基于BiLSTM-GRU融合网络的稻虾养殖溶解氧含量预测

在稻虾养殖模式中溶解氧含量(浓度)是养殖水体的重要指标之一,其直接影响小龙虾的摄食量和新陈代谢,因此在养殖过程中精准预测溶解氧含量至关重要。针对稻虾养殖中溶解氧含量变化复杂,难以快速准确预测的问题,提出了BiLSTM-GRU融合神经网络预测模型。为了保证精准预测,首先对传感器进行了清洗校准,并根据偏移量对历史数据进行了修正。在此基础上构建了基于BiLSTM和GRU的融合神经网络训练模型,BiLSTM提取更多特征因子,GRU实现快速预测,快速准确预测溶解氧含量变化。为了使监测预测性能更优,对不同采样周期下的资源损耗及预测模型性能进行综合对比分析,确定了传感器数据最优采样周期为30 min。进一步与LSTM、GRU、BiLSTM以及BiGRU模型对比,表明本文提出的BiLSTM-GRU融合神经网络模型的预测效果更好,其平均绝对误差、均方根误差和决定系数分别为0.275 9 mg/L、0.616 0 mg/L和0.954 7,比传统的LSTM神经网络模型分别高25.14%、13.25%和2.22%。     

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.     

基于长短时记忆网络（LSTM）的蟹塘溶解氧估算优化方法

水中溶解氧含量低会影响螃蟹的成活率,保证低溶解氧时刻溶解氧的预测精度非常重要。目前,溶解氧传感器价格昂贵且易遭受腐蚀,因此通过相关变量来间接估计溶解氧浓度有重要的意义。本研究在长短时记忆网络（LSTM）模型的基础上,优化LSTM反向传播时的损失函数,提出了提高低溶解氧含量估算精度的溶解氧预测模型（LDO-LSTM）。LDO-LSTM的损失函数是在平均绝对百分比误差（MAPE）基础上,根据溶解氧值的变化趋势和溶解氧浓度大小,分别赋予不同权值的权重函数,并通过均方根误差（RMSE）和平均绝对百分比误差（MAPE）来评估LDO-LSTM和LSTM在不同范围的溶解氧估算能力。对模型的测试试验结果表明：在溶解氧高于6mg/L时,LDO-LSTM和LSTM的RMSE、MAPE差值稳定在0.1左右;在溶解氧低于6mg/L时,LDO-LSTM的RMSE值和MAPE值分别比LSTM低0.25和0.139,说明了LDO-LSTM网络不但可以保证整体溶氧预测精度,而且能够提高较低溶解氧值的估算精度。本研究对于降低水产养殖成本、提高溶解氧估算精度有着重要的作用。     

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...     

基于长短期记忆神经网络模型的地下水水位预测研究

利用长短期记忆神经网络(LSTM)构建地下水水位预测模型,解决了传统神经网络预测模型处理时序数据时未考虑时间序列的问题,同时采用多影响变量输入的方式弥补了简单时序模型处理数据时过于依赖时间的缺点。以泰安市岱岳区满庄镇姜家园村046J地下水位监测井为例,采用2001-2016年的监测资料与相关气候数据,利用长短期记忆神经网络构建了地下水水位预测模型,以控制变量的方法确定最优参数,对该井的地下水水位进行了预测,并与单变量LSTM神经网络、BP神经网络预测模型作对比。研究结果表明:基于多变量输入的LSTM神经网络模型能够通过少量历史数据准确的预测未来地下水水位变化情况,特别是在一些资料匮乏的地区,预测误差要显著低于参与对比的预测模型,预测均方根误差仅为2.052。因此,基于多变量的LSTM神经网络模型能够作为简单有效的地下水水位预测工具,为区域水资源管理提供一定的参考。     

基于DeepAR-RELM的池塘溶解氧时空预测方法研究

水体溶解氧(Dissolved oxygen，DO)是养殖水产品健康生长的重要生态因子。池塘溶解氧易受多种因素的影响，会产生时间和空间上分布的差异，现有的溶解氧预测方法大多是针对单监测点的时间序列预测，无法描述池塘溶解氧的空间分布，因此，对池塘溶解氧进行时间和空间预测非常重要。本文提出一种基于自回归循环神经网络(Autoregressive recurrent neural network，DeepAR)和正则化极限学习机(Regularized extreme learning machine，RELM)的池塘溶解氧时空预测方法。首先采用样本熵(Sample entropy，SE)衡量各个监测点溶解氧序列的波动程度，采用最大互信息系数(Maximum mutual information coefficient，MIC)衡量监测点溶解氧序列之间的相关性，综合选取出溶解氧序列波动程度较小且与各个监测点相关性较大的监测点作为中心监测点，并以中心监测点为原点，建立池塘空间坐标系；其次采用DeepAR算法构建中心监测点的溶解氧时间序列预测模型，实现中心监测点溶解氧时间序列预测；最后采用RELM算法构建中心监测点与池塘各位置溶解氧之间的空间映射关系模型，结合中心监测点溶解氧时间序列预测值和池塘空间坐标，实现对未来时刻池塘溶解氧的空间预测。该方法在提高时间序列预测精度的同时，实现了对未来时刻池塘溶解氧空间状态的预测。在真实的数据集上进行测试，预测未来24h的池塘空间溶解氧值，均方根误差(RMSE)为1.2633mg/L、平均绝对误差(MAE)为0.9755mg/L、平均绝对百分比误差(MAPE)为14.8732%。并与标准极限学习机（Extreme learning machine，ELM）、径向基神经网络（Radial basis function neural network，RBFNN）、梯度提升回归树（Gradient boosting regression tree ，GBRT）和随机森林（Random forest，RF）4种预测方法进行对比，各评价指标的性能均有较大幅度提升，表明该方法有较好的预测精度和泛化能力，能够较准确地实现池塘溶解氧时空预测。     

基于SSA-LSTM的玉米土壤含氧量预测模型

土壤含氧量（Soil oxygen content,SOC）是影响作物生长的重要土壤环境因素之一,具有时序性、不稳定性和非线性等特点,精确预测土壤环境中含氧量的变化趋势,有助于制定更加合理的土壤通气增氧方案。本研究提出基于麻雀搜索算法（Sparrow search algorithm,SSA）和长短时记忆（Long and short-term memory,LSTM）神经网络预测模型,利用国家土壤质量湛江观测实验站记录玉米种植期间的气象环境和土壤环境数据,基于SSA-LSTM模型对SOC变化进行预测及相关性分析,并与传统的BP预测模型、LSTM预测模型、GA-LSTM预测模型及PSO-LSTM预测模型进行对比。试验结果表明,SOC与降雨量、土壤含水率、土壤温度、土壤充气孔隙度相关性极显著,相关系数高于0.8,与大气温度和风速相关性显著,与大气湿度和土壤呼吸速率相关性较弱。SSA-LSTM模型预测精度明显高于其他4组对照预测模型,R2达到0.95979,RMSE仅为0.4917%,MAPE为3.7331%,MAE为 0.3620%,预测值与试验值之间的拟合程度高。本研究可为土壤含氧量变化的精准预测及土壤通气增氧技术的应用推广提供理论支撑与科学依据。     

蛋鸡设施养殖环境质量评价预测模型构建方法及性能测试

蛋鸡设施养殖环境质量对蛋鸡的健康生长和生产性能的提升至关重要。蛋鸡养殖环境是多环境因子相互影响制约的复杂非线性系统，凭借单一的养殖环境参数难以对环境质量做出准确有效的评价。针对上述问题，本研究综合蛋鸡设施养殖环境的温度、湿度、光照强度、氨气浓度等多个环境影响因子，在布谷鸟搜索算法优化神经网络（CS-BP）预测模型的基础上，构建了改进的CS-BP的蛋鸡设施养殖环境质量评价预测模型。将构建的改进CS-BP预测模型与BP神经网络、遗传算法优化BP神经网络（GA-BP）、粒子群算法优化BP神经网络（PSO-BP）3种深度学习方法进行性能参数分析比对，结果表明：改进CS-BP评价预测模型的平均绝对误差（MAE）、平均相对误差（MAPE）和决定系数（R²）分别为0.0865、0.0159和0.8569，其各项指标性能均优于上述3种对比模型，该模型具有较强的模型泛化能力和较高的预测精度。对改进CS-BP的蛋鸡设施养殖环境质量评价模型进行测试，其分类准确率达0.9333以上。本研究构建的模型可以为蛋鸡设施养殖环境质量提供更加全面有效的科学评价，对实现蛋鸡生产环境的最优控制，促进蛋鸡生产性能的提升具有重要意义。     

融合ARIMA模型和GAWNN的溶解氧含量预测方法

针对河流污染治理、水源管理，提出了融合差分自回归滑动平均ARIMA模型和遗传算法优化的小波神经网络相结合的河流水质预测方法。将采集的河流水质参数时间序列数据，分解为线性和非线性序列，线性数据使用ARIMA模型预测，使用最小二乘法完成了ARIMA模型参数估计。对于经过ARIMA模型处理的非线性残差数据、预测值与原始溶解氧序列之间的线性和非线性关系，采用小波神经网络（WNN）获得预测值，并采用遗传算法的选择、交叉、变异等操作优化网络参数，比传统WNN模型预测精度显著提高。ARIMA模型、小波神经网络、遗传算法优化小波神经网络（GAWNN）和未经遗传算法优化的组合模型预测平均绝对误差分别为0.29%、0.39%、0.26%、0.24%，提出的组合模型预测结果平均绝对误差约0.19%且为最小。结果表明，该组合模型优于单个模型和传统组合模型的预测结果。     

BP网络、Hopfield网络在水质评价应用中的比较研究

针对BP网络、Hopfield网络在水质评价的应用问题,建立BP网络、Hopfield网络水质评价模型,对BP网络、Hopfield网络从结构、输入输出、稳定性、评价结果等方面进一步地分析比较。然后以东辽河为例,运用BP网络、Hopfield网络、模糊评价法、内梅罗指数法4种水质评价方法进行水质评价,通过比较评价结果进行深入研究。结果表明,Hopfield神经网络更适用于水质评价。对神经网络方法水质评价问题进行探讨,试图找出BP网络、Hopfield网络方法在水质综合评价中的优缺点,具有非常现实的意义。     

ANN技术在水泵设计中的应用

建立了水泵的人工神经网络系统，并根据实测数据对网络进行了训练，取得了令人满意的初步结果。     

基于BP神经网络的闸门损伤检测

基于BP神经网络原理，介绍了神经网络用于闸门损伤检测中损伤指标的获取方法，并结合工程实例，阐述了神经网络用于闸门损伤检测的实现过程。事例说明，神经网络用于闸门的损伤检测是一种行之有效的方法。     

基于人工神经网络的客户关系分析

企业客户维持率的高低直接反映着企业营运的好坏,保证较高的客户维持率是企业发展壮大的必要条件。企业对客户关系的维持一般都是凭企业管理方面的知识作定性分析,或是根据决策者经验进行直观的判断。由于影响客户关系维持率的因素较多,而且与维持率的关系都属于非线性的,所以拟采用近年新发展起来的人工神经网络进行客户维持率的分析     

城市发展过程中用水量预测研究

城市化程度的不断提高使得城市对资源环境的需求越来越多,对资源环境的压力也越来越大,尤其是对作为城市物质基础的水资源的压力越来越大。因此需要对城市经济发展过程中城市发展与城市用水的关系进行更进一步的研究。用衡量城市经济发展的4个指标组成一个向量-Ψ来定量描述城市化,并利用神经网络建立了向量-Ψ与城市用水量Q的数量关系,然后根据城市经济发展目标预测相应城市规模条件下城市用水量,为城市规划提供依据。     

基于温度和湿度养殖环境网络监控系统的研究

畜舍环境系统是一个多变量、非线性、时变、滞后的系统,且各变量之间存在耦合关系,很难建立精确的数学模型。为此,本系统利用模糊解耦控制算法对畜舍环境温度和湿度状况进行实时监控,为禽畜提供最佳生长环境,实现高效节能的工厂化生产,具有较好的实用价值和应用前景。     

基于神经网络预测的无线传感器网络田间射频信号路径损耗

为解决应用无线传感器网络技术监测农田信息时无法快速预测射频信号路径损耗的问题，基于神经网络理论研究了田间路径损耗与其影响因素间的关系。试验中选取915和2 470 MHz 2个载波频率，在冬小麦的不同生长阶段测量射频信号在田间各影响因素作用下的路径损耗，建立和验证基于神经网络的射频信号田间路径损耗预测模型。所建立模型模拟值与实测值的相关系数为0.92，应用建立的神经网络预测田间射频信号路径损耗并与实测值对比，最大预测误差绝对值为4.186 dB，最大预测标准差为2.759 dB，预测准确度为94.2%。所建立的BP网络可以对田间射频信号路径损耗进行预测。     

微波干燥过程的神经网络模型

研究了微波干燥过程的神经网络模型。建立了基于Levenberg—Marquardt优化算法的3层BP神经网络,网络输入为微波功率和辐射时间,输出为干基湿含量。使用线性回归方程、均方差和相关系数来评定所建网络的性能。结果表明,当隐层激发函数和神经元个数分别为tansig和25时,所得模型可以同时满足训练和测试的精度要求。     

自组织神经网络在流域土壤水分含量空间模式识别中的应用

由于土壤水分含量受众多因素的影响，空间变异性很大，给土壤水分含量空间分布的研究带来了很大的困难。空间模式识别是处理土壤水分含量空间数据的方法之一，能够分析得到土壤水分含量空间数据的聚类结果。基于自组织特征映射和自适应共振理论的自组织神经网络模型在空间数据模式识别中得到广泛应用，针对澳大利亚tarrawarra试验流域土壤水分含量的观测数据，应用自组织神经网络，建立动态土壤水分含量的空间模式识别模型，并用半变异函数对识别结果进行检验，实例研究表明该方法是一种行之有效的方法。     

基于递阶遗传算法优化的交通流预测

及时准确地进行短时交通流预测是智能交通系统研究的关键内容之一。基于小波分析和模糊神经网络的相关知识,提出模糊小波神经网络的控制方法。将小波函数作为模糊隶属函数,利用神经网络实现模糊推理,从而完成对下一周期交通流量的预测,同时采用递阶遗传算法实现网络结构和参数的优化。经实测数据验证,预测精度高,运行稳定,适应性强。