发明名称 |
一种基于深度学的水产养殖水质预测方法 |
摘要 |
本发明公开了一种基于深度学的水产养殖水质预测方法。通过搭建一个具有三层受限玻尔兹曼机(RBM)和一层BP神经网络的深度学网络。以水质样本数据利用对比散度学对三个受限玻尔兹曼机进行训练抽取水质样本数据的深度特征,再通过BP对深度学网络参数进行优化,从而完成深度学网络的训练。将训练好的深度学网络应用到当前水质样本数据,在输出层便可获得对水质的预测。本发明可以获得各类不同水质因子之间的特征关联性,提高水质预测的准确度。 |
申请公布号 |
CN106198909A |
申请公布日期 |
2016.12.07 |
申请号 |
CN201610502867.6 |
申请日期 |
2016.06.30 |
申请人 |
中南大学 |
发明人 |
陈白帆;高琰;王斌;刘丽珏 |
分类号 |
G01N33/18(2006.01)I;G06N3/08(2006.01)I |
主分类号 |
G01N33/18(2006.01)I |
代理机构 |
长沙市融智专利事务所 43114 |
代理人 |
欧阳迪奇 |
主权项 |
一种基于深度学习的水产养殖水质预测方法,其特征在于,包括以下步骤:步骤1:采集关于水产养殖的相关数据作为用于训练的数据,并对数据输入归一化预处理;步骤2:搭建深度学习网络结构模型,所述的模型由三个受限玻尔兹曼机即RBM来构成一个深度信念网络即DBN;步骤3:初始化步骤2中的模型;步骤4:将步骤1中预处理后的数据作为训练样本输入到模型第一层RBM的可视层,通过对比散度算法训练第一层RBM网络,直到能量函数收敛;步骤5:第一层RBM训练后,固定其网络参数,将第一层RBM隐含层作为第二个RBM的可视层;数据样本经过第一层RBM抽取初步的特征数据,用于第二层RBM的输入,通过对比散度算法训练第二层RBM网络,直到能量函数收敛;步骤6:第二层RBM训练后,固定其网络参数,将第二层RBM隐含层作为第三个RBM的可视层;数据样本经过第一层RBM、第二层RBM抽取深层次的特征数据,用于第三层RBM的输入;继续通过对比散度算法训练第三层RBM网络,直到能量函数收敛;第三层RBM训练后输出单元的结果即为初水质预测值;步骤7:经过训练,完成构建基于深度学习的水质预测模型,将未学习过的水质监测数据输入预测模型,用来预测水质。 |
地址 |
410083 湖南省长沙市岳麓区麓山南路932号 |