PCA-GA-LM模型在水库土石坝渗流预测中的应用

水库是农业生产用水、灌溉农作物的重要水利工程之一,水库大坝安全与否决定着水库能否正常运转.针对大坝渗流预测模型需要解决的有效影响因子确定、网络结构优化和预测算法等问题,将主成分分析(principal component analysis,PCA)方法、遗传算法(genetic algorithm,GA)和Levenb...     

基于主成分分析和粒子群优化神经网络的粮食产量预测

粮食产量的预测研究在粮食安全方面具有重要意义,神经网络可以较好地反映粮食产量这一复杂的非线性动态系统。但是传统的BP神经网络预测模型存在学习收敛速度慢、易陷入局部极小值等缺陷,为了改善这一缺陷,提出了一种基于主成分分析(PCA)和粒子群(PSO)优化神经网络的预测模型。首先计算各影响因素与粮食产量之间的相关系数,利用主成分分析方法降低影响因子的维度,将降维后的因子作为神经网络的输入,然后采用BP神经网络建立粮食产量预测模型,其中引入PSO算法对BP神经网络的权值和阈值进行优化,最后使用训练过的BP神经网络预测粮食产量值。预测结果表明,该模型可有效提高预测精度,且收敛速度快,全局收敛性好,为粮食产量预测提供了一种新的途径。     

基于改进广义回归神经网络和主成分分析的宽带DOA估计

为了获取较高的宽带信号的DOA(direction-of-arrival)估计精度,提出了基于改进的广义回归神经网络(IGRNN,improved generalized regression neural network)和主成分分析(PCA,principalcomponent analysis)的宽带DOA估计算法。选用PCA方法对训练样本进行降维,以降低神经网络的复杂度;利用粒子群算法优化GRNN的参数;根据选取不同的聚焦角度确定粗估计、精估计的训练模型,通过粗估计得出目标的大致方位后,利用精估计模型得出最终的估计结果,避免了聚焦角度对估计精度的影响。仿真结果表明,本文提出的算法具有较好的估计精度和较高的工作效率。     

基于自注意力机制和改进的K-BiLSTM的水产养殖水体溶解氧含量预测模型

为精确预测水产养殖水体溶解氧含量,本研究提出一种基于自注意力机制(ATTN)和改进的K-means聚类-基于残差和批标准化(BN)的双向长短期记忆网络(BiLSTM)的水产养殖水体溶解氧含量预测模型。首先,根据环境数据的相似性,使用改进的K-means算法将数据划分成若干个类别;然后,在BiLSTM基础上构建残差连接和加入BN完成高层次特征提取,利用BiLSTM的长期记忆能力保存特征信息;最后,引入自注意力机制突出不同时间节点数据特征的重要性,进一步提升模型的性能。试验结果表明,本研究提出的基于自注意力机制和改进的K-BiLSTM模型的平均绝对误差为0.238、均方根误差为0.322、平均绝对百分比误差为0.035,与单一的BP模型、CNN-LSTM模型、传统的K-means-基于残差和BN的BiLSTM-ATTN等模型相比具有更优的预测性能和泛化能力。     

基于主成分分析的 5 种投饲率黄颡鱼养殖塘水质评价

【目的】评价不同投饲率的黄颡鱼养殖塘水质动态变化,探索不同外源饲料输入量对黄颡鱼养殖 塘水质的影响,为黄颡鱼规模化养殖塘生境生态修复提供参考。【方法】采用 5 种投饲率（1.0%、1.5%、2.0%、 2.5% 和 3.0% ）对黄颡鱼进行池塘养殖,定期监测各组塘主要环境因子,以主成分分析（PCA）结合灰色关联 分析法评价各塘水质健康状况。通过水质评价结果的比较分析,提出基于良水质的黄颡鱼养殖塘饲料输入模式。 【结果】 CODMn、DO、TN、TP 及 NH3-N 是黄颡鱼养殖塘主要环境因子;pH 值与其他环境因子均存在极高相 关性,TN 与 TP、NH3-N 均呈显著相关性;5 个试验处理中,A 组塘（投饲率 1.0%）、B 组塘（投饲率 1.5%）、 C 组塘（投饲率 2.0%）、E 组塘（投饲率 3.0%）各阶段水质均达Ⅲ类,符合水产品养殖水质标准,而 D 组塘（投 饲率 2.5%）在养殖中期水质级别达到Ⅳ类水,且水体中的 TN、TP 等因子含量超标,水质污染较严重,同时 A、 B、C 组塘主成分综合得分较低,分别为 1.2704536、1.2704664、1.2704642,水质状况良好。【结论】投饲率 为 1.0% ～ 2.0% 的处理组养殖水体的水质状况最好,过高的投饲率会降低养殖水体的水质健康状况。     

水产养殖池塘中溶解氧的变化及调控

水产养殖对池塘水环境有着较为严格的要求,强调池塘水溶氧量的合理性。阐述了池塘水溶解氧的水平、垂直、昼夜变化及调控措施,并在此基础之上,从季节变化、日变化2个方面,阐述了氧盈与氧债的变化规律及调控对策,旨在强化对水产养殖池塘溶解氧变化的认识,并为今后相关领域的研究提供一定的参考资料,从而推动水产养殖技术不断发展。     

星云湖污染源的主成分分析(PCA)研究

测定了星云湖底泥沉积物中的重金属、TP、TN和有机质含量.主成分分析结果表明,前4个主成分的贡献率分别为31.831%、19.588%、16.481%、11.058%,第一主成分以TP、Pb的载荷最高,其次为Pb、Cd、Cr、As及TP;第二主成分以有机质、Fe、Cu等元素载荷为主;第三和第四主成分以TN的载荷最高.表明星云湖的污染主要来源于工业污染、农业污染、有机质降解过程.     

淡水养殖水体氨氮成分累积的危害性分析

随着我国经济的不断发展,我国养殖业在近十几年中得到了长足发展。淡水养殖作为我国养殖业一个重要的组成部分,其为我国提供了大部分淡水鱼类资源,在食品、科研、健康、医疗等方面做出了杰出的贡献。在淡水养殖中,造成水体污染的物质有很多,其中以氮、磷、碳、硫为主,当氮元素以分子氨态或是亚硝酸盐氮态的形式存在时,就会对养殖动物产生较强的神经性毒害。本文即是对淡水养殖水体中的氨氮成分累积的危害进行分析,以期为相关工作提供参考。     

基于主成分分析的Fisher判别法在L地区水淹层识别中的应用

经过多年的注水和聚合物驱开发,L油田水淹层测井响应变化异常。利用常规的交会图方法无法将该区的水淹层有效地区分开来,而直接的Fisher判别法也存在变量间重叠信息量大,分类识别精度不高的缺点。对此,笔者提出采用基于主成分分析的Fisher判别法,对水淹层进行了分类识别,正确识别率达到了87.95%,应用效果较好。     

基于LS-SVM的养殖水体氨氮含量分析模型的优化

水体氨氮浓度是水产养殖的关键水质指标,为了提高氨氮浓度的测量精度,减少测量过程中p H、温度、静置时间等因素对准确度的影响,使用最小二乘支持向量机(LS-SVM)算法建立了分析预测模型,通过正交试验仿真测试,获取各因素的最佳优化组合为p H值10.5、反应温度35℃、静置时间20 min、检测光源波长380 nm。仿真结果表明,在设计在线式氨氮检测系统时,利用最佳优化组合对氨氮浓度分析模型进行优化,提高了氨氮浓度的测量精度。     

基于特征构造预处理与TCN-BiGRU的池塘溶解氧预测模型

为实现对池塘溶解氧变化趋势的准确和可靠预测,降低池塘养殖风险,提出了一种基于特征构造预处理（Feature construction,FC）与时间卷积网络（Temporal convolutional network,TCN）-双向门控循环单元（Bidirectional gate recurrent unit,BiGRU）的溶解氧预测模型FC-TCN-BiGRU。通过对样本序列的统计特征、环境因子特征和季节特征进行构造,挖掘变量间深层次的相关性;采用TCN对构造特征序列进行多层卷积和降维处理,在保留全局时序特征的同时去除冗余信息;结合BiGRU对降维特征进行建模,实现对溶解氧的准确预测。另外,构建了沙猫群算法（Sand cat swarm optimization,SCSO）优化的非参数核密度估计（Kernel density estimation,KDE）对溶解氧预测误差的分布范围进行估计。实验结果表明,模型的均方误差、平均绝对误差、均方根误差和决定系数分别为0.027 5、0.143 2、0.165 8和0.94,优于其他比较模型。同时,区间估计能够有效覆盖溶解氧的波动范围,量化...     

工厂化水产养殖溶解氧自动监控系统的研究

为以曝气增氧方式的养殖系统(养殖平均体重为450 g的虹鳟Oncorhynchus mykiss,养殖密度为27kg/m3)设计了在线自动监控系统,即对水体溶解氧进行在线监测,对增氧设备进行自动控制。该监控系统是以覆膜溶解氧电极作为检测元件,用组态王软件设计在上位机中运行的监控系统完成在线检测,以PLC为下位机直接控制增氧气泵实现溶解氧控制功能。结果表明:该溶解氧在线自动监控系统能直观地在计算机屏幕上显示养殖现场溶解氧的变化情况,并可以储存、打印、记录溶解氧的变化数值,为掌握溶解氧的变化规律,分析溶解氧产生变化的原因提供基础数据。对增氧设备进行控制,可确保水体中的溶解氧维持在适合鱼类生长的最佳范围内,减少了设备的运行时间,降低了生产过程的能源消耗,取得了较好的效果。     

基于WA-SVM的水库溶解氧预测

【目的】提出一种基于小波分析-支持向量机(WA-SVM)的水库溶解氧预测模型,以期提高水库溶解氧的预测精度。【方法】通过小波分解,将原始复杂的溶解氧浓度序列分解到不同的高频和低频层次,对每层得到的分解重构序列分别采用支持向量机回归方法进行预测后,合成原始序列的预测值,将该模型应用到于桥水库溶解氧浓度序列的预测中,并与单独支持向量机(SVM)回归方法预测结果进行比较。【结果】WA-SVM方法预测精度较SVM方法有较大提高,其平均绝对百分比误差和均方根误差分别为0.04937和0.3453,而SVM方法的分别为0.08493和0.6319。【结论】WA-SVM方法综合运用了小波分析的多分辨特性和支持向量机的非线性回归功能,能够较准确地预测水库溶解氧浓度。     

溶氧胁迫下中华鳑(鮍)的呼吸和氮代谢生理研究

采用静水呼吸法研究了中华鳑(鮍)(1.070±0.068)g在溶氧逐渐降低环境中呼吸耗氧和氮代谢生理水平的变化.结果显示温度在(23.2±0.2)℃时,中华鳑(鮍)饱食和饥饿状态下耗氧率分别为0.441 mg/(g·h)和0.297 mg/(g·h),排氨率分别为1.6 μg/(g·h)和0.5μg/(g·h);溶氧低于1.5 mg/L开始浮头,低于0.31 mg/L开始死亡.当溶氧降低时耗氧率和排氨率均显著降低,但仍表现出一定的昼夜节律性,白天(6:00～ 14:00时)较夜间(10:00～2:00)高.在低溶氧环境中氨氮、亚硝酸氮浓度逐渐增加,水质环境随时间延长会逐渐恶化.实验结果提示在溶氧逐渐降低的环境胁迫下中华鳑(鮍)的呼吸作用和氮代谢水平会逐渐下降.因此,在养殖和运输中华鳑(鮍)过程中溶氧水平需始终保持在1.5 mg/L以上,运输前停食进行饥饿运输较佳.     

基于DBN-LSSVR的南美白对虾养殖溶解氧预测

为了提高南美白对虾(Litopenaeus vannamei)养殖溶解氧预测的精度,提出了深度信念网络融合最小二乘支持向量回归机(Deep belief nets-least squares support vector regression,DBN-LSSVR)的南美白对虾养殖溶解氧预测模型.首先,采用深度信念网络(Deep belief nets,DBN)方法,多尺度提取养殖水质时序数据的特征向量;然后,使用提取的养殖水质特征向量训练和优化DBN-LSSVR,构建了基于DBN-LSSVR的对虾养殖水质溶解氧预测模型;最后,以广州市番禺区南美白对虾养殖水质溶解氧实测数据为基础,对预测模型进行了实验验证,并与浅层BP神经网络、标准最小二乘支持向量回归机进行了对比分析.所构建的模型具有较高的预测精度和泛化性能,是一种有效的南美白对虾养殖溶解氧预测方法.     

溶氧胁迫下中华鳑鲏的呼吸和氮代谢生理研究

采用静水呼吸法研究了中华鳑鲏(1.07±0.068) g在溶氧逐渐降低环境中呼吸耗氧和氮代谢生理水平的变化。结果显示温度在(23.2±0.2)℃时,中华鳑鲏饱食和饥饿状态下耗氧率分别为0.441 mg/(g.h)和0.297 mg/(g.h),排氨率分别为1.6 ug/(g.h)和0.5 ug/(g.h);溶氧低于1.5 mg/L开始浮头,低于0.31 mg/L开始死亡。当溶氧降低时耗氧率和排氨率均显著降低,但仍表现出一定的昼夜节律性,白天（6:00～14：00时）较夜间（10: 00～2：00） 高。在低溶氧环境中氨氮、亚硝酸氮浓度逐渐增加,水质环境随时间延长会逐渐恶化。实验结果提示在溶氧逐渐降低的环境胁迫下中华鳑鲏的呼吸作用和氮代谢水平会逐渐下降。因此,在养殖和运输中华鳑鲏过程中溶氧水平需始终保持在1.5 mg/L以上,运输前停食进行饥饿运输较佳。     

基于粒子群优化算法和长短时记忆神经网络的蟹塘溶解氧预测

为准确预测蟹塘溶解氧质量浓度,及时掌握溶解氧质量浓度的变化趋势,提前采取防控措施从而降低河蟹养殖风险,提出了一种基于粒子群优化算法(PSO)和长短时记忆神经网络(LSTM)的蟹塘溶解氧质量浓度预测模型,采用PSO算法优化LSTM模型参数后对蟹塘溶解氧质量浓度进行预测.结果表明,PSO-LSTM模型不仅整体优于ARIMA...     

基于EMD与K-means的ILSTM模型在池塘溶解氧预测中的应用

为提高池塘溶氧量预测精度并改善预测结果滞后的情况,本研究提出基于经验模态分解(empirical mode decomposition,EMD)与K-means聚类的改进长短期记忆神经网络(improved long short-time memory,ILSTM)模型。利用皮尔森相关性分析与主成分分析结合的方法对原始数据进行特征提取,对溶氧量进行EMD分解,将选出的环境参数与溶氧量各分量一起生成样本集,并对其进行K-means聚类。针对同类中不同分解分量建立相应ILSTM预测模型,并用网格搜索、五折交叉验证与早停法进行超参数选取。对未来1 h池塘溶氧量进行预测,并与LSTM、ILSTM、LSTM-SVR、EMD-LSTM、EMD-ILSTM模型进行对比试验。结果显示,ILSTM与LSTM模型相比,RMSE、MAE与MAPE分别下降了50.46%、63.20%与68.96%,证明ILSTM模型能缓解传统LSTM模型预测的滞后情况。EMD-ILSTM模型与ILSTM模型相比,RMSE、MAE与MAPE分别下降了53.22%、46.74%与38.19%,证明EMD算法能提高预测精度。EMD...     

基于L-M优化算法的猪舍氨气浓度预测模型研究

在规模化养殖中,猪舍环境直接影响猪健康水平及生产能力。针对猪舍环境因素（包括温度、湿度、风速和氨气浓度）进行数据采集,选取具有代表性30 d数据,建立基于L-M优化算法的3-7-1三层结构的BP神经网络模型,对猪舍环氨气浓度进行预测。结果表明,预测模型经过90步达到目标误差,网络收敛速度快,效率高,预测值与实测值最大相对误差仅为1.72%,与线性预测方法相比较可提高猪舍氨气浓度预测的准确性与及时性,为猪舍环境预警及控制提供支持,也为其他行业预测模型建立提供参考。