溶解氧（Dissolved oxygen,DO）含量是影響水產(chǎn)養(yǎng)殖產(chǎn)量的重要因素之一具有時序性、不穩(wěn)定性和非線性等特點,且其影響因子過多、存在復雜的耦合關(guān)系,難以實現(xiàn)精準預(yù)測。針對傳統(tǒng)長短時記憶神經(jīng)網(wǎng)絡(luò)（Long shortterm memory,LSTM）預(yù)測模型易引入冗余數(shù)據(jù),且在訓練過長序列時會出現(xiàn)梯度消失現(xiàn)象,從而不能捕捉因子間長期的依賴性問題,提出了基于小波變換（Wavelet transform,WT）、卷積神經(jīng)網(wǎng)絡(luò)（Convolutional neural network,CNN）和LSTM的溶解氧含量預(yù)測模型。首先使用WT降低數(shù)據(jù)噪聲;然后,使用CNN深度挖掘各變量之間的潛在關(guān)系;最后,利用,LSTM的時序性預(yù)測2 h后的水產(chǎn)養(yǎng)殖溶解氧含量。結(jié)果表明,本文提出的WT-CNN-LSTM模型預(yù)測效果良好,其平均絕對誤差、均方根誤差和決定系數(shù)分別為0.138、0.229和0.954,比傳統(tǒng)LSTM模型分別優(yōu)化了28.87%、21.03%和4.61%。 

【文章來源】：農(nóng)業(yè)機械學報. 2020,51(10)北大核心EICSCD

【文章頁數(shù)】：8 頁

【部分圖文】：

池塘傳感器分布圖Fig．1Distributionmapofsensorsinpond

分盡可能多地被發(fā)現(xiàn)，因此成為當前分析時間序列的有效工具［20］。其流程如圖2所示。圖2小波變換流程圖Fig．2Processofwavelettransform具體步驟為:(1)小波分解:根據(jù)不同變量的數(shù)據(jù)特征選擇最佳小波函數(shù)對含噪信號進行分解，本文使用了常見的haar、coif、sym、db4種小波。(2)閾值量化:為分解后每一層的高頻系數(shù)選擇合適的閾值，本文采用的是全局閾值。(3)小波重構(gòu):根據(jù)第1層至第N層的高頻系數(shù)和第N層的低頻系數(shù)進行小波重構(gòu)，最終實現(xiàn)降噪。(4)降噪效果評價:一般來說，信號的信噪比(Signaltonoiseratio，SNＲ)與估計信號同原始信號的均方根誤差(Ｒootmeansquarederror，ＲMSE)是評價降噪效果的標準，SNＲ越大，ＲMSE越小，降噪效果越好。2.2CNNLSTM模型2.2.1卷積神經(jīng)網(wǎng)絡(luò)針對溶解氧影響因素多，且影響因子間存在復雜的耦合關(guān)系這一特點，本文使用CNN來挖掘輸入變量間的潛在信息。它采用局部連接和共享權(quán)值的方式，通過卷積層和池化層交替使用來獲取原始數(shù)據(jù)的有效表征，自動提取原始數(shù)據(jù)的有用特征形成特征向量［21－22］。構(gòu)建卷積層和池化層的具體步驟為:(1)確定輸入樣本尺寸，初始化卷積層和池化層中的卷積核尺寸和數(shù)量。(2)將降噪后的數(shù)據(jù)輸入CNN模型。(3)通過改變池化層中卷積核的尺寸，對比最終結(jié)果，選擇池化層中卷積核的最佳尺寸。2.2.2長短時記憶神經(jīng)網(wǎng)絡(luò)LSTM網(wǎng)絡(luò)是循環(huán)神經(jīng)網(wǎng)絡(luò)(Ｒecurrentneuralnetwork，ＲNN)的改進版本。標準的ＲNN結(jié)構(gòu)中只有一個神經(jīng)元、一個tanh層進行重復學習，而LSTM引入了“門”的結(jié)構(gòu)來去除或者增加?

2長短時記憶神經(jīng)網(wǎng)絡(luò)LSTM網(wǎng)絡(luò)是循環(huán)神經(jīng)網(wǎng)絡(luò)(Ｒecurrentneuralnetwork，ＲNN)的改進版本。標準的ＲNN結(jié)構(gòu)中只有一個神經(jīng)元、一個tanh層進行重復學習，而LSTM引入了“門”的結(jié)構(gòu)來去除或者增加信息到細胞狀態(tài)的能力［23－24］，具體架構(gòu)如圖3所示。σ層輸出0～1之間的數(shù)值，描述每個部分可以通過的量。LSTM擁有3個門，即輸入門、輸出門和遺忘門，來保護和控制細胞狀態(tài)。遺忘門決定從“細胞”中丟棄的信息，輸入門決定將要更新的值，圖3LSTM結(jié)構(gòu)圖Fig．3StructurediagramofLSTM輸入門和遺忘門協(xié)同更新細胞的信息編碼。LSTM模型相應(yīng)計算公式為ft=σ(Wf［ht－1，xt］+bf)(1)it=σ(Wi［ht－1，xt］+bi)(2)Ct=tanh(WC［ht－1，xt］+bC)(3)C"t=ftC"t－1+itCt(4)ot=σ(Wo［ht－1，xt］+bo)(5)ht=ottanh(C"t)(6)式中it、ft、ot———輸入門、遺忘門、輸出門xt———t時刻的輸入σ(·)———sigmoid激活函數(shù)tanh(·)———雙曲正切激活函數(shù)Wi、Wf、Wo———輸入門、遺忘門、輸出門權(quán)重WC———候選向量權(quán)重bi、bf、bo———輸入門、遺忘門、輸出門偏置bC———候選向量偏置Ct———t時刻的候選向量C"t———t時刻的候選向量更新值ht、ht－1———t、t－1時間點模型的所有輸出2.2.3CNNLSTM模型構(gòu)建CNN多用于

【參考文獻】：
期刊論文
[1]考慮上下游的LSTM短時交通流量預(yù)測[J]. 滿春濤,康丹青.  哈爾濱理工大學學報. 2019(05)
[2]基于粒子群優(yōu)化LSTM的股票預(yù)測模型[J]. 宋剛,張云峰,包芳勛,秦超.  北京航空航天大學學報. 2019(12)
[3]小波和傅里葉變換在坐標時間序列分析中的應(yīng)用[J]. 蔡富,孫付平,戴海亮,朱新慧,張龍龍.  全球定位系統(tǒng). 2019(04)
[4]基于FTVGG16卷積神經(jīng)網(wǎng)絡(luò)的魚類識別方法[J]. 陳英義,龔川洋,劉燁琦,方曉敏.  農(nóng)業(yè)機械學報. 2019(05)
[5]基于CNN-LSTM混合神經(jīng)網(wǎng)絡(luò)模型的短期負荷預(yù)測方法[J]. 陸繼翔,張琪培,楊志宏,涂孟夫,陸進軍,彭暉.  電力系統(tǒng)自動化. 2019(08)
[6]主成分分析和長短時記憶神經(jīng)網(wǎng)絡(luò)預(yù)測水產(chǎn)養(yǎng)殖水體溶解氧[J]. 陳英義,程倩倩,方曉敏,于輝輝,李道亮.  農(nóng)業(yè)工程學報. 2018(17)
[7]融合ARIMA模型和GAWNN的溶解氧含量預(yù)測方法[J]. 吳靜,李振波,朱玲,李晨.  農(nóng)業(yè)機械學報. 2017(S1)
[8]魚菜共生水體溶解氧時空變化規(guī)律及其影響因素研究[J]. 饒偉,楊衛(wèi)中,位耀光,李道亮.  農(nóng)業(yè)機械學報. 2017(S1)
[9]養(yǎng)殖中水體溶解氧的重要性[J]. 陳俊.  植物醫(yī)生. 2016(11)
[10]類腦智能研究的回顧與展望[J]. 曾毅,劉成林,譚鐵牛.  計算機學報. 2016(01)

碩士論文
[1]脈沖神經(jīng)網(wǎng)絡(luò)學習算法的研究及其應(yīng)用[D]. 胡志根.電子科技大學 2017
[2]基于STDP的脈沖神經(jīng)網(wǎng)絡(luò)學習算法的研究[D]. 阮承妹.福建師范大學 2013



本文編號：3099722