[发明专利]基于长短期记忆网络的溶解氧预测方法与系统

说明书

本发明公开一种基于长短期记忆网络的溶解氧预测方法，包括：将预先采集的水产养殖生态环境的原始溶解氧数据进行归一化处理；搭建长短期记忆网络，并初始化所述长短期记忆网络的参数；将归一化后的原始溶解氧数据作为训练数据集，对所述长短期记忆网络进行训练，以生成所述长短期记忆网络预测模型；在线实时采集水产养殖生态环境的原始溶解氧数据，将实时采集到的溶解氧数据输入至所述长短期记忆网络预测模型，以得到溶解氧预测值。采用本发明实施例，能够提高溶解氧预测的准确性，同时本发明还提供基于长短期记忆网络的溶解氧预测系统。

技术领域

本发明涉及水产养殖业技术领域，尤其涉及一种基于长短期记忆网络的溶解氧预测方法与系统。

背景技术

现代鱼塘的水产养殖业中，监测水中溶解氧的含量变化对水产品的生存、生长和病害的预防具有至关重要的影响，水中溶氧量受水温、气压、盐度及水体富营养化等因素的影响，如果不能精确实时对水体溶氧量的变化做出预测，在水体的溶氧量过低的情况下采用相应的增氧措施，则会使水产因缺氧而大量死亡，从而使养殖户蒙受巨大的经济损失，严重制约着对水产养殖业的健康可持续发展。

传统的溶解氧预测方法为神经网络预测方法，其假设样本无限大，并基于经验风险最小化原则，其存在易陷于局部最优解、过学习、不适于高维数和小样本预测等缺陷。中国专利公开号CN105956702A提出了一种基于数据融合的溶解氧预测方法，首先进行原始溶解氧数据采集，然后优化数据得到更准确的数据，最后利用训练样本训练最小二乘支持向量机模型，获取最优最小二乘支持向量机预测模型。公开号CN106096780A提出了一种基于蚁群算法优化最小二乘支持向量机的溶解氧预测方法首先获取原始溶解氧数据，并对数据进行预处理，然后利用蚁群算法优化最小二乘支持向量机的惩罚因子和核函数宽度参数，得到各自的最优解，最后根据最优解算出溶解氧数据的预测值，这两种方法中最小二乘支持向量机的核函数宽度参数与惩罚因子选定是否合适严重制约着此方法的预测精度和性能。因而能否获取最优核函数宽度参数与惩罚因子是提高溶解氧的预测精度的关键，然目前为止还没有找到有效的最小二乘支持向量机的最优的核函数宽度参数和惩罚因子。

发明内容

本发明实施例提出基于长短期记忆网络的溶解氧预测方法与系统，能够提高溶解氧预测的准确性。

本发明一方面提供一种基于长短期记忆网络的溶解氧预测方法，所述方法包括：

S1：将预先采集的水产养殖生态环境的原始溶解氧数据进行归一化处理；

S2：搭建长短期记忆网络，并初始化所述长短期记忆网络的参数；

S3：将归一化后的原始溶解氧数据作为训练数据集，对所述长短期记忆网络进行训练，以生成所述长短期记忆网络预测模型；

S4：在线实时采集水产养殖生态环境的原始溶解氧数据，将实时采集到的原始溶解氧数据输入至所述长短期记忆网络预测模型，以得到溶解氧预测值。

在一种可选的实施方式中，所述将预先采集的水产养殖生态环境的原始溶解氧数据进行归一化处理，包括：

采用第一预设公式对所述原始溶解氧数据进行归一化处理；

其中，所述第一预设公式为：

在一种可选的实施方式中，所述初始化所述长短期记忆网络的参数，包括:

将输入层神经元的个数初始化为b；将输出层神经元的个数初始化为1；将隐含层细胞的个数初始化为所述输入层神经元的个数的2倍；

将各细胞输入门、输出门和遗忘门的偏置的初始值设置为随机值，以通过所述细胞的输入门、输出门和遗忘门的偏置的初始值构成所述细胞的初始值矩阵；其中，所述随机值由随机函数产生；

初始化所述输入层各神经元与各细胞的门、输入门、输出门和遗忘门之间的权重；