基于MFO-LSTM的母猪发情行为识别

及时准确识别母猪的发情行为可以有效增加受胎率和产仔量,对提高养殖企业的繁育水平和经济效益具有重要意义。该研究针对生猪养殖过程中母猪发情行为识别存在主观性强、智能化水平低、假警报和错误率高、识别不及时等问题,提出了一种基于飞蛾扑火算法(Moth-Flame Optimization,MFO)优化长短时记忆网络(Long Short Term Memory,LSTM)的母猪发情行为识别方法。利用安装在母猪颈部的姿态传感器获得母猪姿态数据,然后使用姿态数据训练MFO-LSTM姿态分类模型,将母猪姿态分为立姿、卧姿和爬跨3类。通过对姿态分类结果进行分析,确定以爬跨行为和活动量2个特征作为发情行为识别依据,使用MFO-LSTM分类算法判断母猪是否发情。以山西省太原市杏花岭区五丰养殖场的试验数据对该方法进行验证,结果表明,该方法在以30 min为发情行为识别时间时的识别效果最好,发情行为识别的错误率为13.43%,召回率为90.63%,特效性为81.63%,与已有的母猪发情行为识别方法相比错误率降低了80%以上。该方法在保证识别准确率的情况下有效降低了错误率,可满足母猪养殖生产过程中发情行为自动识别要求。     

流水号在互联网报文传输中的应用

使用流水号实现报文的丢失检测和重发功能是电报网中广泛使用的一种方法。将流水号方法应用到互联网报文传输中。研究了使用流水号方法的基本规则、命令格式、工作流程和应用特点。在设计的公路货运信息系统中应用了流水号方法，结果表明，方法简单容易实现，节省了客户机和服务器的大量时间，基本上实现了设计要求。在对信息完整性要求不是十分严格、网络数据流量较大的系统中可以采用流水号方法实现报文的丢失检测和重发。     

基于物联网的南美白对虾疾病远程智能诊断系统

为降低南美白对虾养殖风险,提高其疾病诊断与防治水平,将多种传感器在线采集的对虾养殖生态环境数据、3G手机获取的疾病图片和疾病诊治经验等多种数据进行融合,采用基于案例推理和规则推理相集成的混合推理、粗糙集融合多分类支持向量机、图像处理等多种方法,研制了基于物联网的南美白对虾疾病远程智能诊断系统。在浙江、广东等省对虾养殖区域进行现场验证,试验结果表明:该系统不仅实现了远程监测对虾养殖生态环境数据、对虾疾病图像、诊治经验数据和诊治推理规则等知识管理功能,还能够在多种数据融合的基础上,实现对虾疾病远程智能诊断与防治、疾病预警等功能。     

基于时间序列GA-SVR的水产品价格预测模型及验证

水产品价格的准确预测有助于合理规划水产养殖,正确引导水产行业的发展。根据水产品价格序列的非线性、非平稳和周期性特点,提出了一种基于时间序列遗传优化(genetic algorithm,GA)支持向量回归(support vector regression,SVR)的水产品价格预测模型。该模型首先通过时间序列分析方法对价格序列进行平稳性检验和确定相关阶数,得到训练数据集;再利用遗传算法对支持向量回归模型的参数组合进行寻优,使用优化后的参数建立支持向量回归模型,然后使用模型进行预测。分别选取桂鱼、基围虾、梭子蟹的价格数据对模型进行验证,选取2011-2014年的数据作为训练集,对2015年价格进行预测,结果表明:桂鱼、基围虾、梭子蟹的平均绝对误差分别为6.70%、7.82%、14.76%,均方根误差分别为5.853 1、23.701 1、13.858 0,且优于基于时间序列的SVR模型及BPANN模型的预测结果,可以为水产品价格的预测提供依据。     

基于DeepAR-RELM的池塘溶解氧时空预测方法研究

水体溶解氧(Dissolved oxygen，DO)是养殖水产品健康生长的重要生态因子。池塘溶解氧易受多种因素的影响，会产生时间和空间上分布的差异，现有的溶解氧预测方法大多是针对单监测点的时间序列预测，无法描述池塘溶解氧的空间分布，因此，对池塘溶解氧进行时间和空间预测非常重要。本文提出一种基于自回归循环神经网络(Autoregressive recurrent neural network，DeepAR)和正则化极限学习机(Regularized extreme learning machine，RELM)的池塘溶解氧时空预测方法。首先采用样本熵(Sample entropy，SE)衡量各个监测点溶解氧序列的波动程度，采用最大互信息系数(Maximum mutual information coefficient，MIC)衡量监测点溶解氧序列之间的相关性，综合选取出溶解氧序列波动程度较小且与各个监测点相关性较大的监测点作为中心监测点，并以中心监测点为原点，建立池塘空间坐标系；其次采用DeepAR算法构建中心监测点的溶解氧时间序列预测模型，实现中心监测点溶解氧时间序列预测；最后采用RELM算法构建中心监测点与池塘各位置溶解氧之间的空间映射关系模型，结合中心监测点溶解氧时间序列预测值和池塘空间坐标，实现对未来时刻池塘溶解氧的空间预测。该方法在提高时间序列预测精度的同时，实现了对未来时刻池塘溶解氧空间状态的预测。在真实的数据集上进行测试，预测未来24h的池塘空间溶解氧值，均方根误差(RMSE)为1.2633mg/L、平均绝对误差(MAE)为0.9755mg/L、平均绝对百分比误差(MAPE)为14.8732%。并与标准极限学习机（Extreme learning machine，ELM）、径向基神经网络（Radial basis function neural network，RBFNN）、梯度提升回归树（Gradient boosting regression tree ，GBRT）和随机森林（Random forest，RF）4种预测方法进行对比，各评价指标的性能均有较大幅度提升，表明该方法有较好的预测精度和泛化能力，能够较准确地实现池塘溶解氧时空预测。     

基于建模预测与关系规则的养殖水体溶解氧含量调控方法

为了保证养殖水体溶解氧充足,水产养殖普遍采用全天大功率开启增氧机的生产方式,这造成了很大的能源消耗。针对上述问题,本文提出了一种基于建模预测与关系规则库的溶解氧调控方法,首先构建了一种自适应增强的粒子群优化极限学习机预测模型（AdaBoost-PSO-ELM）,实现溶解氧含量的准确预测;然后进行增氧预实验,采用曲面拟合方法对溶解氧初始含量、曝气流量和增氧机开启时间之间的作用关系进行精确量化,构建关系规则库;最后专家系统基于溶解氧含量预测值,调用已建立的关系规则库,合理控制增氧机的开启功率与时间。与其它常规的预测模型相比,AdaBoost-PSO-ELM模型的MSE、MAE和RMSE均为最优,分别为0.0055mg2/L2、0.0531mg/L、0.0745mg/L,可以实现溶解氧的准确预测。增氧实验结果表明,基于三次多项式的先验方程能够对〖JP2〗溶解氧初始含量、曝气流量和增氧机开启时间之间非线性关系进行准确量化,拟合R2均在0.99以上。由此可知,基于量化结果所构建的规则库与预测模型相结合能够合理控制增氧机的开启功率与时间,节省电能和提高养殖效率。     

基于建模预测与关系规则的养殖水体溶解氧含量调控方法

为了保证养殖水体溶解氧充足,水产养殖普遍采用全天大功率开启增氧机的生产方式,这造成了很大的能源消耗。针对上述问题,本文提出了一种基于建模预测与关系规则库的溶解氧调控方法,首先构建了一种自适应增强的粒子群优化极限学习机预测模型（AdaBoost-PSO-ELM）,实现溶解氧含量的准确预测;然后进行增氧预实验,采用曲面拟合方法对溶解氧初始含量、曝气流量和增氧机开启时间之间的作用关系进行精确量化,构建关系规则库;最后专家系统基于溶解氧含量预测值,调用已建立的关系规则库,合理控制增氧机的开启功率与时间。与其它常规的预测模型相比,AdaBoost-PSO-ELM模型的MSE、MAE和RMSE均为最优,分别为0.005 5 mg²/L²、0.053 1 mg/L、0.074 5 mg/L,可以实现溶解氧的准确预测。增氧实验结果表明,基于三次多项式的先验方程能够对溶解氧初始含量、曝气流量和增氧机开启时间之间非线性关系进行准确量化,拟合R²均在0.99以上。由此可知,基于量化结果所构建的规则库与预测模型相结合能够合理控制增氧机的开启功率...     

基于Web数据的农业网络信息自动采集与分类系统

为了快速、高效地获取农业Web信息,解决信息孤岛和信息不对称的问题,重点研究了农业Web数据自动采集与抽取、基于SVM(support vector machine)的文本分类、物联网异构数据采集等技术,并采用统一建模语言(unified modeling language,UML)描述了农业网络信息自动采集与分类系统。该系统实现了农业网站、物联网数据的自动抓取和共享,为用户提供农业资讯、农产品市场行情、供求信息在线查询,环境数据实时监测和个性化信息服务等功能。应用结果表明,该系统对样本集网站的信息抓取准确率为98.2%,资讯分类准确率为92.5%,具有数据采集实时性强、用户参与度好、通用性高等特点,该系统为农业信息整合和服务提供参考。     

鱼病诊断短信平台设计与实现

由于农村很多地区不具备互联网服务条件,基于Web的鱼病诊断专家系统使用受到了一定的限制。针对移动电话普及范围广、手机短信使用方便的特点,围绕短信平台技术,对鱼病诊断短信平台诊断流程和系统编码进行设计,并用Java语言对鱼病诊断短信平台进行开发,实现了养鱼户通过短信方式实时进行鱼病诊断的功能。试验结果表明,鱼病诊断短信平台平均反应时间为20 s,天津地区淡水鱼常见鱼病诊断正确率为93.57%。从技术手段上进一步推进了鱼病智能诊断的应用,对扩大鱼病诊断知识的应用范围起到了积极的作用。     

水产养殖大数据技术研究进展与发展趋势分析

水产养殖对象特殊、环境复杂、影响因素众多,精准地监测、检测和优化控制极其困难。大数据技术结合数学模型,把水产养殖产生的大量数据加以处理和分析,并将有用的结果以直观的形式呈现给生产者与决策者,是解决上述难题的根本途径。本文主要对水产养殖大数据技术研究进展与发展趋势进行了深入剖析,提出了水产养殖业大数据技术的总体架构;分析了水产养殖大数据的来源和获取手段,重点总结了几种水产养殖大数据分析技术的研究进展和现有水产养殖大数据平台及其提供的应用服务;最后针对水产养殖与大数据技术结合过程所面临的困难与挑战,从实现全面感知、全产业链数据智能分析与自动决策、水产养殖大数据标准体系建设等方面提出水产养殖大数据技术的发展方向。数据是根本,分析是核心,利用大数据技术提高水产养殖综合生产力和效益是最终目的,应深度挖掘现实需求,整合水产养殖全产业链数据,加强基础理论和核心关键技术研究,从而推进大数据技术与水产养殖产业的深度融合,支撑我国水产养殖业彻底转型升级。