料重比趋势预测模块包括cnn卷积神经网络模型、lstm神经网络模型、arima模型和narx神经网络模型，鱼饲料料重比历史数据分别作为cnn卷积神经网络模型和arima模型的输入，cnn卷积神经网络模型和arima模型的输出作为narx神经网络模型的输入，narx神经网络模型的输出值作为料重比趋势预测模块的输出；料重比趋势预测模块见图2。cnn卷积神经网络模型、lstm神经网络模型和narx神经网络模型的分别参照上述设计过程，arima模型的设计过程如下：
arima模型是由box等提出的一种根据时间序列预测料重比建模方法,它可延伸到对被预测料重比的时间序列进行分析。本专利对arima模型的料重比时间序列特征的研究,采用3个参数用来分析料重比变化的时间序列,即自回归阶数(p)、差分次数(d)和移动平均阶数(q)。arima模型被写作为：arima(p,d,q)。以p、d、q为参数的arima模型方程可以表示如下:
δdyt表示yt经d次差分转换之后的序列，εt是时刻的随机误差，是相互独立的白噪声序列，且服从均值为0，方差为常量σ2的正态分布，φi(i＝1,2,…,p)和θj(j＝1,2,…,q)为arima模型的待估计参数，p和q为arima动态预测料重比模型的阶。arima动态预测料重比模型本质上属于线性模型，建模与预测包含4个步骤:(1)序列平稳化处理。如果料重比数据序列是非平稳的,如存在一定的增长或下降趋势等,则需对数据进行差分处理。常用的工具是自相关函数图和偏自相关函数图。如果自相关函数迅速趋于零,则料重比时间序列为平稳时间序列。如果时间序列存在一定的趋势,则需要对料重比数据进行差分处理,如果存在季节规律还需进行季节差分,如果时间序列存在异方差性,则还需先对料重比数据进行对数转换。(2)模型识别。主要通过自相关系数和偏自相关系数来确定arima动态预测料重比模型的阶数p，d和q。(3)估计模型的参数和和模型诊断。用极大似然估计得到arima动态预测料重比模型中所有参数的估计值,并检验包括参数的显著性检验和残差的随机性检验,然后判断所建料重比模型是否可取，利用选取合适参数的arima动态预测料重比模型进行料重比预测；并在模型中进行检验,以判定该模型是否恰当,如果不恰当就重新估计参数。(4)利用具有合适参数料重比模型进行料重比变化趋势进行预测。
9、环境评价模块设计
环境评价模块包括多个lstm神经网络模型、多个自联想神经网络模型和narx神经网络模型，多组温度、溶解氧和ph值传感器的输出分别作为对应的多个lstm神经网络模型的输入，多个lstm神经网络模型输出分别作为每个自联想神经网络模型的输入，多个自联想神经网络模型输出作为narx神经网络模型输入，narx神经网络模型的输出值作为环境评价模块的输出；环境评价模块见图2。自联想神经网络模型设计过程如下：自联想神经网络模型(auto-associativeneuralnetwor，aann)，一种特殊结构的前馈神经网络，自联想神经网络模型结构包括一个输入层，一定数量的隐含层和一个输出层。首先通过对的输入层、映射层以及瓶颈层实现了多个lstm神经网络模型输出的数据信息的压缩，从多个lstm神经网络模型输出的高维参数空间中提取了反映水产养殖环境评价等级系统结构的最具代表性的低维子空间，同时有效地滤去了水产养殖环境评价等级输入数据中的噪声和测量误差，再通过瓶颈层、解映射层和输出层实现水产养殖环境评价等级数据的解压缩，将前面压缩的信息还原到各个参数值，从而实现各水产养殖环境评价等级输入数据的重构。为了达到水产养殖环境评价等级信息压缩的目的，自联想神经网络模型络瓶颈层节点数目明显小于输入层，又为了防止形成水产养殖环境评价等级的输入输出层之间的简单单一映射，除了输出层激励函数采用线形函数外，其它各层均采用非线形的激励函数。从本质来讲，自联想神经网络模型的隐含层第一层叫作映射层，映射层的节点传递函数可能是s型函数也可能是其他类似的非线性函数；隐含层第二层叫做瓶颈层，瓶颈层的维数是网络中最小的，它的传递函数可能是线性的或者是非线性，瓶颈层避免了那种很容易实现的一对一的输出和输入相等的映射关系，它使自联想神经网络模型对水产养殖环境评价等级信号进行编码和压缩得到输入水产养殖环境评价等级的相关模型，并在瓶颈层后进行水产养殖环境评价等级解码和解压缩以产生水产养殖环境评价等级输入信号的估计值；隐含层第三层或最后一层叫做解映射层，解映射层的节点传递函数是通常是非线性的s型函数，自联想神经网用误差反向传播算法来训练。
(二)、鱼饲料配方萤火虫算法优化子系统设计
鱼饲料配方萤火虫算法优化子系统主要包括萤火虫种群初始化、确定荧光亮度、目标函数计算、萤火虫位置更新和最优鱼饲料配方确定共5个环节，萤火虫种群作为初始解随机地分布在搜索空间中，每只萤火虫被视为一种鱼饲料配方，它会被比它更亮的萤火虫吸引，萤火虫的吸引力与亮度成正相关，对于任何两只萤火虫，其中一只萤火虫会向着比它更亮的另一只萤火虫移动，亮度随着距离的增加而减少，萤火虫聚集到亮度高的萤火虫周围；鱼饲料配方萤火虫算法优化流程见图3，鱼饲料配方萤火虫算法优化子系统的优化过程如下：
1、萤火虫种群初始化
设鱼饲料配方由米糠、麸皮、豆饼、鱼粉和酵母粉组成，且每份鱼饲料配方中的每种材料含量都有一定范围，作为鱼饲料配方的约束条件，每种材料含量在该范围内才能满足鱼生长营养需要，每份鱼饲料配方中的每种材料含量(单位为千克)的限制范围如下：米糠为[35,45]，麸皮为[35,45]，豆饼为[9,13]，鱼粉为[9,13]，酵母粉为[1.5,3]。根据鱼饲料配方约束条件，随机生成代表鱼饲料配方中的5种材料的5个实数，它们排列在一起构成一个鱼饲料配方的萤火虫个体，定义为一个萤火虫的5维搜索空间，它们分别为b,c,d,e,f。连续产生这样的m个鱼饲料配方的萤火虫个体，m为萤火虫种群的规模，亦即每代鱼饲料配方的萤火虫个体数，设萤火虫数量为m，第i只萤火虫的空间位置为ai＝[bi,ci,di,ei,fi]；光强吸收系数为γ，最大吸引度为β0，步长因子为α；最大、最小权重为wmax，wmin，最大更新代数为smax。将萤火虫随机分布于5维空间，并设第i只萤火虫与第j只萤火虫之间的距离dijj为欧式距离，即下列公式：
2、确定荧光亮度
荧光亮度函数用来评价鱼饲料配方的萤火虫个体的优劣，作为鱼饲料配方优化过程优胜劣汰的依据，鱼饲料配方优化是对鱼饲料配方的材料含量进行优化组合，在达到鱼饲料营养标准的前提下力争鱼饲料配方的效益最好；每个鱼饲料配方的萤火虫个体作为鱼饲料配方料重比预测子系统的输入，鱼饲料配方料重比预测子系统的输出作为该饲料配方的萤火虫个体料重比的预测值，每个鱼饲料配方的萤火虫个体的料重比预测值的倒数作为该鱼饲料配方的萤火虫个体的荧光亮度，每个鱼饲料配方的萤火虫个体的料重比预测值的倒数越大，该鱼饲料配方的萤火虫个体的荧光亮度就越高，种群中每个鱼饲料配方的萤火虫个体的料重比预测值的倒数的和为该种群总的荧光亮度。
3、目标函数计算
如运算到指定的最大代数，到达后萤火虫算法即停止；或者鱼饲料配方的萤火虫个体荧光亮度与指定的鱼饲料配方的萤火虫个体荧光亮度的差值小于设定阈值作为以萤火虫算法的目标函数，该鱼饲料配方的萤火虫个体为最优解。
4、萤火虫位置更新
萤火虫向着荧光亮度比自身高的萤火虫所在方向移动，它们之间的吸引度决定了萤火虫的移动步长。萤火虫i，j之间的吸引度为：
由式(21)可进一步得到鱼饲料配方萤火虫的位置更新公式为：
式中:r为[0，1]上服从均匀分布的随机数；s为鱼饲料配方萤火虫当前更新代数。并逐个检查相应的新鱼饲料配方萤火虫个体是否满足鱼饲料配方的约束条件，若满足则新的鱼饲料配方萤火虫个体作为新一代成员；否则，舍弃新的鱼饲料配方萤火虫个体。
5、最优鱼饲料配方确定
在满足萤火虫算法停止条件后，计算每一只鱼饲料配方的萤火虫个体的荧光亮度，荧光亮度最大的饲料配方的萤火虫个体为最优的鱼饲料配方的萤火虫个体，得到鱼饲料最优配方。
八、一种鱼饲料检测与配方系统的设计举例
根据水产养殖环境大数据检测系统的实际状况，系统布置了水产参数采集平台与控制的检测节点、控制节点、网关节点和现场监控端的平面布置安装图，其中检测节点的传感器根据检测的需要均衡布置在水产养殖池塘的各个方位，通过该系统实现对水产养殖环境参数进行采集。
本发明方案所公开的技术手段不仅限于上述实施方式所公开的技术手段，还包括由以上技术特征任意组合所组成的技术方案。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。
- 还没有人留言评论。精彩留言会获得点赞！