欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2025113439104
申请人: 广东海洋大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于自我对弈的海洋牧场智能决策系统,其特征在于,包括:多模态数据感知模块,用于采集多模态数据,所述多模态数据包括卫星遥感数据、水下传感器数据、声呐信号及渔业市场数据,并基于所述多模态数据通过图神经网络构建时空关联特征图谱;

大模型决策中枢模块,基于预训练的垂直领域大模型OceanGPT构建,用于通过跨模态对齐技术将多模态数据映射至统一语义空间,并基于注入的海洋生态因果图作为先验知识进一步完善时空关联特征图谱,实现变量关联推理,通过大模型决策生成一系列指令集组成策略空间;

动态博弈优化模块,用于将生态保护目标与经济效益目标作为博弈双方,从所述策略空间搜索帕累托最优解作为最终指令集;

虚实联动执行模块,连接海洋牧场数字孪生体与物理设备,用于根据决策指令驱动海洋牧场数字孪生体与物理设备执行对应操作,并通过联邦学习实现大模型决策中枢模块的参数动态更新;

具体的,虚实联动执行模块的构建原理,包括以下:数字孪生体预验证,需要验证最终指令集中的最优决策指令对于环境和生物的影响,包括环境响应模型和生物行为模型,其中,环境响应模型用于描述污染物浓度随空间和时间的变化,由于该方程是复杂的非线性偏微分方程,解析解在一般情况下不存在,因此,在数字孪生体预验证中,采用数值方法进行求解,相关公式如下:;

;

其中为污染物浓度,为扩散系数,为流速场,为温度驱动的生化反应项,是扩散项离散化,是对流项离散化,和分别表示流速场在方向和方向上的分量,和为计算网格在方向和方向的步长,通过计算当前时间污染物浓度的变化趋势,进而判断对环境的影响;

生物行为模型用鱼群移动方程来表示,由于微分方程无法直接解析求解,采用显式欧拉法进行离散化,得到随时间变化的鱼群个体位置,相关公式如下:其中为初始化鱼群个体位置,表示为权重值,表示的是第条鱼的邻居鱼群集合,为环境适宜度函数,为投饵点的空间坐标,为邻居鱼群位置,后两项分别表示投饵吸引力和群体聚集效应,通过环境适宜、投饵吸引力和群体聚集效应判断鱼群移动方向,进而评估对生物行为的影响,为时间步长,为时间点,其中,可行性分级机制,根据数字孪生体输出的生态经济复合指标EECI进行决策分级:;

;

;

;

其中表示为权重值,为生物量变化率,为初始时刻的鱼群总生物量,为鱼群密度函数由同一时间所有个体位置的统计分布生成,为利润变化率,为初始时刻的经济利润,为生态风险增量,为自然状态下的风险值,表示安全临界浓度,为阶跃函数,时为1否则为0,为Sigmoid归一化函数;

分级规则如下:

:直接下发至物理设备执行;

:触发博弈模块重新优化;

:生成警报并启动人工复核流程;

使用联邦学习实现大模型决策中枢模块的参数动态更新,增加新型污染事件的处理机制,该部分的损失函数为:;

其中,表示新型污染事件的预测任务损失函数,为灾难性遗忘抑制系数,和分别为新旧数据分布,表示KL散度,用于计算模型在新旧数据上输出的概率分布之间的差异。

2.根据权利要求1所述的一种基于自我对弈的海洋牧场智能决策系统,其特征在于,具体的,基于所述多模态数据通过图神经网络构建时空关联特征图谱,包括,按照预设规格划分卫星像素网格,计算不同网格之间的空间邻近性、时间邻近性和统计相关性,从而构建时空关联图,相关公式如下:;

;

;

;

;

其中表示空间邻近性,表示节点和之间的欧式距离,表示空间阈值;表示时间邻近性,和表示节点数据的时间戳,表示时间衰减系数;表示统计相关性,和表示节点的历史数据序列,表示计算皮尔逊系数,和分别表示变量和的标准差,和表示权重系数;表示邻接矩阵;

构建时空图卷积网络ST-GCN,融合卫星、无人机、水下传感器及市场数据的时空关联特征构建时空关联特征图谱,相关公式如下:其中表示包含自连接的邻接矩阵,表示度矩阵节点用于记录每个节点的邻居数,表示图卷积网的当前层数,表示图卷积网的总层数,表示第层的特征矩阵,表示时空关联特征图谱的初始化特征,表示可学习参数矩阵,表示融合不同层的特征矩阵。

3.根据权利要求1所述的一种基于自我对弈的海洋牧场智能决策系统,其特征在于,具体的,通过跨模态对齐技术将多模态数据映射至统一语义空间时,对第个模态特征提取为:;

;

;

其中表示模态专用编码器,表示第个模态的原始输入数据,表示第个模态专用编码器的可训练参数集合,表示融合后的多模套特征,共有个模态,表示不同模态下的权重值,表示查询向量,表示特征维度。

4.根据权利要求1所述的一种基于自我对弈的海洋牧场智能决策系统,其特征在于,具体的,大模型决策中枢模块的构建原理,包括,大模型预训练,使用包含海洋物理、生物化学及渔业经济知识的千亿级token语料库对OceanGPT进行初始训练;

目标函数,通过CLIP架构实现卫星影像片段与文本描述的跨模态对齐和因果正则化约束模型参数符合预设的生态因果链,双重优化目标函数,其公式如下:,

,

,

其中表示表示对所有图像文本对取均值,为图像与文本的相似度得分,表示其他候选的文本描述,通过累加计算当前图像与所有候选的文本的相似度得分,为温度系数;为预设的海洋生态因果图,表示模型预测中变量对的实际影响强度,表示对的因果强度先验值,为正则化系数;通过增强正样本的相似度和降低负样本的相似度为目的实现跨模态对齐;通过L2范数约束两者的差异,迫使模型学习到的因果关系与预设生态知识一致,避免生成违背科学规律的决策,思维链CoT策略生成,基于大模型生成自然语言策略描述,将多模态卫星影像片段与文本描述作为输入,输出可执行策略。

5.根据权利要求1所述的一种基于自我对弈的海洋牧场智能决策系统,其特征在于,具体的,动态博弈优化模块的构建原理,包括,构建生态效用函数,其公式为:

;

其中和为动态权重系数,通过大模型实时计算调整,表示碳信用;表示生物多样性指数;

构建经济效用函数,其公式为:

,

其中和为动态权重系数,通过大模型实时计算调整,表示净利润;表示市场风险指数;

帕累托最优解搜索采用改进的NSGA-II算法,其适应度函数为:,

其中代表海洋牧场运营中的决策变量集合,同时满足约束条件,不同的策略会影响生态和经济效用,因此采用NSGA-II算法计算决策集合的适应度;

当检测到灾害预警信号时,生态效用和经济效用的权重系数按以下规则调整:,

其中为灾害持续时间,和为应急响应系数,为预设初始权重系数。