买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉扬州大学申请的专利一种水禽养殖水质预测方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN117171624B 。

龙图腾网通过国家知识产权局官网在2026-03-17发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202311274044.9，技术领域涉及：G06F18/24；该发明授权一种水禽养殖水质预测方法是由高吉成;裴启立;张燕军;杨坚;李大玉;缪宏;戴敏;张善文设计研发完成，并于2023-09-28向国家知识产权局提交的专利申请。

本一种水禽养殖水质预测方法在说明书摘要公布了：本发明公开了一种水禽养殖水质预测方法，包括以下步骤，选择水体溶解氧、PH、电导率和浊度指标作为监测对象并进行预测；引入季节时变因素、水禽下水活动因素和水禽规模因素作为水质指标时间序列预测的外部特征，并筛选出重要特征；实时获取水体溶解氧、PH、电导率和浊度参数信息，构建原始水质数据集，并结合筛选得到的外部因素数据构成水质多指标时间序列预测数据集；对数据集全部时刻水质进行类别划分，作为分类预测的预测目标；构建多指标时间序列预测模型，进行水体溶解氧、PH、电导率和浊度的预测；进行养殖水质的类别预测；对模型进行更新训练，获得新的最优预测模型；使用本发明能实现对养殖水质的有效预测。

本发明授权一种水禽养殖水质预测方法在权利要求书中公布了：1.一种水禽养殖水质预测方法，其特征在于： 选择水体溶解氧、PH、电导率和浊度指标作为监测对象并进行预测； 通过水质传感器实时获取水体溶解氧、PH、电导率和浊度参数信息，并构建原始水质数据集； 引入季节时变因素、水禽下水活动因素和水禽规模因素作为水质指标时间序列预测的外部特征，并筛选出重要特征； 利用综合水质评价对数据集全部时刻水质进行类别划分，作为分类预测的预测目标； 构建基于多任务学习的多指标时间序列预测模型，同时进行水体溶解氧、PH、电导率和浊度的预测； 构建水质分类模型，进行养殖水质的类别预测； 每隔设定的时间段利用上一时间段的水质数据对模型进行更新训练，获得新的最优预测模型用于下一时间段的水禽养殖水质预测； 基于多任务学习的养殖水质多指标时间序列预测步骤为， 使用前个时刻的水质多指标时间序列预测数据集的数据来预测未来一定时刻的溶解氧、PH、电导率和浊度数据值并输出；使用卷积网络结合双向长短时记忆网络来处理水质数据；水质多指标时间序列预测数据集数据作为卷积神经网络的输入，将经过卷积神经网络处理的输出作为双向长短时神经网络的输入；采用硬参数共享机制，学习多个特征之间的耦合关系； 水质多指标时间序列预测数据集数据输入卷积神经网络后，在卷积层通过卷积核提取特征， 其中，为经过第个卷积核计算的输出矩阵，卷积过程为一维卷积，为水质多指标时间序列预测数据集数据的输入矩阵，大小为，卷积核大小为，步长为，输出矩阵大小为，其中，；表示激活函数，为权重矩阵，为偏置，表示卷积； 以上水质多指标时间序列预测数据集数据经过卷积网络处理后的输出会作为双向长短时神经网络的输入，对于双向长短时神经网络，其中，长短期神经网络为一种循环网络，长短期神经网络利用门控机构解决传统循环神经网络的梯度消失和梯度爆炸问题，包括遗忘门，输入门和输出门； 遗忘门决定记住哪些信息和遗忘哪些信息，表示保留多少信息， 输入门选择记忆部分，决定保留新信息的哪些部分，要更新的值的概率表 示为， 创建用于更新状态的候选值向量，激活函数为， 当前单元状态更新为 输出门用于输出，概率决定输出该单元状态的哪些部分， 上述计算公式中，为上一单元的输出向量，为该单元的输入数据 ，，和为权重矩阵，，和为偏置向量，为sigmoid函数，为上 一单元的记忆状态，为输出向量； 由前向和后向LSTM构成BiLSTM网络， 其中，和分别表示前向和后向的隐节点输出向量，为双向长短时记忆神经网络的输出结果，为前一时刻的隐节点输出向量，为当前时刻的输入，和分别表示前向和后向的输出权重，表示时间时的偏置向量，LSTM表示传统LSTM计算； 针对多个水质指标构建多任务注意力层，使用4个注意力模块分别关注溶解氧、PH、电导率和浊度预测4个任务的关键信息，即双向长短时神经网络输出中对该任务预测目标影响大的信息，4个注意力模块分别计算双向长短时神经网络输出的权重，通过赋予更高的权重使模型关注更关键的信息，加权求和得到最终的输出结果； 式中为时刻注意层的输出，即水质指标预测数据，为时刻BiLSTM网络层输出向量，为时刻决定的注意力概率分布值，和为权重系数，为偏置，为激活函数，为注意层的权重系数，为1到之间的整数，是以自然常数为底的指数函数，为需要加权求和的总数； 注意力层不同预测任务的输出结果构成向量P，作为分类器的输入向量； 将多任务学习看作多指标优化问题，避免在训练过程中不同水质指标预测任务间的冲突，优化的目标是寻找帕累托最优解，采用多重梯度下降算法-上界来对整体的损失函数进行多梯度下降，使模型性能达到最优； 将该多任务学习问题定义为如下最小化问题， 其中，是任务总数，其值为4，即代表了溶解氧、PH、电导率和浊度预测任务，代表第个任务，为任务间共享的参数，为任务独立的参数，为任务损失函数的权值，表示任务的损失函数； 同时处理4个水质指标的预测任务，使用分别表示溶解氧、PH、电导率和浊度， 式中表示各个任务的损失函数； 考虑多目标优化问题，目的是优化一组可能冲突的目标，使如下公式值达到最小， 其满足条件对于任意任务，且； 其中，是该个任务损失梯度的权值，是关于的共享表示函数，表示梯度，通过求解该问题，找到适合所有任务的梯度下降方向，完成对模型的优化。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人扬州大学，其通讯地址为：225009 江苏省扬州市大学南路88号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。