[发明专利]一种基于深度置信网络的水体氨氮预测方法及装置

说明书

本发明提供一种基于深度置信网络的水体氨氮预测方法及装置，所述方法包括：基于目标水体水质的实际水质参数和实际环境因子参数，利用预先建立的深度置信网络预测模型，预测所述目标水体的氨氮含量；其中，所述深度置信网络预测模型为预先根据预测需求进行初始化，并利用选取的样本数据，进行基于暂时抛弃点dropout的训练和测试获取的，所述样本数据为样本水质环境参数与样本水体氨氮含量对。本发明简单易行，能够有效提高水体氨氮含量的预测运算速度和预测精度，并有效改善预测方法的稳定性和普适性。

技术领域

本发明涉及计算机技术领域，更具体地，涉及一种基于深度置信网络的水体氨氮预测方法及装置。

背景技术

随着水产养殖进入精养化阶段，水质管理成为水产养殖业最为关心的问题。影响水质的因素有生物、物理及化学等多方面因素，例如：水温、pH值、水质氨氮及溶解氧等，其中水质氨氮更是检测水质的主要关键指标之一。

水体中的氨氮是单循环中的重要组成部分，对水产养殖对象具有生物毒害，其进入水生生物体内后，会使其表现出呼吸困难、抵抗力下降及不进食等现象，进而影响到水产品的质量和产量，严重时可导致大批养殖生物死亡，给养殖户带来经济损失。因此深入研究养殖池塘中水质氨氮的变化规律，以准确预测其变化并将预测结果应用在生产过程指导中，在池塘养殖过程中将水质氨氮控制在合理的范围内，进而对防范水体恶化、提高养殖产品质量、预防病害风险的发生和提高养殖效益具有重要意义。

池塘中氨氮的来源主要是肥料和饲料，而影响其含量的因素有很多，如pH、溶解氧、水温和氧化还原电位等都会引起水质氨氮含量的变化，且各因素之间相互影响，检测复杂困难且数据冗余度高。因此，池塘水质氨氮的变化趋势具有明显的非线性特点，没有直观规律可循。水质氨氮变化涉及多个方面，其中许多变化原理尚不明确，很难从机理上建模。

目前，应用于水质参数预测的方法主要有灰色系统理论、BP神经网络及其组合模型等，但也仅限于环境水体指标分析检测。灰色理论模型可以用来处理样本量少且信息不全的数据，但在原始数据序列变化不呈指数规律、有异常和波动的情况下，灰色理论模型的预测精度会大大降低。BP神经网络可以解决非线性复杂的问题，但其训练速度过慢、对外部噪声过于敏感，导致预测结果稳定性差且精度不高。

发明内容

为了克服上述问题或者至少部分地解决上述问题，本发明提供一种基于深度置信网络的水体氨氮预测方法及装置，用以有效提高水体氨氮含量的预测运算速度和预测精度，并有效改善预测方法的稳定性和普适性。

一方面，本发明提供一种基于深度置信网络的水体氨氮预测方法，包括：基于目标水体水质的实际水质参数和实际环境因子参数，利用预先建立的深度置信网络预测模型，预测所述目标水体的氨氮含量；其中，所述深度置信网络预测模型为预先根据预测需求进行初始化，并利用选取的样本数据，进行基于暂时抛弃点dropout的训练和测试获取的，所述样本数据为样本水质环境参数与样本水体氨氮含量对。

其中，所述实际水质参数具体包括：水体水质氨氮含量以及水体水温、水质电导率、水深、水质盐度、总溶解固体浓度、水密度、pH值、溶解氧含量、溶解氧饱和度、氧化还原电位(ORP)、亚硝酸盐浓度、散射浊度、浊度和蓝绿藻浓度中的一种或多种；所述实际环境因子参数具体包括：风速、风向、太阳辐射、空气温度、空气湿度、大气压强、土壤水分和土壤温度中的一种或多种。