本发明涉及智能鱼缸控制，更具体地说，本发明涉及一种基于机器学习的智能鱼缸控制系统及方法。
背景技术：
1、随着社会节奏的加快，人们的生活水平不断提高，越来越多的人选择饲养宠物来放松身心，水生宠物在宠物选择中占据着相当大的比例，然而，随之而来的问题也逐渐显现：搬家时失去了适宜的饲养条件，加班或旅行无法及时照顾宠物，甚至宠物生病或死亡，为解决这些问题，智能鱼缸系统应运而生，这些系统利用传感器获取鱼缸的关键信息，经过处理后上传至手机端，实现远程控制，这一技术创新为宠物饲养者带来了便利，无论身在何处，用户都能轻松监控宠物的生活环境和健康状况，及时调整水温、光照、水质等参数从而确保宠物的健康。
2、例如，公开号为cn102880156a的专利公开了一种鱼缸智能监控方法及其系统，该专利通过浊度传感器、含氧量传感器、ph值传感器以及温度传感器采集鱼缸内水质的监测数据，通过对监测数据进行分析从而实现对鱼缸进行控制；
3、上述专利虽然实现了对鱼缸进行智能控制，但是上述专利只是对鱼缸的投食、加温等简单功能进行控制，而没有涉及到换水功能，现有技术中已经出现了具有微换水功能的鱼缸，微换水指的是鱼缸能够同时进行进水和出水，但是现有技术中的微换水只是预先进行设定，而没有根据鱼缸的水质进行主动调节。
4、鉴于此，本发明提出一种基于机器学习的智能鱼缸控制系统及方法以解决上述问题。
技术实现思路
1、为了克服现有技术的上述缺陷，本发明提供一种基于机器学习的智能鱼缸控制系统及方法。
2、为实现上述目的，本发明提供如下技术方案：
3、一种基于机器学习的智能鱼缸控制方法，包括：
4、s10：获取待换水鱼缸的水质参数，根据水质参数生成水质污染系数，基于水质污染系数确定水质污染等级；
5、s20：将水质污染等级输入到预构建的换水量模型中，获得换水量模型输出的目标换水量；
6、s30：获取待换水鱼缸的挥发参数，将挥发参数输入到预构建的挥发量模型中，获得挥发量模型输出的目标挥发量，基于目标换水量以及目标挥发量确定进水速率，基于目标换水量确定出水速率，挥发参数包括鱼缸水面积、鱼缸水温度、鱼缸环境湿度以及待换水时间；
7、s40：获取换水当日的喂食时刻，根据喂食时刻确定换水时刻，根据换水时刻、进水速率和出水速率对待换水鱼缸进行换水。
8、进一步地，水质参数包括实时氨浓度、实时硝酸盐浓度、实时亚硝酸盐浓度以及实时ph值，根据水质参数生成水质污染系数的方法包括：
9、
10、式中，wpi为水质污染系数，nacrt为实时硝酸盐浓度，nacrt为标准硝酸盐浓度，nicrt为实时亚硝酸盐浓度，nicsd为标准亚硝酸盐浓度，phvrt为实时ph值，phvsd为标准ph值，acnrt为实时氨浓度，acnsd为标准氨浓度，u1、u2和u3为权重系数。
11、进一步地，基于水质污染系数确定水质污染等级的方法包括：
12、水质污染等级包括轻度污染、中度污染和重度污染；
13、当水质污染系数小于第一污染系数阈值时，则水质污染等级为轻度污染；
14、当水质污染系数小于第二污染系数阈值，且大于等于第一污染系数阈值时，则水质污染等级为中度污染；
15、当水质污染系数大于等于第二污染系数阈值时，则水质污染等级为重度污染。
16、进一步地，换水量模型的构建方法包括：
17、获取i组数据，i为大于1的正整数，数据包括历史水质污染等级和历史目标换水量，将历史水质污染等级和历史目标换水量作为样本集，将样本集划分为训练集和测试集，构建分类器，将训练集中的历史水质污染等级作为输入数据，将训练集中的历史目标换水量作为输出数据，对分类器进行训练，得到初始分类器，利用测试集对初始分类器进行测试，输出满足预设准确度的分类器作为换水量模型。
18、进一步地，挥发量模型的构建方法包括：
19、获取样本数据集，所述样本数据集中包括历史挥发参数和历史目标挥发量，将样本数据集划分为样本训练集和样本测试集，构建回归网络，以样本训练集中的历史挥发参数作为回归网络的输入数据，以样本训练集中的历史目标挥发量作为回归网络的输出数据，对回归网络进行训练，得到用于预测实时目标挥发量的初始回归网络，利用样本测试集对初始回归网络进行测试，输出满足小于预设误差值的回归网络作为挥发量模型。
20、进一步地，基于目标换水量以及目标挥发量确定进水速率的方法包括：
21、
22、式中，wfr为进水速率，twc为目标换水量，ten为目标挥发量，wct为换水时间。
23、进一步地，基于目标换水量确定出水速率的方法包括：
24、通过目标换水量除以换水时间得到出水速率。
25、进一步地，根据喂食时刻确定换水时刻的方法包括：
26、将喂食时刻标记为n，则n+h为换水时刻，其中h大于1小时。
27、一种基于机器学习的智能鱼缸控制系统，其用于实现上述的一种基于机器学习的智能鱼缸控制方法，包括：
28、污染等级确定模块：用于获取待换水鱼缸的水质参数，根据水质参数生成水质污染系数，基于水质污染系数确定水质污染等级；
29、换水量确定模块：用于将水质污染等级输入到预构建的换水量模型中，获得换水量模型输出的目标换水量；
30、挥发量确定模块：用于获取待换水鱼缸的挥发参数，将挥发参数输入到预构建的挥发量模型中，获得挥发量模型输出的目标挥发量，基于目标换水量以及目标挥发量确定进水速率，基于目标换水量确定出水速率，挥发参数包括鱼缸水面积、鱼缸水温度、鱼缸环境湿度以及待换水时间；
31、换水调节模块：用于获取换水当日的喂食时刻，根据喂食时刻确定换水时刻，根据换水时刻、进水速率和出水速率对待换水鱼缸进行换水。
32、一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被执行时实现上述一种基于机器学习的智能鱼缸控制方法。
33、相比于现有技术，本发明的有益效果为：
34、本发明中先是获取了待换水鱼缸的水质参数，根据水质参数生成水质污染系数，基于水质污染系数确定水质污染等级，再根据水质污染等级获得目标换水量，接着获取待换水鱼缸的挥发参数，根据挥发参数获得目标挥发量，基于目标换水量以及目标挥发量确定进水速率，基于目标换水量确定出水速率，最后确定换水时刻，根据换水时刻、进水速率和出水速率对待换水鱼缸进行换水，这样不仅能够根据鱼缸的水质对换水进行主动调节，而且不会在换水过程中造成观赏鱼出现消化系统紊乱。
1.一种基于机器学习的智能鱼缸控制方法，其特征在于，包括：
2.根据权利要求1所述的一种基于机器学习的智能鱼缸控制方法，其特征在于，所述水质参数包括实时氨浓度、实时硝酸盐浓度、实时亚硝酸盐浓度以及实时ph值，根据水质参数生成水质污染系数的方法包括：
3.根据权利要求2所述的一种基于机器学习的智能鱼缸控制方法，其特征在于，所述基于水质污染系数确定水质污染等级的方法包括：
4.根据权利要求3所述的一种基于机器学习的智能鱼缸控制方法，其特征在于，所述换水量模型的构建方法包括：
5.根据权利要求1所述的一种基于机器学习的智能鱼缸控制方法，其特征在于，所述挥发量模型的构建方法包括：
6.根据权利要求1所述的一种基于机器学习的智能鱼缸控制方法，其特征在于，所述基于目标换水量以及目标挥发量确定进水速率的方法包括：
7.根据权利要求1所述的一种基于机器学习的智能鱼缸控制方法，其特征在于，所述基于目标换水量确定出水速率的方法包括：
8.根据权利要求1所述的一种基于机器学习的智能鱼缸控制方法，其特征在于，所述根据喂食时刻确定换水时刻的方法包括：
9.一种基于机器学习的智能鱼缸控制系统，其用于实现权利要求1-8中任一项所述的一种基于机器学习的智能鱼缸控制方法，其特征在于，包括：
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被执行时实现权利要求1至8任一项所述一种基于机器学习的智能鱼缸控制方法。
