基于长短期记忆的柑橘园蒸散量预测模型

传统的柑橘灌溉方式主要依赖人工经验，一方面有可能导致灌溉时机不准确，另一方面有可能造成灌溉量过高或者过低，对果实的生长都会产生负面影响。柑橘果园水分蒸散量是表征耗水量的重要指标。为了实现对大面积柑橘果园蒸散量(Evapotranspiration, ET)的准确估算，制定更加科学精细化的灌溉策略，基于气象数据集，应用长短期记忆（Long short term memory, LSTM）、极限学习机（Extreme learning machine, ELM）和广义回归神经网络(General regression neural network, GRNN)方法对蒸散量建立预测模型并验证其准确性。结果表明，LSTM模型的平均绝对误差(Mean absolute error, MAE)和均方根误差(Root mean square error, RMSE)是3种模型中最优的，ELM和GRNN模型的性能接近。为了估算3种模型结果的可信度，在训练时加入了蒙特卡洛不确定性分析方法。结果表明，LSTM模型在不同输入特征数量下具有较高的精度，而ELM模型存在预测值偏高的现象，GRNN模型则偏低。     

应用PSO-KELM模型预测水文时间序列

水文时间序列预测对于水文水利决策有着重要的意义。鉴于水文时间序列的复杂性,提出了一种水文时间序列的混合核PSO-KELM预测模型:将极限学习机(extreme learning machine,ELM)模型应用于水文时序预测研究,基于多核学习思想,构造由径向基核函数和多项式核函数加权构成的混合核函数,其综合了径向基核函数和多项式核函数的优点,并通过粒子群算法(particle swarm optimization,PSO)对模型的参数进行寻优,避免了人工操作造成的繁琐性和主观性。兰州站年径流量和金沟河流域年径流量实测数据被用来验证新模型合理性。通过两个算例表明:新模型能够获取比BP模型、RBF模型更好的结果。     

基于LS-SVM的小水电站年发电量智

针对小水电站年发电量序列的特点，将最小二乘支持向量机（least squares support vector machine, LS-SVM）回归模型引入年发电量预测领域，并给出了相应的过程和算法。与常规基于人工神经网络（artificial neural networks, ANN）的智能预测方法比较，该模型优点是明显的：①将神经网络迭代学习问题转化为直接求解多元线性方程；②整个训练过程中有且仅有一个全局极值点，确定了预测的稳定性。最后，一个实际的预测例子表明：该模型实现容易、预测准确，适用于小水电站预测。     

基于WT-CNN-LSTM的溶解氧含量预测模型

溶解氧（Dissolved oxygen, DO）含量是影响水产养殖产量的重要因素之一，具有时序性、不稳定性和非线性等特点，且其影响因子过多、存在复杂的耦合关系，难以实现精准预测。针对传统长短时记忆神经网络（Long short term memory, LSTM）预测模型易引入冗余数据，且在训练过长序列时会出现梯度消失现象，从而不能捕捉因子间长期的依赖性问题，提出了基于小波变换（Wavelet transform, WT）、卷积神经网络（Convolutional neural network, CNN）和LSTM的溶解氧含量预测模型。首先，使用WT降低数据噪声；然后，使用CNN深度挖掘各变量之间的潜在关系；最后，利用LSTM的时序性预测2h后的水产养殖溶解氧含量。结果表明，本文提出的WT-CNN-LSTM模型预测效果良好，其平均绝对误差、均方根误差和决定系数分别为0.138、0.229和0.954，比传统LSTM模型分别优化了28.87%、21.03%和4.61%。     

基于高光谱和机器学习模型的冬小麦土壤含水率监测研究

为及时获取大田作物根区土壤含水率(Soil moisture content, SMC),实现精准灌溉,运用高光谱技术,通过连续2年(2019—2020年)田间试验采集了冬小麦拔节期不同土层深度SMC及高光谱数据,构建了3类植被指数(蓝、黄和红边面积等三边光谱参数,与冬小麦根区SMC相关性最高的任意两波段植被指数和前人研究与作物参数相关性较好的经验植被指数)并筛选与各土层深度SMC相关系数最高的植被指数,随后将筛选后的植被指数作为模型输入,分别采用随机森林(Random forest, RF)、反向神经网络(Back propagation neural network, BPNN)和极限学习机(Extreme learning machine, ELM)构建冬小麦拔节期不同土层深度SMC估算模型。结果表明,绝大部分三边参数、任意两波段植被指数和经验植被指数在深度0～20 cm土层的SMC相关系数较20～40 cm和40～60 cm更高,在深度0～20 cm土层两波段组合构建的光谱指数与SMC的相关系数最高,均超过0.8,其中RI与SMC的相关系数最高,为0.851,其波长组合为675...     

基于荧光光谱结合宽度学习的白菜农药残留量检测方法

为了高效监控蔬菜中农药残留情况，利用荧光光谱技术检测白菜中吡虫啉农药残留量。首先通过三维荧光光谱确定400nm为吡虫啉的最佳激发波长；其次通过分析6种预处理算法和2种降维算法，分别选出多元散射校正(Multiple scattering calibration, MSC)和无信息变量消除(Uninformative variable elimination, UVE)作为最佳的预处理与波长选择方法；宽度学习系统(Broad learning system, BLS)用于荧光光谱建模，同时与偏最小二乘回归(Partial least squares regression, PLSR)、支持向量机(Support vector machine, SVM)和深度极限学习机(Deep extreme learning machines, DELM)等经典模型进行比较。结果显示BLS模型获得了最佳吡虫啉含量预测效果，测试集决定系数R■达0.949,均方根误差(Root mean square error,RMSE)达0.347 mg/kg。表明了荧光光谱技术结合宽度学习预测农药残留量的可行性，可...     

基于模型预测控制的菇房空调节能控制方法

当前工厂化食用菌生产菇房空调控制方法存在节能效率低、室内温度波动大等问题,提出了一种基于卷积神经网络(Convolutional neural network, CNN)、门控循环单元神经网络(Gated recurrent unit neural network, GRU)与注意力机制(Attention)的菇房空调节能控制方法。该方法以CNN-GRU-Attention组合神经网络为预测模型,结合预测误差补偿和预测模型数据集动态更新机制,实现对菇房室内温度精准预测;建立以空调控制量为状态量的目标函数,分别利用熵权法、主观法明确目标函数权重系数,运用带精英策略的快速非支配排序遗传算法(Non-dominated sorting genetic algorithmⅡ, NSGA-Ⅱ)求解出空调在控制时域内最优控制序列,集成滚动优化和反馈机制,实现菇房环境的精准及节能控制。试验结果表明,提出的CNN-GRU-Attention菇房室内温度预测模型,以历史30 min数据预测未来10 min室内温度效果最好,选取的典型日内预测最大均方根误差为0.122℃、最小决定系数为0.807、最大平均...     

基于建模预测与关系规则的养殖水体溶解氧含量调控方法

为了保证养殖水体溶解氧充足,水产养殖普遍采用全天大功率开启增氧机的生产方式,这造成了很大的能源消耗。针对上述问题,本文提出了一种基于建模预测与关系规则库的溶解氧调控方法,首先构建了一种自适应增强的粒子群优化极限学习机预测模型（AdaBoost-PSO-ELM）,实现溶解氧含量的准确预测;然后进行增氧预实验,采用曲面拟合方法对溶解氧初始含量、曝气流量和增氧机开启时间之间的作用关系进行精确量化,构建关系规则库;最后专家系统基于溶解氧含量预测值,调用已建立的关系规则库,合理控制增氧机的开启功率与时间。与其它常规的预测模型相比,AdaBoost-PSO-ELM模型的MSE、MAE和RMSE均为最优,分别为0.0055mg2/L2、0.0531mg/L、0.0745mg/L,可以实现溶解氧的准确预测。增氧实验结果表明,基于三次多项式的先验方程能够对〖JP2〗溶解氧初始含量、曝气流量和增氧机开启时间之间非线性关系进行准确量化,拟合R2均在0.99以上。由此可知,基于量化结果所构建的规则库与预测模型相结合能够合理控制增氧机的开启功率与时间,节省电能和提高养殖效率。     

基于建模预测与关系规则的养殖水体溶解氧含量调控方法

为了保证养殖水体溶解氧充足,水产养殖普遍采用全天大功率开启增氧机的生产方式,这造成了很大的能源消耗。针对上述问题,本文提出了一种基于建模预测与关系规则库的溶解氧调控方法,首先构建了一种自适应增强的粒子群优化极限学习机预测模型（AdaBoost-PSO-ELM）,实现溶解氧含量的准确预测;然后进行增氧预实验,采用曲面拟合方法对溶解氧初始含量、曝气流量和增氧机开启时间之间的作用关系进行精确量化,构建关系规则库;最后专家系统基于溶解氧含量预测值,调用已建立的关系规则库,合理控制增氧机的开启功率与时间。与其它常规的预测模型相比,AdaBoost-PSO-ELM模型的MSE、MAE和RMSE均为最优,分别为0.005 5 mg²/L²、0.053 1 mg/L、0.074 5 mg/L,可以实现溶解氧的准确预测。增氧实验结果表明,基于三次多项式的先验方程能够对溶解氧初始含量、曝气流量和增氧机开启时间之间非线性关系进行准确量化,拟合R²均在0.99以上。由此可知,基于量化结果所构建的规则库与预测模型相结合能够合理控制增氧机的开启功率...     

对虾养殖溶解氧浓度组合预测模型EMD-RF-LSTM

溶解氧（DO）浓度是对虾养殖水质检测的核心指标。为提高对虾养殖溶解氧浓度的预测精度,本研究提出了一种基于经验模态分解、随机森林和长短时记忆神经网络（EMD-RF-LSTM）的对虾养殖溶解氧浓度组合预测模型。首先采用经验模态分解（EMD）对养殖水质溶解氧浓度时序数据进行多尺度特征提取,得到不同尺度下的固有模态分量（IMF）;然后分别采用长短时记忆神经网络（LSTM）和随机森林（RF）对高、低频不同尺度IMF进行建模;最后结合各分量预测结果构建叠加模型,实现对溶解氧浓度时序数据的综合预测。本研究模型在广东省湛江市南三岛对虾养殖基地展开了试验及应用,在基于真实数据集的性能测试中,经验模态分解后EMD-ELM模型与极限学习机（ELM）模型对比,平均绝对误差（MAPE）、均方根误差（RMSE）和平均绝对误差（MAE）分别降低了30.11%、29.60%和32.95%。在经验模态分解基础上用RF和LSTM对不同特征尺度的本征模态分量分别预测后叠加求和,EMD-RF-LSTM模型预测的精度指标MAPE、RMSE和MAE分别为0.0129、0.1156和0.0844,其中关键指标MAPE较EMD-ELM、EMD-RF和EMD-LSTM分别降低了84.07%、57.57%和49.81%,预测精度显著提高。结果表明,本研究针对经验模态分解后高、低频分量分别预测的策略可有效提升综合性能,表明本研究模型具有较高的预测精度,能够较准确地实现对虾养殖水体中溶解氧浓度预测。     

基于遗传算法与RBF网络的养殖池塘溶解氧模型

在分析了工厂化水产养殖池塘溶解氧影响因素的基础上,利用RBF神经网络良好的非线性逼近能力建立了池塘溶解氧的神经网络预测模型.常规的RBF神经网络模型常导致训练时间较长且易陷入局部极小点,因此,采用自适应遗传算法对RBF神经网络进行优化,模型的收敛速度明显加快.采用了养殖池塘的外部可控环境水体温度T、水流量Q、酸度(pH)以及增氧机器的转速V作为模型的输入.实验结果表明采用该方法预报溶解氧的预测精度较常规RBF递推算法的预测精度明显提高.该方法为研制开发智能水产养殖环境监控系统以及工厂化水产养殖奠定了基础.     

三种增氧机增氧性能研究

为了更准确地评价池塘养殖中主要的三种不同增氧方式的增氧机的性能,通过标准水池试验和养殖池塘中实地试验,研究了三种增氧机的增氧方式在清水试验中的增氧能力、动力效率和养殖池塘中的溶解氧均匀度与水温均匀度的变化。结果表明,曝气式增氧机增氧能力和动力效率最好,增氧能力比水车的高55.1%,动力效率比水车的高出64.0%。增氧能力和动力效率从高到低依次是曝气式、叶轮式和水车式。水车增氧机对养殖池溶解氧的均匀度提升最快,最高的达到46.43%,曝气增氧设备对养殖池溶解氧的均匀度提升达到29.46%;对养殖池水温均匀度的提升,三种增氧机都不是很明显。该研究为在池塘养殖中合理运用不同增氧方式提供了有益的借鉴。     

基于物联网的浮标水质监测系统与溶解氧浓度预测模型

为促进近海养殖业信息化发展,更好地实现对近海养殖环境的监控,设计了基于浮标平台的环境监测系统。利用STM32L475微控制器定时采集光照、温度、pH值、溶解氧浓度等信息,通过物联网技术将数据传输至云监测平台,实现了多区域环境信息远程监测和多终端访问。提出了改进遗传算法BP神经网络的溶解氧浓度预测模型,实现对近海养殖环境的预测;根据所采集的数据,利用改进遗传算法对初始权重和阈值进行优化得到最优参数,在此基础上构建BP神经网络溶解氧浓度预测模型。通过试验验证了该系统海洋环境信息采集的准确性与可靠性,以及溶解氧浓度预测模型的有效性;与传统遗传算法BP神经网络预测模型相比,平均误差由0.0778mg/L降至0.0178mg/L,能够满足近海养殖的实际需求。     

基于混沌表示和特征注意力机制的机床两轴动态误差预测

针对传统方法难以揭示机床多轴插补动态误差的序列产生机制，各时间维度上的误差时序特征存在相互关联的问题，提出一种融合混沌表示(Chaotic representation, CR)和特征注意力机制(Feature attention mechanism, FA)的级联动态误差预测模型。首先，在证明多元动态误差时变演化具有混沌特性的基础上，对其进行相空间重构，将动态误差参数时间序列背后隐藏的信息在相空间中进行表达。然后，融合特征注意力机制在时间维度上动态分配相点特征权重的同时降低高维演化相空间信息冗余，进一步重塑原系统的动力学状态向量空间。最后，考虑到混沌时变演化具有长程相关性，采用双向长短期记忆(Bi-directional long short-term memory, Bi-LSTM)网络模型逼近混沌相空间内的动力学特性，实现动态误差混沌时间序列信息的有效预测。通过XK-L540型数控铣床实测数据的算例表明，相较于CRFA-LSTM模型，以及单一级联模型CR-Bi-LSTM、FA-Bi-LSTM,本文算法的均方根误差分别降低约35%、16%和43%。     

鱼菜共生水体溶解氧时空变化规律及其影响因素研究

为明确鱼菜共生系统中水体溶解氧分布特征，采用室内搭建的鱼菜共生系统，利用多点采样装置以及物联网传感系统对系统中水质参数、气象数据和生物量信息进行提取，通过相关性分析对该鱼菜共生系统中溶解氧时空变化规律以及光照强度与喂食量对其时空变化的影响进行了研究。结果表明，溶解氧在鱼池中随垂直深度增加而减小，相关系数范围为-0.9～-0.7时，鱼池溶解氧空间变化量与喂食量呈显著线性关系，相关系数为0.9294，方差分析中F值为126.94。溶解氧在水培槽中随水平距离增加而减小，相关性范围为-0.9～-0.8时，水培槽溶解氧空间变化量与光照强度呈显著线性关系，相关系数为0.8158，方差分析中F值为39.7954。溶解氧日变化受到各环节空间变化影响，白天波动下降，夜间平缓上升。研究结果为鱼菜共生系统溶解氧研究提供了一定理论依据。     

鱼塘溶解氧自动监控系统的设计与研究

为了提高水产养殖技术的自动化水平以及鱼类产品饲养的数量和质量,系统地研究了溶解氧的检测与控制,设计出溶解氧自动监控系统.该系统由上下两级单片机、测氧量传感器、无线数传模块等组成,可以实时监测鱼塘的含氧量、控制增氧机工作状态,并能实现故障报警与故障紧急处理等功能,使水产品生产在最适宜的环境下,达到增产、节能、减轻工人劳动强度和减少污染的效果.     

鱼塘机械增氧管理决策支持系统（摘选）

设计合理的决策支持系统（DSS）是一种基于软件的互动系统,旨在帮助决策者根据不同来源定义和解决问题,编译有用的信息。基于农场提供的最大增氧效率的有效数据,利用Microsoft Excel 2007电子表格设计了一款用于鱼塘机械增氧工艺管理的决策支持系统。该系统的使用将有助于农民和推广人员选择高效的增氧机和确定机组数量,并且在保证各鱼塘保持溶解氧含量在安全范围内的情况下,算得各鱼塘增氧机的功率和运转时间。电子表格方式适合于3种温水生长的鱼,分别为罗非鱼、梭鱼和鲤鱼。在设定实地条件下,电子表格计算结果与参考数据进行比较,结果表明电子表格结果符合参考值。在田间以机械（MAP）和非机械（NMAP）增氧数据对电子表格进行验证。利用该系统管理MAP能增产3.3%,与NMAP相比还节省了61.80%的水交换。试验结果表明,对于不同池塘水环境和鱼种类,决策支持系统精度提高的进一步研究中可以应用电子表格。      

池塘河蟹养殖精准投饵系统设计与试验

传统池塘河蟹养殖主要依靠渔民根据经验来估算投饵量,通过人工撑船投喂饵料,饵料利用率低且劳动强度大。由于河蟹具有领地意识且移动范围较小,池塘各处河蟹分布不均匀,因此河蟹养殖需要科学精准投饵。现有河蟹养殖投饵作业方式粗放,无法满足河蟹高效生态养殖需求。为了掌握河蟹生长规律,更加科学高效地投饵喂料,本文设计基于河蟹生长模型的精准投饵系统。利用灰色关联度分析法确定对河蟹生长发育影响最大的环境因子。在传统水产生物生长模型基础上,加入环境因子进行改进,从线性和指数两个角度对河蟹生长模型进行优化拟合。利用遗传算法（GA）-反向反馈神经网络（BP神经网络）(GA-BP神经网络)对精准投饵预测模型进行训练,通过输入水温、溶解氧含量、pH值等环境参数,推算出最佳环境影响因子数值。根据河蟹生长模型、养殖密度、养殖面积得出河蟹总质量,结合河蟹生长期存活率与投喂率便可得出总投饵量。根据池塘河蟹实际分布密度和水质参数,确定池塘各区域的饵料分配系数,将总投饵量科学地分配到池塘各个区域。通过仿真得出预测投饵量决定系数R²为0.990,预测模型具有较好的拟合效果。池塘投饵试验结果表明,基于河蟹生长...