(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210798071.5 (22)申请日 2022.07.06 (71)申请人 中山职业 技术学院 地址 528405 广东省中山市博爱七路25号 (72)发明人 刘艳飞　林亮中　陈帼鸾　苏伟钦　 李嘉晓　刘逸　刘付亮　 (74)专利代理 机构 广州三环 专利商标代理有限 公司 44202 专利代理师 刘克豹 (51)Int.Cl. G06Q 10/04(2012.01) G06N 3/04(2006.01) G06N 3/08(2006.01) A01K 61/10(2017.01) G01D 21/02(2006.01) (54)发明名称 一种淡水鱼养殖智能管理系统以及管理方 法 (57)摘要 本发明公开了一种淡水鱼养殖智能管理系 统以及管 理方法， 管理方法包括在目标水域采集 水质参数； 获取气象参数、 时间参数、 饲料参数、 用药参数以及地理参数； 建立基于多层注意力机 制的预测模 型， 预测模型得出所述目标水域的监 测参数； 建立神经网络模型， 神经网络模型输出 所述目标水域的水质预警级别。 本技术方案利用 基于多层注意力机制的预测模型预测目标水域 的酸碱度值、 水温度值、 含氧量值以及氨氮浓度 值， 充分考虑到了各个监测参数的时空相关性以 及气象参数、 时间参数等因素， 提高目标水域的 监测参数的预测准确性； 同时本技术方案利用神 经网络模型结合预测的监测参数准确判断目标 水域的水质预 警级别， 便于相关人员做出相应的 处理。 权利要求书3页 说明书6页 附图3页 CN 115099512 A 2022.09.23 CN 115099512 A 1.一种淡水鱼养殖智能管理方法， 其特 征在于： 包括以下步骤： 步骤100， 在目标水域布置多个水质传感器采集目标水域的水质参数， 所述水质参数包 括酸碱度值、 溶解氧浓度值、 溶解盐浓度值、 营养物质含量 值以及无机盐浓度值； 步骤200， 获取气象参数、 时间参数、 饲料参数、 用药参数以及水质传感器的地理参数； 步骤300， 建立基于多层注意力机制的预测模型， 将所述水质参数、 气象参数、 时间参 数、 饲料参数、 用药参数以及地理参数输入至所述预测模型， 所述预测模型得出所述目标水 域的监测参数， 所述 监测参数包括 酸碱度值、 水温度值、 含氧量 值以及氨 氮浓度值； 步骤400， 建立神经网络模型， 将所述监测参数输入至所述神经网络模型， 所述神经网 络模型输出 所述目标 水域的水质预警级别。 2.根据权利要求1所述的一种淡水鱼养殖智能管理方法， 其特征在于： 所述步骤400之 后还包括： 步骤500， 根据所述目标 水域的水质预警级别， 采用决策树模型推荐应对措施。 3.根据权利要求1所述的一种淡水鱼养殖智能管理方法， 其特征在于： 所述步骤300包 括以下步骤： 步骤310， 建立基于多层注意力机制的预测模型， 所述预测模型是编码器 ‑解码器架构， 所述预测模 型包括两个LSTM网络(长短期记忆网络)， 两个所述LSTM网络 分别作为编码器以 及解码器； 步骤320， 将所述水质参数输入至作为编码器的LSTM网络， 作为编码器的LSTM网络编码 所述水质参数的时间序列值； 步骤330， 将所述水质参数的时间序列值、 所述气象参数、 所述时间参数、 所述饲料参 数、 所述用药参数以及所述地理参数输入至作为解码器的LSTM网络， 作为解码器的LSTM网 络预测所述 监测参数 未来的时间序列值。 4.根据权利要求3所述的一种淡水鱼养殖智能管理方法， 其特征在于： 所述步骤320包 括： 步骤321， 计算多个所述水质传感器之间的空间相关性， 提取多个所述水质传感器的历 史数据特 征； 步骤322， 根据多个所述水质传感器的历史数据特 征， 计算多粒度时空序列关系； 所述步骤330包括： 步骤331， 根据多粒度时空序列关系， 计算所述监测参数未来的时间序列值的影响权 重； 步骤332， 根据影响权 重预测所述 监测参数 未来的时间序列值。 5.根据权利要求1所述的一种淡水鱼养殖智能管理方法， 其特征在于： 所述步骤400中， 所述神经网络模型 是T‑S模糊神经网络模型， 所述 步骤400包括以下步骤： 步骤410， 对所述监测参数未来的时间序列值进行模糊化处理， 得出所述监测参数未来 的时间序列值的隶属度； 步骤420， 对所述监测参数未来的时间序列值进行规则化处理， 得出所述监测参数未来 的时间序列值的适用度； 步骤430， 对所述监测参数未来的时间序列值进行反模糊化处理， 对所述监测参数未来 的时间序列值的适用度进行归一 化计算， 得到在不同规则下 所述适用度所占的权 重值；权　利　要　求　书 1/3 页 2 CN 115099512 A 2步骤440， 根据所述监测参数未来的时间序列值的适用度及其权重值计算所述目标水 域的水质预警级别。 6.一种淡水鱼养殖智能管理系统， 其特 征在于： 包括： 水质传感器， 用于在目标水域采集水质参数， 所述水质参数包括酸碱度值、 溶解氧浓度 值、 溶解盐浓度值、 营养物质含量 值以及无机盐浓度值； 获取模块， 用于获取气象参数、 时间参数、 饲料参数、 用药参数以及水质传感器的地理 参数； 预测模块， 用于建立基于多层注意力机制的预测模型， 并将所述水质参数、 气象参数、 时间参数、 饲料参数、 用药参数以及地理参数输入至所述预测模型， 所述预测模 型得出所述 目标水域的监测参数， 所述 监测参数包括 酸碱度值、 水温度值、 含氧量 值以及氨 氮浓度值； 预警模块， 用于建立神经网络模型， 并将所述监测参数输入至所述神经网络模型， 所述 神经网络模型输出 所述目标 水域的水质预警级别。 7.根据权利要求6所述的一种淡水鱼养殖智能管理系统， 其特征在于： 所述管理系统还 包括： 推荐模块， 用于根据所述目标 水域的水质预警级别， 采用决策树模型推荐应对措施。 8.根据权利要求6所述的一种淡水鱼养殖智能管理系统， 其特征在于： 所述预测模块包 括： 建立单元， 用于建立基于多层注意力 机制的预测模型， 所述预测模型是编码器 ‑解码器 架构， 所述预测模型包括两个LSTM网络(长短期记忆网络)， 两个所述LSTM网络分别作为编 码器以及解码器； 编码单元， 用于将所述水质参数输入至作为编码器的LSTM网络， 作为编码器的LSTM网 络编码所述水质参数的时间序列值； 解码单元， 用于将所述水质参数的时间序列值、 所述气象参数、 所述时间参数、 所述饲 料参数、 所述用药参数以及所述地理参数输入至作为解码器的LSTM网络， 作为解码器的 LSTM网络预测所述 监测参数 未来的时间序列值。 9.根据权利要求8所述的一种淡水鱼养殖智能管理方法， 其特征在于： 所述编码单元 中， 包括计算多个所述水质传感器之间的空间相关性， 提取多个所述水质传感器的历史数 据特征； 根据多个所述水质传感器的历史数据特 征， 计算多粒度时空序列关系； 所述解码单元中， 包括根据多粒度时空序列关系， 计算所述监测参数未来的时间序列 值的影响权 重； 根据影响权 重预测所述 监测参数 未来的时间序列值。 10.根据权利要求6所述的一种淡水鱼养殖智能管理系统， 其特征在于： 所述预警模块 中， 所述神经网络模型 是T‑S模糊神经网络模型， 所述预警模块包括： 模糊单元， 用于对所述监测参数未来的时间序列值进行模糊化处理， 得出所述监测参 数未来的时间序列值的隶属度； 规则化单元， 用于对所述监测参数未来的时间序列值进行规则化处理， 得出所述监测 参数未来的时间序列值的适用度； 反模糊单元， 用于对所述监测参数未来的时间序列值进行反模糊化处理， 对所述监测 参数未来的时间序列值的适用度进行归一化计算， 得到在不同规则下所述适用度所占的权 重值；权　利　要　求　书 2/3 页 3 CN 115099512 A 3