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0.005 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。     

基于多维度特征和LightGBM的大闸蟹质量估算方法

大闸蟹是我国特有的名优水产养殖品种,其质量既是确定投喂量的重要依据,亦是评判其生长状况、品质等级的重要指标。为了准确估算蟹体质量,提出一种基于多维度特征和轻量梯度提升机(Light gradient boosting machine,LightGBM)的大闸蟹质量估算方法。首先通过相机获取蟹体图像,其次采用图像处理技术对图像进行分割以获取背甲图像,然后提取背甲二值图像的几何特征构成形状特征(Shape features,SF);提取不同颜色空间背甲图像的各通道分量值构成颜色特征(Color features,CF),并采用标定法计算特征值;最后采用基于LightGBM的方法预测大闸蟹质量。本文根据色泽表征其发育状况,提取背甲颜色特征与形状特征构成多维度特征,解决单一形状特征导致预测精度不高的问题;提取背甲轮廓比值作为形状特征,有效降低随机调整相机高度对特征值稳定性的影响;在真实数据集上进行预测,结果表明平均绝对误差(MAE)为2.751g,均方根误差(RMSE)为3.680g,决定系数R2为0.949。并与SF-LightGBM、SF3-LightGBM 、area-OLS、MF-BPNN和MF-SVM质量估算方法进行对比,本文方法的各评价指标的性能均有较大幅度提升,能够较准确地估算出大闸蟹蟹体质量。