| 基于双阶段注意力机制和LSTM的鸡舍氨气浓度预测算法 |
| |
| 引用本文： | 郭祥云,连京华,李慧敏,孙凯.基于双阶段注意力机制和LSTM的鸡舍氨气浓度预测算法[J].中国农业大学学报,2021,26(6):187-195. |
| |
| 作者姓名： | 郭祥云 连京华 李慧敏 孙凯 |
| |
| 作者单位： | 北京信息科技大学 信息管理学院, 北京 100192;山东省农业科学院 家禽研究所, 济南 250023 |
| |
| 基金项目： | 山东省家禽疫病诊断与免疫重点实验室开放课题基金(SDPDI201806) |
| |
| 摘 要： | 为寻求准确的鸡舍氨气浓度预测方法,构建基于双阶段注意力机制和长短时记忆神经网络(Long shortterm memory,LSTM)的鸡舍氨气浓度预测模型,将该模型应用于山东省商河县某蛋鸡养殖场,采集二氧化碳(CO_2)、氧气(O_2)和氨气(NH_3)的体积分数,细颗粒物(PM_(2.5))质量浓度,温度,相对湿度时间序列数据对模型进行验证,并与支持向量回归(Support vector regression,SVR)、人工神经网络(Artificial neural network,ANN)模型和无注意力机制的LSTM模型对比研究。结果表明:1)不同时间窗口T下NH_3体积分数预测精度不同。T∈{2,3,4,8}时,均方根误差(Root mean square error,RMSE)分别为0.433 4,0.394 8,0.379 9和0.405 1μL/L,平均绝对误差(Mean absolute error,MAE)分别为0.267 4,0.262 9,0.228 9和0.272 4μL/L;2)基于双阶段注意力机制和LSTM的鸡舍NH_3浓度预测模型在RMSE和MAE评价指标框架下优于SVR、ANN和无注意力机制的LSTM模型。基于双阶段注意机制和LSTM的模型能较好地对鸡舍氨气浓度进行预测,可为鸡舍氨气浓度预测及调控提供技术支持。
|
| 关 键 词： | 注意力机制 长短时记忆神经网络 循环神经网络 编码器-解码器 鸡舍 氨气浓度 |
| 收稿时间： | 2020/9/7 0:00:00 |
Ammonia concentration forecasting algorithm in layer house based on two-stage attention mechanism and LSTM |
| |
| GUO Xiangyun,LIAN Jinghu,LI Huimin,SUN Kai.Ammonia concentration forecasting algorithm in layer house based on two-stage attention mechanism and LSTM[J].Journal of China Agricultural University,2021,26(6):187-195. |
| |
| Authors: | GUO Xiangyun LIAN Jinghu LI Huimin SUN Kai |
| |
| Institution: | School of Information Management, Beijing Information Science and Technology University, Beijing 100192, China;Poultry Institute, Shandong Academy of Agricultural Science, Jinan 250023, China |
| |
| Abstract: | |
| |
| Keywords: | attention mechanism long short-term memory neural network recurrent neural network encoder-decoder layer house ammonia concentration |
| 本文献已被 CNKI 等数据库收录！ |
| 点击此处可从《中国农业大学学报》浏览原始摘要信息 |
| 点击此处可从《中国农业大学学报》下载免费的PDF全文 |
|
