基于人工神经网络的鱼类攻击行为量化方法、装置及存储介质

摘要

本发明提供一种基于人工神经网络的鱼类攻击行为量化方法、装置及存储介质。该方法包括：采集鱼类攻击行为发生过程中的行为表现数据；对采集的行为表现数据进行参数分析；基于主成分分析法，对行为表现数据进行识别，并提取行为表现数据中的关键行为参数；构建ANNs模型，将提取的关键行为参数作为ANNs模型的输入，将攻击次数作为ANNs模型的输出；基于提取的所述关键行为参数，确定ANNs模型的结构参数；对确定结构参数后的ANNs模型进行仿真验证，得到基于ANNs的鱼类攻击行为量化模型。本发明的技术方案构建鱼类攻击行为和攻击次数之间的映射关系，有效的将鱼类攻击行为进行了量化，将主成分分析法的结果作为ANNs模型的输入，大大提高了模型精度。

说明书

技术领域

本发明涉及生产管理技术领域，具体而言，尤其涉及一种基于人工神经网络的鱼类攻击行为量化方法、装置及存储介质。

背景技术

攻击行为是可能或实际上对同物种的另一个体造成伤害的行为。鱼类和其他动物一样，为了保护自己的食物或领地等资源而产生攻击行为，这也是鱼类生来就有的显着特征。在高密度养殖环境中，由于胁迫和压力，很多鱼类会出现攻击行为或自相残杀现象，养殖过程中可见大批少鳍少尾个体，导致生长减缓和免疫力下降，甚至大批死亡，给养殖户造成很大的经济损失。

养殖条件下如何对鱼类攻击行为进行量化，是生产管理的难题，也是实现福利化养殖需要解决的关键问题。鱼类攻击行为受多重因素的影响，是个体根据外界环境变化和内在生理状况改变做出的适应性反应，仅对单一因素或攻击结果进行研究，并不能判断鱼类何时发生攻击行为，这也是现今养殖过程中无法对攻击行为制定预防和管理措施的瓶颈所在，因此对攻击行为特征的研究显得格外重要。但目前对养殖条件下鱼类攻击行为的研究技术中，存在如下的缺陷和不足：

(1)对鱼类攻击行为特征的量化研究，几乎是空白。

(2)对鱼类攻击行为特征的提取主观性较强，没有从数据本身特征出发；

(3)较少将ANNs应用于鱼类行为的研究中。

发明内容

根据上述提出的技术问题，而提供一种基于人工神经网络的鱼类攻击行为量化方法、装置及存储介质。本发明将主成分分析法和ANNs模型应用于鱼类行为量化；将主成分分析法的结果作为ANNs模型的输入，大大提高了模型精度。

本发明采用的技术手段如下：

一种基于人工神经网络的鱼类攻击行为量化方法，包括如下步骤：

S1、采集鱼类攻击行为发生过程中的行为表现数据；

S2、对采集的所述行为表现数据进行参数分析；

S3、基于主成分分析法，对所述行为表现数据进行识别，并提取所述行为表现数据中的关键行为参数；

S4、构建ANNs模型，将提取的所述关键行为参数作为ANNs模型的输入，将攻击次数作为ANNs模型的输出；

S5、基于提取的所述关键行为参数，确定所述ANNs模型的结构参数；

S6、对确定结构参数后的所述ANNs模型进行仿真验证，得到基于ANNs的鱼类攻击行为量化模型。

进一步地，所述步骤S2中对采集的所述行为表现数据进行参数分析，具体为：

采用坐标系的方法，对鱼类攻击过程中的行为进行计算，并分析出鱼类攻击过程中的个体行为指标和群体行为指标。

进一步地，所述个体行为指标包括攻击行为的游泳速度、最大加速度、移动距离、转弯次数和攻击次数；所述群体行为指标包括鱼的平均距离、孤立个体的数量和孤立时间。

进一步地，所述步骤S3具体包括：

S31、将所述个体行为指标和群体行为指标进行数据标准化，得到标准化数据特征；

S32、采用主成分分析法对所述标准化数据特征进行识别，得到识别后的数据特征因子；

S33、采用最大方差旋转法对所述数据特征因子进行降维处理，提取鱼类攻击行为的关键行为参数。

进一步地，所述步骤S5中确定所述ANNs模型的结构参数包括：隐含层、节点数、传递函数以及训练函数。

一种基于关键行为参数确定ANNs模型结构参数的方法，包括：重复执行上述基于人工神经网络的鱼类攻击行为量化方法，生成ANNs模型的数据集合，所述ANNs模型的数据集合包括：训练集合和验证集合；

将所述训练数据生成单元生成的所述训练集合作为训练数据集训练所述ANNs模型；

将所述训练数据生成单元生成的所述验证集合作为验证数据集验证训练后的所述ANNs模型。

一种基于人工神经网络的鱼类攻击行为量化装置，包括：

采集单元，用于采集鱼类攻击行为发生过程中的行为表现数据；

分析单元，用于对采集的所述行为表现数据进行参数分析；

识别提取单元，用于基于主成分分析法，对所述行为表现数据进行识别，并提取所述行为表现数据中的关键行为参数；

模型构建单元，用于构建ANNs模型，将提取的所述关键行为参数作为ANNs模型的输入，将攻击次数作为ANNs模型的输出；

确定单元，用于基于提取的所述关键行为参数，确定所述ANNs模型的结构参数；

生成单元，用于对确定结构参数后的ANNs模型进行仿真验证，得到基于ANNs的鱼类攻击行为量化模型。

一种基于关键行为参数确定ANNs模型结构参数的装置，包括：

训练数据生成单元，用于重复执行上述基于人工神经网络的鱼类攻击行为量化方法，生成ANNs模型的数据集合，所述ANNs模型的数据集合包括：训练集合和验证集合；

训练单元，用于将所述训练数据生成单元生成的所述训练集合作为训练数据集训练所述ANNs模型；

验证单元，用于将所述训练数据生成单元生成的所述验证集合作为验证数据集验证训练后的所述ANNs模型。

进一步地，所述采集单元包括高清摄像头、存储平台和服务器；所述分析单元为行为分析平台。

一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机指令集；所述计算机指令集被处理器执行时实现上述基于人工神经网络的鱼类攻击行为量化方法或上述的基于关键行为参数确定ANNs模型结构参数的方法。

较现有技术相比，本发明具有以下优点：

1、本发明提供的基于人工神经网络的鱼类攻击行为量化方法，采用降维思想，引入PCA区分鱼类攻击行为发生过程中的关键行为参数；在此基础上，将关键行为参数作为ANNs模型的输入，将攻击次数作为ANNs模型的输出，构建鱼类攻击行为和攻击次数之间的映射关系，有效的将鱼类攻击行为进行了量化。

2、本发明提供的基于人工神经网络的鱼类攻击行为量化方法，能够为在生产中减少鱼类攻击行为的发生、提高养殖效益和鱼类福利提供依据，有利于养殖产业的健康发展。

基于上述理由本发明可在生产管理等领域广泛推广。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做以简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明提供的一种基于人工神经网络的鱼类攻击行为量化方法的流程图。

图2为本发明提供的一种基于关键行为参数确定ANNs模型结构参数的方法流程图。

图3为本发明装置的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

以下结合附图对本发明实施例做进一步详述。

一种基于人工神经网络的鱼类攻击行为量化方法，如图1所示，包括如下步骤：

S1、采集鱼类攻击行为发生过程中的行为表现数据；

S2、对采集的所述行为表现数据进行参数分析；

所述步骤S2中对采集的所述行为表现数据进行参数分析，具体为：

采用坐标系的方法，对鱼类攻击过程中的行为进行计算，并分析出鱼类攻击过程中的个体行为指标和群体行为指标。所述个体行为指标包括攻击行为的游泳速度、最大加速度、移动距离、转弯次数和攻击次数；所述群体行为指标包括鱼的平均距离、孤立个体的数量和孤立时间。

S3、基于主成分分析法，对所述行为表现数据进行识别，并提取所述行为表现数据中的关键行为参数；

所述步骤S3具体包括：

S31、将所述个体行为指标和群体行为指标进行数据标准化，得到标准化数据特征；

S32、采用主成分分析法对所述标准化数据特征进行识别，得到识别后的数据特征因子；

S33、采用最大方差旋转法对所述数据特征因子进行降维处理，提取鱼类攻击行为的关键行为参数。

本实施例中，将180个攻击行为视频作为样本，每个样本监测7个因子，分别为攻击行为游泳速度、最大加速度、移动距离、转弯次数、鱼的平均距离、孤立个体的数量和孤立时间，在对数据进行标准化处理的基础上，计算标准化协方差矩阵，结果显示，共提取出游泳速度、最大加速度、鱼的平均距离、孤立个体的数量和孤立时间5个关键行为参数。

S4、构建ANNs模型，将提取的所述关键行为参数作为ANNs模型的输入，将攻击次数作为ANNs模型的输出；本实施例中，将游泳速度、最大加速度、鱼的平均距离、孤立个体的数量和孤立时间作为作为ANNs模型的输入向量。

S5、基于提取的所述关键行为参数，确定所述ANNs模型的结构参数；所述ANNs模型的结构参数包括：隐含层、节点数、传递函数以及训练函数。本实施例中，采用试错法确定ANNs模型的拓扑结构，确定隐含层为1，隐含层节点数为7，隐含层传递函数为tansig，输出层传递函数为purelin，训练函数为trainlm。

S6、对确定结构参数后的所述ANNs模型进行仿真验证，得到基于ANNs的鱼类攻击行为量化模型。

本发明实施例提供了一种基于关键行为参数确定ANNs模型结构参数的方法，包括以下步骤：

S7、重复执行上述实施例中的步骤S2-S5，生成ANNs模型的数据集合，所述ANNs模型的数据集合包括：训练集合和验证集合；

S8、将所述训练数据生成单元生成的所述训练集合作为训练数据集训练所述ANNs模型；本实施例中，将180个攻击行为数据中的120组作为训练集合。

S9、将所述训练数据生成单元生成的所述验证集合作为验证数据集验证训练后的所述ANNs模型。本实施例中，将60组作为验证集合，对ANNs模型精确度进行验证。

对应本申请中的基于人工神经网络的鱼类攻击行为量化方法，本申请还提供了一种基于人工神经网络的鱼类攻击行为量化装置，应用于养殖系统中，养殖系统包括养殖池、砂滤罐、气泵、紫外杀菌、升温设备和智能补光装置，本发明提供的鱼类攻击行为量化装置包括：采集单元、分析单元、识别提取单元、模型构建单元、确定单元以及生成单元；其中：

采集单元，用于采集鱼类攻击行为发生过程中的行为表现数据；所述采集单元包括高清摄像头、存储平台和服务器；采用高清摄像头以5帧/秒的采样频率，对鱼群攻击过程进行采样。

分析单元，用于对采集的所述行为表现数据进行参数分析；所述分析单元为行为分析平台。

识别提取单元，用于基于主成分分析法，对所述行为表现数据进行识别，并提取所述行为表现数据中的关键行为参数；

模型构建单元，用于构建ANNs模型，将提取的所述关键行为参数作为ANNs模型的输入，将攻击次数作为ANNs模型的输出；

确定单元，用于基于提取的所述关键行为参数，确定所述ANNs模型的结构参数；

生成单元，用于对确定结构参数后的ANNs模型进行仿真验证，得到基于ANNs的鱼类攻击行为量化模型。

对于本发明实施例的而言，由于其与上面实施例中的相对应，所以描述的比较简单，相关相似之处请参见上面实施例中部分的说明即可，此处不再详述。

对应本申请中的基于关键行为参数确定ANNs模型结构参数的方法，本申请还提供了一种基于关键行为参数确定ANNs模型结构参数的装置，包括：

训练数据生成单元，用于重复执行如权利要求1～5任一项所述的基于人工神经网络的鱼类攻击行为量化方法，生成ANNs模型的数据集合，所述ANNs模型的数据集合包括：训练集合和验证集合；

训练单元，用于将所述训练数据生成单元生成的所述训练集合作为训练数据集训练所述ANNs模型；

验证单元，用于将所述训练数据生成单元生成的所述验证集合作为验证数据集验证训练后的所述ANNs模型。

对于本发明实施例的而言，由于其与上面实施例中的相对应，所以描述的比较简单，相关相似之处请参见上面实施例中部分的说明即可，此处不再详述。

本申请实施例还公开了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机指令集；所述计算机指令集被处理器执行时实现上述基于人工神经网络的鱼类攻击行为量化方法或上述的基于关键行为参数确定ANNs模型结构参数的方法。

在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。