基于物联网的预测模型用于水族鱼池水质,使用多尺度特征融合与卷积自编码器和GRU网络

科学领域:

• 环境科学 环境科学
• 农业技术 农业技术
• 计算机科学 计算机科学

背景情况:

• 水族养殖的成功在很大程度上取决于保持最佳的水质参数.
• 传统的水质监测方法往往缺乏水管学至关重要的效率和实时数据.
• 物联网 (IoT) 解决方案为智能环境监控和自动化提供了一个有希望的方法.

研究的目的:

• 开发一种有效的基于物联网的水质预测模型,专门用于水族鱼池.
• 为了应对传统模型带来的挑战,提高水产养殖的生产力和产量.
• 提高对水产生态系统至关重要的水质参数的理解和管理.

主要方法:

• 利用基于物联网的框架,从专门的数据集中收集水族鱼池水质数据.
• 实施了一个特征提取阶段,涉及深度信念网络 (DBN) 和基于健身的母亲优化算法 (RF-MOA).
• 采用基于聚变的多尺度特征卷积自动编码器,并配有门式反复单元 (MS-CAGRU) 网络,用于水质预测.

主要成果:

• 提出的基于物联网的模型成功预测了水族鱼池中的水质.
• 将GRU网络与卷积自编码器集成,通过捕获时间依赖,提高了预测准确度.
• 与传统方法相比,该模型在分析关键参数和减少过度装配方面表现更好.

结论:

• 开发的基于物联网的水质预测模型为水族养殖提供了显著的改进.
• 准确的水质预测对于提高水产系统的生产力,产量和整体健康至关重要.
• MS-CAGRU网络有效地捕捉趋势并管理时间依赖性,以便可靠地预测水质.