[发明专利]基于迁移学习的不同水域溶解氧预测方法

权利要求书

1.一种基于迁移学习的不同水域溶解氧预测方法，其特征在于，包括：

获取一数据集，所述第一数据集为对第一水域采集第一采集时间段的溶解氧数值、温度、pH、浊度、叶绿素、蓝绿藻和电导率数据；

获取第二数据集，所述第二数据集为对第二水域采集第二采集时间段的溶解氧数值、温度、pH、浊度、叶绿素、蓝绿藻和电导率数据；

对第一数据集和第二数据集进行处理：先进行清洗，然后利用多元回归的相关性分析方法确定各个变量对溶解氧的相关性，然后对数据归一化处理，最后通过主成分分析法确定输入深度神经网络模型的数据；

从经过上述处理的第一数据集中选取训练集和测试集，其中，训练集用于构建深度神经网络模型，测试集用于测试该模型对溶解氧预测的效果；

将得到的深度神经网络模型用于第二水域的溶解氧预测：将经过上述处理的第二数据集用于深度神经网络模型的输入，采用参数微调的策略训练该深度神经网络模型；

其中，所述第一数据集的数据量大于所述第二数据集的数据量，所述第一采集时间段大于所述第二采集时间段。

2.如权利要求1所述的基于迁移学习的不同水域溶解氧预测方法，其特征在于，所述第一采集时间段为1年半到两年半。

3.如权利要求1所述的基于迁移学习的不同水域溶解氧预测方法，其特征在于，所述第二采集时间段为2个月到4个月。

4.如权利要求1所述的基于迁移学习的不同水域溶解氧预测方法，其特征在于，以交叉验证的方式从经过上述处理的第一数据集中选取训练集和测试集。

5.如权利要求1所述的基于迁移学习的不同水域溶解氧预测方法，其特征在于，所述深度神经网络模型包括三层残差网络(ResNet)、三层双向长短时记忆网络和三层Attention结构。

6.如权利要求5所述的基于迁移学习的不同水域溶解氧预测方法，其特征在于，所述双向长短时记忆网络是由前向长短时记忆网络(LSTM)和后向LSTM组成；BiLSTM通过引入第二层来扩展单向LSTM网络，在第二层中，隐藏连接到隐藏连接以相反的时间顺序流动；

所述Attention结构是multi-head的attention结构，将Q，K，V通过参数矩阵映射，然后再做Attention，这个过程重复做n次，然后结果拼接起来。公式(2)和(3)所示：

MultiHead(Q，K，V)＝Concat(head1，...，headn)#(3)

其中，i是Attention过程的次数，取值范围是1到n，分别是K，Q，V映射时的权重。

7.如权利要求1所述的基于迁移学习的不同水域溶解氧预测方法，其特征在于，“采用参数微调的策略训练该深度神经网络模型”具体包括：将第一数据集中训练得到的深度神经网络模型的部分层的参数，包括三层ResNet,三层BiLSTM和三层Attention，作为第二数据中对应模型参数初始化的值，然后在第二数据集中再训练微调。对于第二数据集中的全连接层需要重新初始化。

8.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1到7任一项所述方法的步骤。

9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1到7任一项所述方法的步骤。

10.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1到7任一项所述的方法。