小麥多生理生化指標(biāo)變化趨勢反映了儲藏品質(zhì)的劣變狀態(tài),預(yù)測多指標(biāo)時序數(shù)據(jù)會因關(guān)聯(lián)性及相互作用而產(chǎn)生較大誤差,為此該文基于長短期記憶網(wǎng)絡(luò)（LSTM）和生成式對抗網(wǎng)絡(luò)（GAN）提出一種改進(jìn)拓?fù)浣Y(jié)構(gòu)的長短期記憶生成對抗網(wǎng)絡(luò)（LSTM-GAN）模型。首先,由LSTM預(yù)測多指標(biāo)不同時序數(shù)據(jù)的劣變趨勢;其次,根據(jù)多指標(biāo)的關(guān)聯(lián)性并結(jié)合GAN的對抗學(xué)習(xí)方法來降低綜合預(yù)測誤差;最后通過優(yōu)化目標(biāo)函數(shù)及訓(xùn)練模型得出多指標(biāo)預(yù)測結(jié)果。經(jīng)實(shí)驗(yàn)分析發(fā)現(xiàn):小麥多指標(biāo)的長短期時序數(shù)據(jù)的變化趨勢不同,進(jìn)一步優(yōu)化模型結(jié)構(gòu)及訓(xùn)練時序長度可有效降低預(yù)測結(jié)果的誤差;特定條件下小麥品質(zhì)過快劣變會使多指標(biāo)預(yù)測誤差增大,因此應(yīng)充分考慮儲藏期環(huán)境變化對多指標(biāo)數(shù)據(jù)的影響;LSTM-GAN模型的綜合誤差相對于僅使用LSTM預(yù)測降低了9.745%,并低于多種對比模型,這有助于提高小麥品質(zhì)多指標(biāo)預(yù)測及分析的準(zhǔn)確性。 

【文章來源】：電子與信息學(xué)報(bào). 2020,42(12)北大核心EICSCD

【文章頁數(shù)】：8 頁

【部分圖文】：

長短期記憶網(wǎng)絡(luò)單元結(jié)構(gòu)

如果判別器D計(jì)算得出兩個矩陣中某些行列的差異較大，即本輪訓(xùn)練過程中一些小麥品質(zhì)指標(biāo)在相應(yīng)儲藏條件下的預(yù)測誤差相對較大，則反饋給LSTM模塊并調(diào)整優(yōu)化相應(yīng)的訓(xùn)練過程，使其得出更準(zhǔn)確的預(yù)測結(jié)果后再次更新傳給判別器D的預(yù)測結(jié)果矩陣。LSTM-GAN模型在判別器D不斷糾正預(yù)測結(jié)果矩陣中相對誤差較大的數(shù)據(jù)之后，整體損失函數(shù)也將會逐漸降低，直到模型預(yù)測結(jié)果的綜合誤差降低到一定范圍內(nèi)或者達(dá)到設(shè)置的訓(xùn)練次數(shù)時，終止模型訓(xùn)練過程并輸出小麥多指標(biāo)的預(yù)測值。3.2 LSTM-GAN模型目標(biāo)函數(shù)

另外為比較不同筋力小麥的指標(biāo)預(yù)測情況，用LSTM-GAN模型分別訓(xùn)練強(qiáng)筋、中筋、弱筋這3種筋力小麥多指標(biāo)數(shù)據(jù)，得出如表4所示的誤差計(jì)算結(jié)果。其中，脂肪酸值、電導(dǎo)率這兩個指標(biāo)預(yù)測強(qiáng)筋麥的數(shù)據(jù)誤差相對較�。粚τ谥薪铥�，發(fā)芽率、過氧化物酶這2個指標(biāo)的預(yù)測更加準(zhǔn)確；降落數(shù)值、沉降值指標(biāo)在弱筋麥中的預(yù)測誤差小于強(qiáng)筋麥和中筋麥的預(yù)測結(jié)果。由表4可知，3種筋力小麥的總體誤差分別為2.042,1.974和1.943，它們沒有明顯的數(shù)值差異。4.3 LSTM-GAN與其他模型預(yù)測誤差對比


本文編號：3515523