共查询到17条相似文献，搜索用时 171 毫秒
1.
蛋鸡设施养殖环境质量对蛋鸡的健康生长和生产性能的提升至关重要。蛋鸡养殖环境是多环境因子相互影响制约的复杂非线性系统,凭借单一的养殖环境参数难以对环境质量做出准确有效的评价。针对上述问题,本研究综合蛋鸡设施养殖环境的温度、湿度、光照强度、氨气浓度等多个环境影响因子,在布谷鸟搜索算法优化神经网络（CS-BP）预测模型的基础上,构建了改进的CS-BP的蛋鸡设施养殖环境质量评价预测模型。将构建的改进CS-BP预测模型与BP神经网络、遗传算法优化BP神经网络（GA-BP）、粒子群算法优化BP神经网络（PSO-BP）3种深度学习方法进行性能参数分析比对,结果表明：改进CS-BP评价预测模型的平均绝对误差（MAE）、平均相对误差（MAPE）和决定系数（R2）分别为0.0865、0.0159和0.8569,其各项指标性能均优于上述3种对比模型,该模型具有较强的模型泛化能力和较高的预测精度。对改进CS-BP的蛋鸡设施养殖环境质量评价模型进行测试,其分类准确率达0.9333以上。本研究构建的模型可以为蛋鸡设施养殖环境质量提供更加全面有效的科学评价,对实现蛋鸡生产环境的最优控制,促进蛋鸡生产性能的提升具有重要意义。 相似文献
2.
在稻虾养殖模式中溶解氧含量(浓度)是养殖水体的重要指标之一,其直接影响小龙虾的摄食量和新陈代谢,因此在养殖过程中精准预测溶解氧含量至关重要。针对稻虾养殖中溶解氧含量变化复杂,难以快速准确预测的问题,提出了BiLSTM-GRU融合神经网络预测模型。为了保证精准预测,首先对传感器进行了清洗校准,并根据偏移量对历史数据进行了修正。在此基础上构建了基于BiLSTM和GRU的融合神经网络训练模型,BiLSTM提取更多特征因子,GRU实现快速预测,快速准确预测溶解氧含量变化。为了使监测预测性能更优,对不同采样周期下的资源损耗及预测模型性能进行综合对比分析,确定了传感器数据最优采样周期为30 min。进一步与LSTM、GRU、BiLSTM以及BiGRU模型对比,表明本文提出的BiLSTM-GRU融合神经网络模型的预测效果更好,其平均绝对误差、均方根误差和决定系数分别为0.275 9 mg/L、0.616 0 mg/L和0.954 7,比传统的LSTM神经网络模型分别高25.14%、13.25%和2.22%。 相似文献
3.
基于遗传算法与RBF网络的养殖池塘溶解氧模型 总被引：1，自引：0，他引：1
在分析了工厂化水产养殖池塘溶解氧影响因素的基础上,利用RBF神经网络良好的非线性逼近能力建立了池塘溶解氧的神经网络预测模型.常规的RBF神经网络模型常导致训练时间较长且易陷入局部极小点,因此,采用自适应遗传算法对RBF神经网络进行优化,模型的收敛速度明显加快.采用了养殖池塘的外部可控环境水体温度T、水流量Q、酸度(pH)以及增氧机器的转速V作为模型的输入.实验结果表明采用该方法预报溶解氧的预测精度较常规RBF递推算法的预测精度明显提高.该方法为研制开发智能水产养殖环境监控系统以及工厂化水产养殖奠定了基础. 相似文献
4.
基于IPSO优化BP神经网络的蛋鸡舍有害气体监测系统 总被引：1，自引：0，他引：1
为实现蛋鸡养殖过程有害气体浓度监测,改善复杂环境下常用气体传感器之间因存在交叉敏感性而导致测量数据不准确的问题,设计了基于IPSO优化BP神经网络模型的有害气体监测系统。选用无线ZigBee模块、传感器模块和STM32模块,搭建了蛋鸡舍各点数据采集硬件平台,利用GPRS远程通信模块将平台采集到的数据传输至服务器,同时开发手机APP软件,对有害气体进行实时监测。利用权重线性递减及改进学习因子的IPSO算法,对BP神经网络进行优化,利用优化后的网络对气体传感器采集到的数据进行处理,有效提高了有害气体的数据精度。利用该系统对河北省保定市某鸡舍有害气体进行测试实验,将传感器测量值与真实值进行对比分析,验证了利用IPSO优化BP神经网络模型的有效性。测试表明,SGP30型二氧化碳传感器测量精度由81.75%提升到94.69%,MQ135型氨气传感器由61.83%提升到91.23%,MQ137型氨气传感器由70.18%提升到91.23%,MQ136型硫化氢传感器由62.35%提升到92.80%,TGS2602型硫化氢传感器由62.97%提升到92.80%。本研究为蛋鸡养殖过程中有害气体的精确监测提供了新方法。 相似文献
5.
6.
利用遗传算法优化BP神经网络的连接权值和阈值,并将改进的BP神经网络应用于胶铆接头力学性能预测中,建立了胶铆接头最大拉剪力预测模型。结果表明:GA-BP神经网络比BP神经网络的收敛时间长,但GA-BP网络预测相关系数更好,回归性能更好,具有更好的泛化能力。对训练好的神经网络预测模型进行验证,发现GA-BP神经网络预测的均值绝对误差为BP神经网络均值绝对误差的40%,GA-BP神经网络具备更好的预测性能。 相似文献
7.
传统池塘河蟹养殖主要依靠渔民根据经验来估算投饵量,通过人工撑船投喂饵料,饵料利用率低且劳动强度大。由于河蟹具有领地意识且移动范围较小,池塘各处河蟹分布不均匀,因此河蟹养殖需要科学精准投饵。现有河蟹养殖投饵作业方式粗放,无法满足河蟹高效生态养殖需求。为了掌握河蟹生长规律,更加科学高效地投饵喂料,本文设计基于河蟹生长模型的精准投饵系统。利用灰色关联度分析法确定对河蟹生长发育影响最大的环境因子。在传统水产生物生长模型基础上,加入环境因子进行改进,从线性和指数两个角度对河蟹生长模型进行优化拟合。利用遗传算法（GA）-反向反馈神经网络（BP神经网络）(GA-BP神经网络)对精准投饵预测模型进行训练,通过输入水温、溶解氧含量、pH值等环境参数,推算出最佳环境影响因子数值。根据河蟹生长模型、养殖密度、养殖面积得出河蟹总质量,结合河蟹生长期存活率与投喂率便可得出总投饵量。根据池塘河蟹实际分布密度和水质参数,确定池塘各区域的饵料分配系数,将总投饵量科学地分配到池塘各个区域。通过仿真得出预测投饵量决定系数R2为0.990,预测模型具有较好的拟合效果。池塘投饵试验结果表明,基于河蟹生长... 相似文献
8.
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。 相似文献
9.
10.
为了实现不同土壤水分管理下的CO 2气肥精细控制,建立了番茄作物不同生长阶段的光合速率预测模型。实验设置了4个CO 2浓度与3个土壤水分条件的交互处理,利用无线传感器网络长期实时监测温室内环境信息,采用LI-6400XT型光合速率仪定时采集作物净光合速率信息;并用BP神经网络分别建立了番茄苗期、花期和果期的光合速率预测模型。预测模型的验证结果表明,对于苗期预测模型,预测值与实测值之间的决定系数 R 2为0.925;花期预测模型的决定系数 R 2为0.920,果期预测模型的决定系数 R 2为0.958;番茄各生长期的光合速率预测模型均具有较高的预测精度。在不同土壤水分条件下改变CO 2浓度,得到的CO 2浓度与光合速率预测曲线与实测值相近,可反映实际土壤水分管理下的CO 2浓度最优值,对指导不同土壤水分条件下CO 2气肥的精细调控具有重要意义。 相似文献
11.
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。 相似文献
12.
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... 相似文献
13.
针对目前温室环境系统中,环境监测数据只能反映当前环境状况,无法预测温室环境变化趋势,导致温室环境控制效果差的问题,提出一种基于Elman神经网络的温室环境因子预测方法。以采集的温室内温度、湿度以及二氧化碳浓度的历史数据作为预测模型的输入,建立Elman神经网络预测模型,进而实现精确的温室环境因子变化预测。结果表明,Elman模型优于BP和RBF模型,温度、湿度和二氧化碳浓度预测结果的均方误差分别为0.003 9、0.005 9和0.028 3,决定系数分别为0.991 5、0.967 8和0.973 9。该模型预测结果较理想,可以为温室环境调控提供一定的决策支持。 相似文献
14.
基于GA-BP神经网络的池塘养殖水温短期预测系统 总被引：1，自引：0，他引：1
为解决传统的水温小样本非实时预测方法预测精度低、鲁棒性差等问题,基于物联网实时数据,提出了遗传算法(GA)优化BP神经网络的池塘养殖水温短期预测方法,并在此基础上设计开发了池塘养殖水温预测系统,首先采用主成分分析法筛选出影响池塘水温的关键影响因子,减少输入元素;然后使用遗传算法对初始权重和阈值进行优化,获取最优参数并构建了基于BP神经网络的水温预测模型;最后采用Java语言开发了基于B/S体系结构的预测系统。该系统在江苏省宜兴市河蟹养殖池塘进行了预测验证。结果表明:该系统在短期的水温预测中具有准确的预测效果,与传统的BP神经网络算法相比,研究内容评价指标平均绝对误差(MAE)、平均绝对百分误差(MAPE)和误差均方根(MSE)分别为0.196 8、0.007 9和0.059 2,均优于单一BP神经网络预测,可满足实际的养殖池塘水温管理需要。 相似文献
15.
水产养殖水质环境无线监测系统设计与实现 总被引：2，自引：0，他引：2
针对目前水产养殖环境监测手段及监测设备基础薄弱、相对落后的现状,应用无线传感技术、嵌入式计算技术、微机电技术(MEMS)、分布式信息处理技术及无线通信网络技术于一体的无线传感器网络,为水产养殖环境提供数字化、网络化、智能化的实时动态监测系统。该系统不仅能够对水产养殖环境的主要检测指标(水温、PH值、溶氧量、浊度、氨氮等)进行实时监测,还能够对检测指标进行数据融合和挖掘,以建立水产养殖环境检测指标历史数据库,实现监测数据的本地或远程、实时、动态显示和分析,为水产养殖过程中有效提高水资源利用率、改善养殖环境质量、降低污染物的排放等提供了一种重要技术手段和科学依据。 相似文献
16.
基于随机配置网络的海水养殖氨氮浓度软测量模型 总被引：1，自引：0，他引：1
氨氮浓度是水产养殖过程的重要监控指标,水中氨氮浓度过高,会产生较强的神经毒素,导致水生物大面积死亡,因此,需实时准确监测水产养殖过程中水的氨氮浓度。然而,由于影响海水水质因素较多,各因素之间关系复杂、相互影响,目前未能实现海水氨氮浓度的实时监测。通过分析海水养殖水体中氨氮的生成和硝化过程,选取水体中与氨氮浓度相关且易测的水质参数(温度、电导率、p H值、溶解氧质量浓度)为辅助变量,采用收敛速度快且泛化能力较强的随机配置网络建立了氨氮浓度软测量模型。为验证方法的有效性,设计了实验室海水养殖循环水系统,通过试验系统的实测数据,将该方法与其他几种神经网络建模方法进行了比较。结果表明,氨氮浓度随机配置网络模型具有更高的精度和更快的运行速度。基于模型设计了水产养殖水质监控系统,并将此方法嵌入上位机Win CC软件,实现了氨氮浓度的在线监测。 相似文献
17.
土壤含氧量（Soil oxygen content,SOC）是影响作物生长的重要土壤环境因素之一,具有时序性、不稳定性和非线性等特点,精确预测土壤环境中含氧量的变化趋势,有助于制定更加合理的土壤通气增氧方案。本研究提出基于麻雀搜索算法（Sparrow search algorithm,SSA）和长短时记忆（Long and short-term memory,LSTM）神经网络预测模型,利用国家土壤质量湛江观测实验站记录玉米种植期间的气象环境和土壤环境数据,基于SSA-LSTM模型对SOC变化进行预测及相关性分析,并与传统的BP预测模型、LSTM预测模型、GA-LSTM预测模型及PSO-LSTM预测模型进行对比。试验结果表明,SOC与降雨量、土壤含水率、土壤温度、土壤充气孔隙度相关性极显著,相关系数高于0.8,与大气温度和风速相关性显著,与大气湿度和土壤呼吸速率相关性较弱。SSA-LSTM模型预测精度明显高于其他4组对照预测模型,R2达到0.95979,RMSE仅为0.4917%,MAPE为3.7331%,MAE为 0.3620%,预测值与试验值之间的拟合程度高。本研究可为土壤含氧量变化的精准预测及土壤通气增氧技术的应用推广提供理论支撑与科学依据。 相似文献