基于WTD-LSTM的对虾养殖水温组合预测模型

[目的]提高对虾养殖水温预测精度,及时掌握水产养殖水温变化规律.[方法]提出基于小波阈值降噪(Wavelet threshold denoising,WTD)和长短时记忆神经网络(Long short-term memory,LSTM)的水产养殖水温预测模型,利用WTD方法消除原变量间的相关性,减少数据噪声干扰并增强信...     

基于改进小波阈值的植物电信号降噪方法

多尺度分析方法对于小波分析参数选取与设计具有很强的依赖性，针对初步采集得到的植物电信号特点，提出一种小波阈值计算和选取方法，该方法融入了小波分解层数和调节因子，通过对小波阈值方法进行改进实现更加合理的植物电信号分解和降噪预处理。结果表明，该方法在植物电信号降噪效果方面获得了较好表现，同时根据信噪比(SNR)以及均方误差(MSE)计算结果，该方法进行降噪效果更为理想，能够满足信号分析需求。     

土壤有机质含量预测精度对光谱预处理和特征波段的响应

为了提高土壤有机质含量预测的精度,对光谱预处理方法和特征波段的选择进行了研究。分别用Savitzky-Golay平滑(SGS)、多元散射校正(MSC)、标准正态化(SNV)、标准正态化+去趋势(SNV_Detrend)、一阶导数(FD)、二阶导数(SD)、包络线去除(CR)和克里克滤波(KF)8种方法对33个水稻土土壤样本进行了光谱预处理,用分区极值法选择的特征波段进行了建模。结果表明:经过预处理以后,除了SGS和KF处理外,MSC、 SNV、 SNV_Detrend、 FD、SD、CR预处理获得的土壤光谱与土壤有机质(SOM)含量的相关性都得到了显著提高;CR预处理方法获得的预测模型精度最高,其标定集和验证集的决定系数分别是0.728和0.666,最小均方根误差(RMSE)分别是2.240 g/kg和2.770 g/kg;利用分区选择的4个特征波段建立的预测模型精度远高于利用4个相关系数最大绝对值对应的波段及所有相关系数绝对值大于0.5的77个波段建立的预测模型。CR预处理方法和基于分区极值选择的特征波段能够改善土壤有机质含量的预测精度。     

基于机器学习的梭鲈鱼生长发育模型

基于大数据、人工智能建立鱼类生长发育模型以实现水产养殖精细管理已成为关注的热点.本文介绍了梭鲈鱼养殖数据的来源以及采集、定性特征的处理等数据预处理方法,然后介绍了利用因子分析和主成分分析两种方法进行降维处理的步骤,最后详细介绍了机器学习数据集划分方法和运用BP神经网络、支持向量机、XGBoost 3种方法建立梭鲈鱼生长...     

基于近红外光谱法对羊肉嫩度测定

南疆小尾寒羊肉的嫩度为研究对象,首先使用近红外光谱仪采集羊肉的近红外光谱数据,使用C-LM4型数显式肌肉嫩度仪进行肌肉嫩度测量;之后分别对原始近红外光谱数据和采用多元散射校正预处理后的光谱数据使用连续投影法选取特征波长,选取的波长数目均为5,最后均采用偏最小二乘法(Partial least squares,PLS)建立嫩度和近红外光谱数据的嫩度预测模型,模型的评价指标使用交叉验证均方差(Cross validation mean square error,RMSPCV)、预测均方差(Mean square error of prediction,RMSEP)、预测精度(precision)和相关系数(correlation coefficient)来衡量,通过比较发现:采用多元散射校正(Multiple scattering correction,MSC)预处理后的光谱数据获得的特征波长来建立的模型的预测精度为0.963 29,相关系数的数值为0.877 5,用原始光谱数据获得的特征波长来建立的模型的预测精度为0.958 47,相关系数的数值是0.859 41,前者明显优于后者,这对以后相关学科的研究起到很好的指导作用。     

基于多网络融合的水体浊度预测方法

浊度是水产养殖中的重要水质指标,利用水质参数进行浊度预测对于水产养殖过程具有重要意义.该文提出一种基于改进的双向长短期记忆(BiLSTM)、残差网络(ResNet)和多头注意力机制网络(Multi-head Attention)相融合的浊度预测模型,并利用太湖水体数据进行验证.实验结果表明,该融合模型的R_(RMSE)...     

基于ZigBee技术的水产养殖环境监测系统

[目的]实时监测水产养殖中的水环境,提高水产品产量。[方法]采用无线传感器网络的ZigBee技术设计可以实时采集、显示和处理水产养殖中水体的温度、溶解氧含量和pH等水环境因素,适合养殖环境中水水质的监测系统。[结果]监测系统传输稳定,传输的数据正确率达98%以上,达到预期要求。[结论]基于ZigBee技术的水产养殖环境监测系统可以实现数字化养殖,提高水产品产量。     

物联网在水产养殖中的应用

传统水产养殖业以牺牲自然环境资源和大量的物质消耗等粗放式饲养方式为主要特征,经济效益低且污染水体环境.而基于物联网技术的智能水产养殖系统,则能集数据、图像实时采集、无线传输、智能处理和预测预警信息发布、辅助决策等功能于一体,通过对水质参数的准确检测、数据的可靠传输、信息的智能处理以及控制机构的智能化自动控制,实现水产养殖的精细管理.     

基于近红外光谱的库尔勒香梨等级判别模型研究

以库尔勒香梨的含糖量作为研究和检测指标,使用便携式近红外光谱仪采集香梨样本光谱数据,采用一阶差分、二阶差分、标准正态变量变换(SNV)、多元散射校正(MSC)等预处理方法对原始光谱进行预处理分析,研究香梨糖分的近红外光谱响应,并使用相关系数法提取12个特征波长变量,根据库尔勒香梨标准,以糖度特征光谱数据作为参数,利用最近邻域法(KNN)、支持向量机(SVM)、随机森林(RF)方法建立库尔勒香梨等级判别模型。结果表明,KNN模型的分类结果优于其它两种预测模型,可用于构建基于近红外光谱的库尔勒香梨等级评判模型。MSC+KNN处理方法可用于构建库尔勒香梨等级评判模型,为进一步研究库尔勒香梨等级评判的便携式检测装置提供理论参考。     

水质环境因子(pH值)监控系统的设计

采用上下位机的结构,研制一个能在线监测pH值的水产养殖环境因子监测系统,其主要特点是采用VB编写上位机程序,上位机既可实时对数据进行采集、存储,又可以对历史数据进行显示、处理。该系统操作方便,人机界面友好。     

基于DBN-LSSVR的南美白对虾养殖溶解氧预测

为了提高南美白对虾(Litopenaeus vannamei)养殖溶解氧预测的精度,提出了深度信念网络融合最小二乘支持向量回归机(Deep belief nets-least squares support vector regression,DBN-LSSVR)的南美白对虾养殖溶解氧预测模型.首先,采用深度信念网络(Deep belief nets,DBN)方法,多尺度提取养殖水质时序数据的特征向量;然后,使用提取的养殖水质特征向量训练和优化DBN-LSSVR,构建了基于DBN-LSSVR的对虾养殖水质溶解氧预测模型;最后,以广州市番禺区南美白对虾养殖水质溶解氧实测数据为基础,对预测模型进行了实验验证,并与浅层BP神经网络、标准最小二乘支持向量回归机进行了对比分析.所构建的模型具有较高的预测精度和泛化性能,是一种有效的南美白对虾养殖溶解氧预测方法.     

水产养殖环境智能监控技术的效益评价 对江苏省宜兴市河蟹养殖户的调查

水产养殖环境智能监控技术是基于智能传感技术、智能信息处理技术及智能控制技术等物联网技术开发的,集数据、图像实时采集、无线传输、智能处理和预测预警信息发布、辅助决策等功能于一体的现代化水产养殖支撑系统。当前,在我国山东、广东和江苏等的水产养殖区域已经得到推广。本文基于对江苏省宜兴市河蟹养殖户的调查数据,分析水产养殖环境智能监控技术的实施效益和存在问题,并提出有针对性     

基于NB-IoT的智慧水产养殖系统设计

目前,我国传统水产养殖面临着自然资源占用率高、环境污染严重、技术落后及养殖面积减少等问题。为实现智慧化水产养殖,基于窄带物联网（Narrow Band Internet of Things,NB-IoT）设计一款智慧水产养殖系统。该系统采用STM32F103ZET6单片机为核心处理器,搭配外围电路及相应传感器实现复杂环境下的数据采集、处理功能,并对比阈值实现自动控制,采集的数据通过NBIoT无线通信技术实时发送至云平台,用户可通过可视化界面直观了解实时状况并实现远程控制。     

水产养殖环境智能监控技术的效益评价*

水产养殖环境智能监控技术是基于智能传感技术、智能信息处理技术及智能控制技术等物联网技术开发的,集数据、图像实时采集、无线传输、智能处理和预测预警信息发布、辅助决策等功能于一体的现代化水产养殖支撑系统。当前,在我国山东、广东和江苏等的水产养殖区域已经得到推广。本文基于对江苏省宜兴市河蟹养殖户的调查数据,分析水产养殖环境智能监控技术的实施效益和存在问题,并提出有针对性的政策建议。     

城市用水量非线性组合预测方法研究

利用小波网络构造模型的优化组合函数,建立了城市用水量非线性组合预测模型.将非线性组合函数的拟合转化为小波网络参数的估计,采用遗忘因子法训练网络的权值,利用递推预报误差算法训练尺度因子和平移因子.实例表明,该方法具有很强的泛化能力与自适应数据和函数变化的能力,能够有效提高预测精度,克服了线性组合预测方法适应性不强的问题.     

基于SVR 和PLSR 的土壤有机质高光谱估测模型研究

【目的】探讨高光谱遥感数据不同预处理及不同估测算法下土壤有机质估测模型的优劣,为提高土壤有机质估测精度奠定基础。【方法】使用高光谱仪在室内条件下对土壤样品进行光谱测量,对光谱数据进行4种去噪处理(无去噪处理、Savitzky-Golay(S-G)平滑滤波去噪、小波包去噪以及S-G平滑与小波包结合去噪),然后对去噪后的光谱数据进行8种数据变换(原始光谱数据R、倒数1/R、对数log(R)、倒数对数log(1/R)、一阶导数R′、倒数一阶导数(1/R)′、对数一阶导数(log(R))′、倒数对数一阶导数(log(1/R))′),接着对变化后的光谱数据进行3种降维处理(无降维处理、敏感波段降维和主成分分析降维),最后运用支持向量回归法和偏最小二乘回归法分别建立SOM含量估测模型。【结果】研究中所涉及的各种数据预处理和估测算法中,小波包去噪、PCA降维、反射率倒数一阶导数(1/R)′光谱数据变换处理条件下,使用PLSR方法的估测模型精度最高、模型最稳定,可以较精确地估测吉林省伊通县SOM含量。【结论】合适的数据预处理,尤其是小波包去噪和PCA降维相结合,可有效改善光谱数据质量,提高SOM含量估测模型精度及稳定性。     

基于小波分解的凡纳滨对虾养殖水体水质的仿真研究

依据凡纳滨对虾养殖水体中测定的水质数据,利用ARMA 模型和神经网络模型两种方法对水质动态进行预测和分 析,提出了一种基于小波分解且针对凡纳滨对虾养殖水体水质预测的ARMA 模型,且ARMA（p,q）模型中的p 值和q 值分别为4和2。预测结果表明,所建立的预测模型精度较高。将ARMA 模型预测的结果与神经网络预测的结果进行了对比后发现,基于小波分解的ARMA 模型对对虾养殖水体水质预测的有效性和准确性优于神经网络预测模型。     

高清视频车辆检测及跟踪系统的设计与实现

针对目前视频车辆检测与跟踪系统存在检测精度低、跟踪稳定性差等问题,设计基于数字信号处理器(DSP)和现场可编程门阵列(FPGA)结构的高清视频车辆检测和跟踪系统。该系统采用高清摄像机为图像采集单元,利用现场可编程门阵列对采集到的IP视频图像进行实时图像解码和图像预处理,高性能DSP做为系统主控单元实现前景提取、车辆检测、识别和跟踪等功能,DSP与FPGA之间的数据交换通过两路高速串行接口连接,以满足运算处理时大批量中间数据的交互;采用基于背景图像差分检测方法进行运动目标的实时检测,通过计算目标物体的紧密度对运动目标进行分类,利用区域特征跟踪法来快速跟踪图像序列中的车辆目标。试验结果表明:与普通视频相比,高清视频条件下对视频图像进行处理,在定位及寻找物体边缘方面具有优势,提高检测精度10%以上,能够实现对运动车辆的实时、准确、快速跟踪。     

基于自注意力机制和改进的K-BiLSTM的水产养殖水体溶解氧含量预测模型

为精确预测水产养殖水体溶解氧含量,本研究提出一种基于自注意力机制(ATTN)和改进的K-means聚类-基于残差和批标准化(BN)的双向长短期记忆网络(BiLSTM)的水产养殖水体溶解氧含量预测模型。首先,根据环境数据的相似性,使用改进的K-means算法将数据划分成若干个类别;然后,在BiLSTM基础上构建残差连接和加入BN完成高层次特征提取,利用BiLSTM的长期记忆能力保存特征信息;最后,引入自注意力机制突出不同时间节点数据特征的重要性,进一步提升模型的性能。试验结果表明,本研究提出的基于自注意力机制和改进的K-BiLSTM模型的平均绝对误差为0.238、均方根误差为0.322、平均绝对百分比误差为0.035,与单一的BP模型、CNN-LSTM模型、传统的K-means-基于残差和BN的BiLSTM-ATTN等模型相比具有更优的预测性能和泛化能力。     

基于小波变换的GM(1,1)-ARIMA组合模型对粮食产量的预测

为提高粮食产量的预测精度,针对粮食产量的数据特点,提出了在小波变换的基础上,结合GM(1,1)模型与ARIMA模型的优点,建立GM(1,1)-ARIMA组合预测模型。首先,通过小波变换对非平稳序列进行分解,得到近似分量和细节分量;针对各分量序列的不同特征,采用灰色GM(1,1)模型对近似分量进行趋势预测,为进一步提高趋势信号的预测精度,使用灰色GM(1,1)模型对预测序列进行残差修正;然后,采用ARIMA预测模型对分离出的细节分量进行预测;最后,通过小波重构得到粮食产量的预测值。预测结果表明,基于小波变换的GM(1,1)-ARIMA模型的拟合平均误差为0. 69%,通过对2011—2014年粮食产量的预测,其预测平均误差低于1%,为粮食产量预测提供了一种新的技术途径。