為了有效地指導水產養(yǎng)殖生產,提高溶解氧濃度預測的精度,提出了基于因子篩選和改進極限學習機(Extreme Learning Machine,ELM)的水產養(yǎng)殖溶解氧預測模型。首先,利用皮爾森相關系數(shù)法計算各影響因子與溶解氧濃度間的相關系數(shù),提取強關聯(lián)因子,降低預測模型的輸入量維度;采用偏最小二乘算法(Partial Least Square, PLS)優(yōu)化傳統(tǒng)ELM神經網絡,避免網絡中隱含層共線性問題,保障輸出權值的穩(wěn)定性;然后,結合新型激活函數(shù),構建水體溶解氧濃度預測模型。最后,將SPLS-ELM(Selection Based Partial Least Square Optimized-Extreme Learning Machine)預測模型應用到江蘇省無錫市南泉基地某試驗池塘的水體溶解氧預測中。試驗結果表明:該模型的預測均方根誤差為0.323 2 mg/L,與最小二乘支持向量機(Least Square Support Vector Machine,LSSVM)、BP神經網絡、粒子群(Particle Swarm Optimization,PSO)優(yōu)化LSSVM和遺傳算法(G...

【文章頁數(shù)】：8 頁

【部分圖文】：

圖23種激活函數(shù)Fig.2Threeactivationfunction

第19期施珮等：基于改進極限學習機的水體溶解氧預測方法2271.3研究方法1.3.1基于新型激活函數(shù)的極限學習機ELM是一種具有較強非線性處理能力的單隱藏層神經網絡學習算法[13]。在ELM中，假設存在N個樣本數(shù)據(xi,ti)(i=1,2,…,N)，其中，xi=[xi1,xi2....

圖4溶解氧預測模型算法流程圖Fig.4Flowchartofdissolvedoxygenpredictionmodel

第19期施珮等：基于改進極限學習機的水體溶解氧預測方法229圖4溶解氧預測模型算法流程圖Fig.4Flowchartofdissolvedoxygenpredictionmodel步驟一，數(shù)據的預處理：針對水質監(jiān)測系統(tǒng)和自動氣象站采集的數(shù)據進行預處理，主要完成水質數(shù)據和自動氣象站....

圖5SPLS-ELM預測模型的溶解氧預測值曲線Fig.5SPLS-ELMmodels’predictedtrendsofdissolvedoxygen

農業(yè)工程學報（http://www.tcsae.org）2020年230果表明，提出的SPLS-ELM在PLS-ELM的基礎上提高了模型的預測效率以及預測值與實際值之間的關聯(lián)性，PLS優(yōu)化操作也提高了傳統(tǒng)ELM的預測效率以及預測值與實際值之間的關聯(lián)性。SPLS-ELM預測模型的效....

本文編號：3982344