[发明专利]养殖水体水质参数对养殖生物生长状态影响的预测方法

摘要

本发明公开了一种养殖水体水质参数对养殖生物生长状态影响的预测方法，通过选用同一养殖生物的品种，并且是同一生物品种的同一批幼虫，将它们进行养殖密度相同和饵料相同的不同养殖池内喂养，在投饵量以及投饵时间均一致的条件下，随机调控改变多项水质参数数值并记录，同时间的监测各个池内养殖生物的生长状态，作为人工神经网络的专家系统的输入和输出来建立这个生物生长状态的模型，然后利用该模型对生物的生长状态进行预测。该预测方法解决了以往传统简单的系统不能解决水产养殖生物生长领域知识的非线性、模糊性、不确定性问题。实现了养殖生物生长状态的准确监测和生长环境的调控。具有对生物养殖的实际生产具有较高的实际指导和应用作用。

主权项

一种养殖水体水质参数对养殖生物生长状态影响的预测方法，其特征在于包括如此步骤：(1)首先选用同一养殖生物的品种，并且是同一生物品种的同一批幼虫，将它们放养在养殖密度相同的不同养殖池内，采用种类相同的饵料喂养，并且投饵量以及投饵时间均一致；(2)随机调控改变水质参数中的温度、盐度、pH值、溶解氧和氨氮的数值且将它们的值一一记录下来，并在同一时间监测各个池内养殖生物的生长状态即养殖生物的体长或体重；(3)应用BP神经网络来实现养殖生物生长状态模型的知识库表示，以影响养殖生物生长的主要养殖水体水质参数中的温度、盐度、pH值、溶解氧和氨氮作为神经网络系统的输入量，同时引入时间t作为神经网络的另一输入量，将表征养殖生物生长状态的养殖生物的体长或体重作为人工神经网络系统的输出量，至此，构建专家系统知识库的神经网络模型建成；(4)对步骤(3)构建的神经网络模型进行学习训练，为了满足BP神经网络转换函数条件，在训练前要对训练样本做样本标准化处理，形成BP神经网络训练的标准化数据，训练时，首先把训练样本中的输入数据加载到神经网络模型的输入端，将训练样本中的输出数据加载到神经网络模型的输出端，进行学习训练；(5)利用知识获取机构把训练后的网络模型，包括网络结构、网络输入变量、权值矩阵、阈值矩阵、迭代次数、输出误差值信息存储于知识库中；(6)进行实际预测时，在计算机管理系统的推理模块里选择神经网络推理机制，输入相应的水质参数，即温度、盐度、pH值、溶解氧和氨氮，同时输入相应的时间变量t，推理机就会自动搜索步骤(5)所建立的知识库数据，在设定的输入量偏差范围内得到与此水质参数和养殖时间t相对应的养殖生物生长状态，即实现了养殖生物生长状态的预测。