CN119446344A 基于神经网络模型的贝类固碳速度定量估计方法 （北京工业大学）

基于神经网络模型的贝类固碳速度定量估本发明公开了一种基于神经网络模型的贝贝类生长数据和预处理后的水质监测数据集进练后的模型与实时获取的监测数据获得预设时间段内的水体酸碱度预测值并计算碳酸根离子本发明通过高精度传感监测和深度学习模型相2对所述水质监测数据集进行预处理，对贝类生长数据和预处理后的水基于所述时间序列数据集训练长短时记忆神经网络模型，基于长短型与实时获取的监测数据获得预设时间段内的水体酸基于预设时间段内的水体酸碱度预测值获得碳酸根离子的释放速率2.根据权利要求1所述的基于神经网络模型的贝类固碳速度定量估计方法，其特征在获取待测小水体的面积和形状，基于面积和形状获得传感器布3.根据权利要求1所述的基于神经网络模型的贝类固碳速度定量估计方法，其特征在采用差分编码与对称加密算法对所述水质参数数据进行处理后传输至4.根据权利要求1所述的基于神经网络模型的贝类固碳速度定量估计方法，其特征在获取水质监测数据中各指标的正常范围阈值，根据正常范围5.根据权利要求1所述的基于神经网络模型的贝类固碳速度定量估计方法，其特征在采用最小_最大归一化方法处理所述时间序列数据集，将所有特征值映射36.根据权利要求1所述的基于神经网络模型的贝类固碳速度定量估计方法，其特征在基于碳酸平衡方程和预设时间段内的水体酸碱度预测值，计算得7.根据权利要求6所述的基于神经网络模型的贝类固碳速度定量估计方法，其特征在基于碳酸根离子释放速率和二氧化碳净吸收量获得固碳速度估采用最小二乘法拟合碳酸根离子释放速率和二氧化碳净吸收量；获取碳循环平衡模8.根据权利要求1所述的基于神经网络模型的贝类固碳速度定量估计方法，其特征在获取水体面积测量值和贝类密度记录值，基于水体面积测量值和碳速度估计值计算出整个水体中贝类的总固碳9.根据权利要求1所述的基于神经网络模型的贝类固碳速度定量估计方法，其特征在4络模型与实时获取的监测数据获得预设时间段内的水5[0013]采用差分编码与对称加密算法对所述水质参数数据进行处理模型，将拟合得到的碳酸根离子释放速率和二氧化碳净吸收量函数代入碳循环平衡模型，度记录值与固碳速度估计值计算出整个水体中贝类的总固6高精度传感监测和深度学习模型相结合的方法，实现了对贝类养殖水体固碳量的准确估[0030]如图1所示，本实施例中提供一种基于神经网络模型的贝类固碳速度定量估计方[0035]采用差分编码与对称加密算法对所述水质参数数据进行处理78络模型与实时获取的监测数据获得预设时间段内的水列数据集。长短时记忆神经网络模型是一种特殊的循环神经网络，适用于处理和预测时间情况。数据集划分和归一化处理是提高模型训练效果的关键步骤。将构建的时间序列数据不同特征之间的量纲差异，提高模型的训练效率和泛化能力。超参数设置对模型性能有重上表现最佳的超参数组合。模型训练过程中，反向传播算法和梯度下降优化方法是核心机表现。9模型，将拟合得到的碳酸根离子释放速率和二氧化碳净吸收量函数代入碳循环平衡模型，小二乘法拟合碳酸根离子释放速率和二氧化碳净吸收量数据，得到拟合曲线和拟合参数，碳酸根离子释放速率可能呈现线性增长趋势，而二氧化碳净吸收量可能表现为指数增长。密度记录值与固碳速度估计值计算出整