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！

龙图腾网恭喜中国农业大学申请的专利一种水质预测方法及装置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：CN114169638B 。

龙图腾网通过国家知识产权局官网在2024-09-17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：202111587243.6，技术领域涉及：G06Q10/04；该发明授权一种水质预测方法及装置是由孙龙清;孙希蓓;李道亮设计研发完成，并于2021-12-23向国家知识产权局提交的专利申请。

本一种水质预测方法及装置在说明书摘要公布了：本发明公开了属于水产养殖技术领域的水质预测方法、装置、电子设备及存储介质。该水质预测方法包括步骤S1：在养殖场景内由多个传感器采集历史水温和溶解氧的监测数据并进行预处理；步骤S2：对步骤S1预处理后的数据进行融合，得到水质时间序列；步骤S3：引入注意力机制，建立基于注意力机制的Bi‑directionalGRU‑CNN模型；步骤S4：将步骤S2经过融合后的水质时间序列重新组合成预测训练样本，输入至步骤S3建立的模型中进行训练，得到训练后的水质预测模型；步骤S5：采集实时数据进行水质预测。本发明实现了水质溶解氧和水温的自动采集和预测，提高了预测的准确度和效率，节省大量人力物力成本。

本发明授权一种水质预测方法及装置在权利要求书中公布了：1.一种水质预测方法，其特征在于，包括以下步骤：步骤S1：在养殖场景内由多个传感器采集历史水温和溶解氧的监测数据并进行预处理；步骤S2：对步骤S1预处理后的数据进行融合，得到水质时间序列；所述步骤S2中对预处理后的数据进行融合的具体步骤如下：步骤T1：将同一时刻N个同类型传感器返回的数据平均划分为两组，则每组为N2个数据；步骤T2：记步骤T1划分的两组数据分别为T1i和T2i，计算T1i和T2i的算术平均值为： 步骤T3：计算标准差σ1和σ2为： 步骤T4：利用如下公式完成数据融合： 步骤S3：引入注意力机制，建立基于注意力机制的Bi-directionalGRU-CNN模型；基于注意力机制的Bi-directionalGRU-CNN模型的建立过程具体如下：步骤A1：传入水温T+和溶解氧含量D+的预测训练样本[T+，D+]，引入注意力机制Attention： 其中，Q为一个n×dk的序列，表示每个元素对应的查询query向量，Q＝[q1,q2,…,qn]T,通过注意力机制将序列Q编码成为一个n×dv的新序列；K和V表示Key-Value的关系，K＝[k1,k2,…,km]T，表示每个元素对应的键Key向量，V＝[v1,v2,…,vm]T，表示每个元素对应的值Value向量；n表示query的数量，m表示采样点数量，dk和dv表示维度；步骤A2：在同一个序列的内部进行Attention运算，寻找序列X内部不同位置之间的联系，即AttentionX,X,X；步骤A3：使用GRU结构对历史观测数据进行训练，计算当前时刻的隐藏状态，并通过更新门来控制前一个隐藏状态传递到当前隐藏状态的信息量；其中，当前时刻的隐藏状态计算公式为： 更新门的计算公式如下：zt＝σW2[ht-1，T+t]式中，为候选状态，σ为sigmoid函数，W2表示将2个矩阵合并，T+t是当前时刻的输入，ht-1是上一个时刻的隐藏状态，ht是当前时刻的隐藏状态；步骤A4：使用CNN的扩展卷积提取通用特征，加入残差卷积的跳层连接，把下层的特征图跳层连接到上层，加入1×1的卷积操作降维，使两个层加和时特征图数量相同，得到的基于注意力机制的Bi-directionalGRU-CNN模型；其中，扩展卷积为 其中，d是扩展系数，k为卷积核大小，f表示filter滤波器大小，s表示stride步长，i表示滤波器个数，g为G的导数；步骤S4：将步骤S2经过融合后的水质时间序列重新组合成预测训练样本，输入至步骤S3建立的基于注意力机制的Bi-directionalGRU-CNN模型中进行训练，得到训练后的水质预测模型；步骤S5：采集实时数据进行水质预测。

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中国农业大学，其通讯地址为：100193 北京市海淀区圆明园西路2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”。