采用改进长短时记忆神经网络的水产养殖溶解氧预测模型

作     者：曹守启 周礼馨 张铮 Cao Shouqi;Zhou Lixin;Zhang Zheng

作者机构：上海海洋大学工程学院上海201306 上海海洋可再生能源工程技术研究中心上海201306 

基　　金：十三五“蓝色粮仓科技创新”国家重点研发计划项目(2019YFD0900800) 上海市工程技术研究中心建设计划“上海海洋可再生能源工程技术研究中心”(编号19DZ2254800) 

出 版 物：《农业工程学报》 (Transactions of the Chinese Society of Agricultural Engineering)

年 卷 期：2021年第37卷第14期

页      码：235-242页

摘      要：为了精确预测水产养殖溶解氧变化趋势,该研究提出了基于K-means聚类和改进粒子群优化(Improved Particle Swarm Optimization,IPSO)的长短时记忆(Long Short-term Memory,LSTM)神经网络预测模型。根据环境因子间的相似度,应用改进的K-means聚类算法将环境数据划分为若干类。在此基础上,基于LSTM神经网络算法构建改进的水产养殖溶解氧预测模型,并引入改进粒子群优化算法对模型参数进行优化,以减少经验选取参数的盲目性。在不同天气状况下利用该模型对溶解氧进行预测。试验结果表明,在良好天气情况下,该模型预测误差曲线波动较小,预测精度更高。当天气发生突变时,溶解氧预测模型评价指标平均绝对百分误差、均方根误差、平均绝对误差和纳什系数分别为0.1295、0.6453、0.4613和0.9022。该模型一定程度改善了天气突变状况下的数据缺失、鲁棒性差等问题。

主 题 词：水产养殖 水质 溶解氧 聚类 LSTM 粒子群优化 

学科分类：0809[工学-计算机类] 08[工学] 

核心收录：

D　O　I：10.11975/j.issn.1002-6819.2021.14.027

馆 藏 号：203105020...