一種基于數據挖掘技術的深水網箱養殖魚類生長預測方法
【技術領域】
[0001 ]本發明設及一種基于數據挖掘技術的深水網箱養殖魚類生長預測方法。
【背景技術】
[0002] 隨著中國深水網箱的快速發展，深水網箱養殖向-15mW深水域拓展，單個網箱養 殖水體也進一步擴大。目前我國深水網箱養殖主要采用人工投巧，勞動強度大、喂料不均 勻、投巧量難控制、適應環境能力差等缺點。國內池塘養殖上使用的一些小型的簡易自動投 巧機，但其投喂精準度差，完全不能適應深水網箱養殖高密度大容量養殖的需要。

【發明內容】

[0003] 本發明所要解決的技術問題是:提供一種基于數據挖掘技術的深水網箱養殖魚類 生長預測方法。
[0004] 解決上述技術問題，本發明所采用的技術方案如下：
[000引一種基于數據挖掘技術的深水網箱養殖魚類生長預測方法，其特征在于:所述的 深水網箱養殖魚類生長預測方法包括：
[0006] 步驟一、在受測深水網箱的養殖區域內安裝水溫傳感器、鹽度傳感器、溶解氧傳感 器和水流流速傳感器，并用它們按預設的時間間隔采集受測深水網箱在養殖區域內的水 溫、鹽度、溶解氧濃度和水流流速數據，并且，測量受測深水網箱中對應于采集時刻的養殖 魚類體重，W獲取受測深水網箱在n個歷史采集時刻的水溫、鹽度、溶解氧濃度、水流流速和 養殖魚類體重，其中，n為正整數，該n個歷史采集時刻屬于受測深水網箱當前所養殖的養殖 魚類的養殖周期之內；
[0007] 步驟二、對步驟一采集到的n個歷史采集時刻的水溫、鹽度、溶解氧濃度、水流流速 和養殖魚類體重按量綱分別進行歸一化處理，得到n組樣本集T=Kxi,yi) Ii = I,2…，n}，其 中，第i組樣本集中的列向量.X,.=[如-，-片f，.T;、奇、X巧板分別表示歸一化后的第i個 歷史采集時刻的水溫、鹽度、溶解氧濃度和水流流速，yi表示歸一化后的第i個歷史采集時 刻的養殖魚類體重；
[0008] 步驟S、在2-W至26的取值范圍內按相同的取值間隔選取ml個誤差懲罰因子C的取 值，在2^1嗜2 4的取值范圍內按相同的取值間隔選取m2個的核參數丫的取值、在0.001至1的 取值范圍內按相同的取值間隔選取m3個不敏感損失系數e的取值，從而形成ml Xm2Xm3組 由誤差懲罰因子C、核參數丫和不敏感損失系數e組成的參數組，其中，ml、m2和m3均為大于1 的正整數；
[0009] 并且，對應每一組所述參數組建立一個支持向量機模型如下： 巧
[0010] /樹二完咕-巧")AXv,, .V) 4-6 ; J-I
[0011] 其中，f (X)表示在自變量X的條件下所述受測深水網箱中的養殖魚類體重預測值， X為依次由水溫、鹽度、溶解氧濃度和水流流速組成的列向量；
[001引拉格朗日乘子01，《;'(/=: 通過將步驟二得到的第語第n組樣本集中的列 向量Xl，X2，…，Xn全部代入W下方程組聯立求解得到：
[0014] 核函數K(xi,x) = e邱（-丫 I Ix-Xil |2), 丫 >0;
[0015] 偏移量的計算公式為：
[0017] ai，aje(〇，C);
[0018] 步驟四、將步驟=建立的每一個支持向量機模型中的自變量X均分別取值為步驟 二得到的第1至第n組樣本集中的列向量X1，X2,…，Xn,計算得到步驟=建立的每一個支持向 量機模型依次在X1，X2，…，Xn條件下的養殖魚類體重預測值f (Xl)，f (X2)，…，f (Xn);
[0019] 步驟五、依據步驟四的結果，按下式分別計算步驟=建立的每一個支持向量機模 型的均方誤差
，并比較各個支持向量機模型的均方誤差大小，將均 方誤差MSE最接近于0的支持向量機模型選取為最優支持向量機模型;如果比較結果為含有 多個均方誤差M S E最接近于0的支持向量機模型，則計算平方相關系數
，并選取均方誤差MSE最接近于0且平方相關系數SCC 最接近于1的支持向量機模型為最優支持向量機模型；
[0020] 步驟六、用步驟一所述水溫傳感器、鹽度傳感器、溶解氧傳感器和水流流速傳感器 采集當前時刻受測深水網箱在養殖區域內的水溫、鹽度、溶解氧濃度和水流流速，并將它們 分別按步驟二所述的歸一化公式進行歸一化處理，得到歸一化后的受測深水網箱在養殖區 域內的當前水溫、當前鹽度、當前溶解氧濃度和當前水流流速，并將它們代入到步驟五選出 的最優支持向量機模型的自變量X中，并將該最優支持向量機模型計算出的結果f (X)對應 于步驟二所述的歸一化公式進行反歸一化處理，得到受測深水網箱在當前水溫、當前鹽度、 當前溶解氧濃度和當前水流流速的條件下的養殖魚類體重預測結果。
[0021] 其中，所述的步驟二中：
[0022] X;的歸一化公式為：
，Xii為步驟一采集到的第i個歷史采集時 刻的水溫，Xlmax為步驟一采集到的n個歷史采集時刻的水溫中的最大值，XVn為步驟一采集 到的n個歷史采集時刻的水溫中的最小值；
[0023] 皆的歸一化公式為：
，X2I為步驟一采集到的第i個歷史采集時 亥IJ的鹽度，X2max為步驟一采集到的n個歷史采集時刻的鹽度中的最大值，X2min為步驟一采集 到的n個歷史采集時刻的鹽度中的最小值；
[0024] 苗的歸一化公式為：
，X3i為步驟一采集到的第i個歷史采集時 刻的溶解氧濃度，X\ax為步驟一采集到的n個歷史采集時刻的溶解氧濃度中的最大值，X3min 為步驟一采集到的n個歷史采集時刻的溶解氧濃度中的最小值；
[00巧]的歸一化公式為：
，X4I為步驟一采集到的第i個歷史采集時 亥Ij的水流流速，X\ax為步驟一采集到的n個歷史采集時刻的水流流速中的最大值，X\in為步 驟一采集到的n個歷史采集時刻的水流流速中的最小值。
[0026] 與現有技術相比，本發明具有W下有益效果：
[0027] 本發明通過獲取受測深水網箱在n個歷史采集時刻的水溫、鹽度、溶解氧濃度、水 流流速和養殖魚類體重，并將獲取到的數據放入支持向量機模型中進行處理，再基于支持 向量機模型的均方誤差和平方相關系數的評斷選取出最優支持向量機模型，從而，本發明 能夠根據受測深水網箱當前所養殖魚類在當前時刻的水溫、鹽度、溶解氧濃度和水流流速 預測出養殖魚類體重預測結果，免于在養殖魚類的養殖周期內需要多次進行養殖魚類體重 測量，為深水網箱養殖魚類自動化投巧提供必要的參數，并且，本發明對養殖魚類體重的預 測精度高。
[0028] 本發明預測出的養殖魚類體重預測結果能夠用于深水網箱養殖魚類的投巧量決 策，實現深水網箱養殖魚類在特定的環境因子（即水溫、鹽度、溶解氧濃度、水流流速)下的 自動化、高精度投巧，減少了因不合理的飼料投巧所帶來的巧料浪費、環境污染等問題，能 夠提高飼料的利用效率、降低環境污染、降低養殖成本、大大提高養殖效益。
【具體實施方式】
[0029] 本發明基于數據挖掘技術的深水網箱養殖魚類生長預測方法，包括：
[0030] 步驟一、在受測深水網箱的養殖區域內安裝水溫傳感器、鹽度傳感器、溶解氧傳感 器和水流流速傳感器，并用它們按預設的時間間隔采集受測深水網箱在養殖區域內的水 溫、鹽度、溶解氧濃度和水流流速數據，并且，測量受測深水網箱中對應于采集時刻的養殖 魚類體重，W獲取受測深水網箱在n個歷史采集時刻的水溫、鹽度、溶解氧濃度、水流流速和 養殖魚類體重，其中，n為正整數，該n個歷史采集時刻屬于受測深水網箱當前所養殖的養殖 魚類的養殖周期之內；
[0031] 步驟二、對步驟一采集到的n個歷史采集時刻的水溫、鹽度、溶解氧濃度、水流流速 和養殖魚類體重按量綱分別進行歸一化處理，得到n組樣本集了={(町71)1 = 1，2'。，11}，其 中，第i組樣本集中的列向量二權，.和扣苗f，X;、Xf、皆和皆分別表示歸一化后的第i 個歷史采集時刻的水溫、鹽度、溶解氧濃度和水流流速，yi表示歸一化后的第i個歷史采集 時刻的養殖魚類體重；
[0032] 其中，非附歸一化公式為：
，Xii為步驟一采集到的第i個歷史 采集時刻的水溫，Xlmax為步驟一采集到的n個歷史采集時刻的水溫中的最大值，XVn為步驟 一采集到的n個歷史采集時刻的水溫中的最小值；
[0033] xf的歸一化公式為：
X2I為步驟一采集到的第i個歷史采集時 亥IJ的鹽度，X2max為步驟一采集到的n個歷史采集時刻的鹽度中的最大值，X2min為步驟一采集 到的n個歷史采集時刻的鹽度中的最小值；
[0034] 苗的歸一化公式為：
X3I為步驟一采集到的第i個歷史采集時 刻的溶解氧濃度，X\ax為步驟一采集到的n個歷史采集時刻的溶解氧濃度中的最大值，X3