[发明专利]基于迁移学习的不同水域溶解氧预测方法

说明书

本发明公开了一种基于迁移学习的不同水域溶解氧预测方法。本发明一种基于迁移学习的不同水域溶解氧预测方法，包括：获取第一数据集，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。本发明的有益效果：本发明通过采用迁移学习将相同溶解氧预测模型用于不同水域，解决了部分水域因缺少数据而造成溶解氧预测不准确问题。实验中分别构建两个水域的数据集，通过相关性分析和主成分分析后作为溶解氧模型的输入。

技术领域

本发明属于水产养殖和环境检测领域，使用迁移学习将同一个溶解氧模型应用在不同的水域，从而实现跨水域的溶解氧预测研究。本发明通过深度学习算法构建预训练模型，然后使用微调的策略将该模型应用于其他水域，从而实现溶解氧预测模型的迁移，解决拥有少量数据水域的溶解氧预测不准的难题和不同水域重新构建模型造成的时间浪费问题。

背景技术

水产养殖是我国的重要产业之一，而溶解氧又是检测养殖水域环境的重要参数之一，因此对于溶解氧的预测非常重要。

传统技术存在以下技术问题：

由于缺乏数据，很难实现对溶解氧的预测。

发明内容

本发明要解决的技术问题是提供一种基于迁移学习的不同水域溶解氧预测方法，本发明通过迁移学习对拥有少量数据的水域进行溶解氧预测。在本发明中，首先在一个拥有大量数据的域中，通过温度、pH、浊度、叶绿素、蓝绿藻和电导率等多种环境因素建立一个预训练模型，该预训练模型融合了三层残差网络(ResNet)，三层双向长短时记忆网络(BiLSTM)和三层注意力机制模型(Attention)。然后，将该预训练模型通过参数微调的策略迁移到拥有少量数据水域中，从而实现溶解氧的预测。

为了解决上述技术问题，本发明提供了一种基于迁移学习的不同水域溶解氧预测方法，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。

在其中一个实施例中，所述第一采集时间段为1年半到两年半。

在其中一个实施例中，所述第二采集时间段为2个月到4个月。

在其中一个实施例中，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。

在其中一个实施例中，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。

在其中一个实施例中，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；