[发明专利]一种淡水鱼养殖智能管理系统以及管理方法

权利要求书

1.一种淡水鱼养殖智能管理方法，其特征在于：包括以下步骤：

步骤100，在目标水域布置多个水质传感器采集目标水域的水质参数，所述水质参数包括酸碱度值、溶解氧浓度值、溶解盐浓度值、营养物质含量值以及无机盐浓度值；

步骤200，获取气象参数、时间参数、饲料参数、用药参数以及水质传感器的地理参数；

步骤300，建立基于多层注意力机制的预测模型，将所述水质参数、气象参数、时间参数、饲料参数、用药参数以及地理参数输入至所述预测模型，所述预测模型得出所述目标水域的监测参数，所述监测参数包括酸碱度值、水温度值、含氧量值以及氨氮浓度值；

步骤400，建立神经网络模型，将所述监测参数输入至所述神经网络模型，所述神经网络模型输出所述目标水域的水质预警级别。

2.根据权利要求1所述的一种淡水鱼养殖智能管理方法，其特征在于：所述步骤400之后还包括：

步骤500，根据所述目标水域的水质预警级别，采用决策树模型推荐应对措施。

3.根据权利要求1所述的一种淡水鱼养殖智能管理方法，其特征在于：所述步骤300包括以下步骤：

步骤310，建立基于多层注意力机制的预测模型，所述预测模型是编码器-解码器架构，所述预测模型包括两个LSTM网络(长短期记忆网络)，两个所述LSTM网络分别作为编码器以及解码器；

步骤320，将所述水质参数输入至作为编码器的LSTM网络，作为编码器的LSTM网络编码所述水质参数的时间序列值；

步骤330，将所述水质参数的时间序列值、所述气象参数、所述时间参数、所述饲料参数、所述用药参数以及所述地理参数输入至作为解码器的LSTM网络，作为解码器的LSTM网络预测所述监测参数未来的时间序列值。

4.根据权利要求3所述的一种淡水鱼养殖智能管理方法，其特征在于：所述步骤320包括：

步骤321，计算多个所述水质传感器之间的空间相关性，提取多个所述水质传感器的历史数据特征；

步骤322，根据多个所述水质传感器的历史数据特征，计算多粒度时空序列关系；

所述步骤330包括：

步骤331，根据多粒度时空序列关系，计算所述监测参数未来的时间序列值的影响权重；

步骤332，根据影响权重预测所述监测参数未来的时间序列值。

5.根据权利要求1所述的一种淡水鱼养殖智能管理方法，其特征在于：所述步骤400中，所述神经网络模型是T-S模糊神经网络模型，所述步骤400包括以下步骤：

步骤410，对所述监测参数未来的时间序列值进行模糊化处理，得出所述监测参数未来的时间序列值的隶属度；

步骤420，对所述监测参数未来的时间序列值进行规则化处理，得出所述监测参数未来的时间序列值的适用度；

步骤430，对所述监测参数未来的时间序列值进行反模糊化处理，对所述监测参数未来的时间序列值的适用度进行归一化计算，得到在不同规则下所述适用度所占的权重值；

步骤440，根据所述监测参数未来的时间序列值的适用度及其权重值计算所述目标水域的水质预警级别。

6.一种淡水鱼养殖智能管理系统，其特征在于：包括：

水质传感器，用于在目标水域采集水质参数，所述水质参数包括酸碱度值、溶解氧浓度值、溶解盐浓度值、营养物质含量值以及无机盐浓度值；

获取模块，用于获取气象参数、时间参数、饲料参数、用药参数以及水质传感器的地理参数；

预测模块，用于建立基于多层注意力机制的预测模型，并将所述水质参数、气象参数、时间参数、饲料参数、用药参数以及地理参数输入至所述预测模型，所述预测模型得出所述目标水域的监测参数，所述监测参数包括酸碱度值、水温度值、含氧量值以及氨氮浓度值；

预警模块，用于建立神经网络模型，并将所述监测参数输入至所述神经网络模型，所述神经网络模型输出所述目标水域的水质预警级别。

7.根据权利要求6所述的一种淡水鱼养殖智能管理系统，其特征在于：所述管理系统还包括：

推荐模块，用于根据所述目标水域的水质预警级别，采用决策树模型推荐应对措施。