Page 212 - 《水产学报》2025年第12期

母刚，等 水产学报, 2025, 49(12): 129516

标。赵思琪等 [37] 基于蚁群优化算法的模糊 PID [ 2 ] 杨宇. 扇贝幼体上升流培育系统研究 [D]. 大连: 大连海洋大
控制技术实现了草鱼 (Ctenopharyngodon idella) 学, 2024.
池塘养殖的精准投饵，计算得自动投饵较人工 Yang Y. Study of upwelling cultivation system for scallop lar-
投饵方式 R RMS E 值降低了 54.32%，与本研究中 vae [D]. Dalian: Dalian Ocean University, 2024 (in Chinese).

30~32d 自动投饵较人工投饵降低 50.34% 的结 [ 3 ] 魏振禄, 陈敏. 单细胞藻类在虾夷扇贝育苗中的应用 [J]. 海
果相似，高于本研究中 42~44 d 的 23.09%，说 洋通报, 1996, (1): 61-66.
明自动投饵技术能大幅提高投饵的精准度。何 Wei Z L, Chen M. Application of unicellular algae to EZO scal-
津民等 [38] 开发了基于自注意力机制和 CNN- lop Patinopecten yessoensis culture[J]. Marine Science, 1996,
LSTM 深度学习的对虾投饵量预测模型，与基 (1): 61-66 (in Chinese).
于 BP、LSTM、CNN-LSTM 的预测模型进行对 [ 4 ] 孙超. 双壳贝类人工育苗技术的优化 [D]. 烟台: 鲁东大学,
比，发现基于自注意力机制和 CNN-LSTM 深度 2024.
学习的对虾投饵量预测模型 R RMSE 、MAPE 均 Sun C. The optimization of artificial seedling-raising techno-
最低，表明不同的算法在处理相同问题时有不 logy of bivalves [D]. Yan Tai: Ludong University, 2024 (in
同的表现，需要结合实际情况选择合适的算法。 Chinese).
[ 5 ] 叶婵, 邓长辉, 曹向南, 等. 基于 BP 神经网络的对虾病害防治
4 结论
专家系统 [J]. 大连海洋大学学报, 2015, 30(3): 319-323.
本研究筛选了虾夷扇贝育苗投饵预测模型 Ye C, Deng C H, Cao X N, et al. An expert system for prawn
的输入向量，关联度大小依次为食饵量＞生长 disease diagnose and prevention based on back propagation arti-
天数＞水温。训练了虾夷扇贝育苗投饵预测模 ficial neural network[J]. Journal of Dalian Ocean University,
型，R 值高于 0.99，表明基于 BP 神经网络专家 2015, 30(3): 319-323 (in Chinese).
知识库训练的投饵预测模型的预测值与训练值 [ 6 ] 田崇峰, 陆红飞, 田恺, 等. 基于改进神经网络的小型鱼塘水
的拟合度较好，可用于构建虾夷扇贝育苗自动 质检测仪设计与实现 [J]. 自动化与仪器仪表, 2024(4): 235-
投饵模型。为虾夷扇贝育苗自动投饵系统设计 238,243.
提供了理论依据。 Tian C F, Lu H F, Tian K, et al. Design and implementation of
通过虾夷扇贝育苗投饵试验，发现 30 d 的 a small fish pond water quality detection instrument based on
虾夷扇贝幼苗由系统自动投饵 3 d 后，R RMS E 值 improved neural network[J]. Automation & Instrumentation,
较人工投饵降低了 50.34%；40 d 的虾夷扇贝幼 2024(4): 235-238,243 (in Chinese).
苗在自动投饵 3 d 后，R RMS E 值较人工投饵降低 [ 7 ] 俞国燕, 王涛, 郭国全, 等. 船载投料系统饲料颗粒流落点预
了 23.09%，MAPE 值较人工投饵降低了 48.72%， 测 [J]. 广东海洋大学学报, 2024, 44(1): 142-152.
表明虾夷扇贝育苗投饵预测模型的决策性能较 Yu G Y, Wang T, Guo G Q, et al. Method and experiment for
好，其精准度与稳定性均优于人工投饵。 predicting feed particle landing points in ship-mounted feeding
随着机器学习与传感器技术的快速发展， system[J]. Journal of Guangdong Ocean University, 2024,
水产养殖也逐步走向智能化。本研究建立了虾 44(1): 142-152 (in Chinese).
夷扇贝育苗投饵预测模型并开展了自动投饵试 [ 8 ] 严玉洁. AMBR 工艺畜禽养殖污水处理及 BP 神经网络水质
验研究，研究表明机器学习技术为有效解决贝 预测研究 [D]. 银川: 宁夏大学, 2017.
类育苗投饵问题提供了新思路。 Yan Y J. Study on dairy wastewater treatment by AMBR and
effluent quality forecast by BP neural network[D]. Yinchuan:
参考文献 (References)： Ningxia University, 2017 (in Chinese).
[ 1 ] 李鑫, 潘澜澜, 张媛, 等. 超声清洗对活品虾夷扇贝品质的影 [ 9 ] 丁金婷, 臧泽林, 黄敏. 模糊方法改进的反向传输神经网络预
响 [J]. 湖北农业科学, 2023, 62(8): 149-154. 测南美白对虾养殖的水质 [J]. 浙江大学学报 (农业与生命科
Li X, Pan L L, Zhang Y, et al. Effects of ultrasonic cleaning on 学版), 2017, 43(1): 128-136.
quality of live Patinopecten yessoensis[J]. Hubei Agricultural Ding J T, Zang Z L, Huang M. Litopenaeus vannamei aquacul-
Sciences, 2023, 62(8): 149-154 (in Chinese). ture water quality prediction based on the improved back

中国水产学会主办 sponsored by China Society of Fisheries https://www.china-fishery.cn
11