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...     

基于经验模态分解与Elman神经网络的月径流预测

针对径流序列的弱相关,非线性特征,直接预测会导致精度低,建立基于经验模态分解(empirical mode decomposition,EMD)与Elman神经网络的模型进行月径流预测,选取黄河上游唐乃亥水文站1979-2009年的月径流资料为研究对象。首先利用EMD对月径流资料进行处理,得到5个固有模态函数(intrinsic mode function,IMF)和1个趋势项。为了避免分量太多导致误差过大,将分量进行重组之后得到3个子序列,然后对3个子序列进行Elman神经网络预测。结果表明,EMD与Elman神经网络组合预测精度更高,更加适合复杂的水文序列。该方法可用于径流的中长期预测中。     

基于VMD-LSTM的奶牛动态称量算法

针对当前奶牛动态称量研究对动态称量信号的信息利用率偏低,不能充分提取称量信号深层信息的问题,提出一种基于变分模态分解（Variational mode decomposition,VMD）与长短期记忆网络（Long short-term memory,LSTM）的动态称量算法,以提高奶牛体质量预测精度。首先,使用阈值过滤的方法从采集到的奶牛动态称量信号中获取有效信号;其次,使用VMD算法将预处理后的有效信号分解为5个本征模态函数（Intrinsic mode function, IMF）,以提取奶牛动态称量信号中蕴含的深层信息,并降低有效信号的非平稳性对预测精度产生的影响;最后,分别将归一化后的各IMF分量与有效信号结合,作为特征输入到LSTM神经网络进行训练,预测奶牛体质量。通过对使用不同特征的模型的预测结果进行对比,选用误差最小的模型作为本文的奶牛体质量预测模型。试验结果表明,本文提出的动态称量算法能够有效提取奶牛动态称量信号的深层信息,体质量预测的平均相对误差为0.81%,均方根误差为6.21kg。与EMD算法和GRU算法相比,本文算法误差更小,更能满足养殖场的实际需求。     

基于TVF-EMD与LSTM神经网络耦合的月径流预测研究

为了有效提高非平稳非线性径流序列的预测精度,采用具有自适应序列特征的时变滤波经验模态分解(TVF-EMD)与长短期记忆神经网络(LSTM)耦合,构成TVF-EMD-LSTM预测模型.首先利用TVF-EMD方法自适应地将径流序列分解为高频序列和低频序列;进而,利用LSTM神经网络对分解后的序列分别预测;最终,将预测结果加...     

基于EMD和ELM的工厂化育苗水温组合预测模型

针对南美白对虾工厂化育苗水温时序数据存在非线性、非平稳等特点,采用传统单项预测方法预测精度低、鲁棒性差等问题,提出基于经验模态分解(EMD)、相空间重构和极限学习机(ELM)的非线性组合预测模型。在建模过程中,采用EMD方法将工厂化育苗水温原始时序数据多尺度分解为一系列固有模态分量(IMF),并对各分量进行相空间重构,在相空间中对ELM训练建模,分别对各IMF序列进行预测,将各分量预测结果进行叠加重构得到原始水温序列的预测值。将该模型应用于广东省湛江市南美白对虾工厂化育苗水温预测中,结果表明,该模型取得了较好预测效果。与BP神经网络、标准LSSVR和标准ELM等单项预测模型对比分析,模型评价指标MAPE、RMSE和MAE分别为0.015 8、0.032 9和0.096 2,均表明提出的组合模型具有较高预测精度和泛化性能,为南美白对虾工厂化育苗水温调控管理提供了一种有效的技术支持。     

基于VMD-GA-BP和误差校正的水电机组振动趋势预测

水电机组振动趋势预测有助于确保机组的安全稳定运行，但由于振动信号的复杂性和非平稳性，准确有效的预测成为难题。利用变分模态分解和神经网络在应对非平稳性和非线性问题方面的优势并结合误差校正方法，建立了振动趋势预测组合模型。首先对原始信号进行VMD分解，然后对每个IMF分量建立GA-BP网络进行预测，将所得结果叠加得到振动信号预测结果。再将各IMF分量的合成信号与原始信号之间的误差同样利用VMD-GA-BP模型进行预测，预测结果与振动信号预测结果相加得到最终预测结果。利用国内某水电站数据对所提模型进行论证实验，结果表明本文所提模型有较高预测精度。     

改进VMD和LSTM的联合收割机装配质量检测方法

针对联合收割机装配精度不高和装配质量难以检测的问题,提出一种基于麻雀搜索算法（SSA）优化变分模态分解（VMD）和长短时记忆神经网络（LSTM）的联合收割机装配质量检测方法。该方法首先利用SSA算法自适应寻优得到最优VMD分解模态参数K和惩罚因子α,然后利用最佳参数组合[K,α]将联合收割机振动信号分解成不同中心频率的本征模态分量IMF,并对各个IMF分别进行联合特征提取组成特征向量,最后将联合特征向量作为LSTM的输入,实现不同故障特征的分类。分析结果表明,SSA-VMD-联合特征提取方法分类准确率为98.1%,分别比集合经验模态分解（EEMD）和固定参数VMD高7.1%和6.1%,验证所提方法对联合收割机装配质量检测的优越性。     

基于GA-LSTM的酿酒葡萄霜霉病预测方法研究

随着我国贺兰山东麓地区葡萄园的大量兴建和大规模引种,各个葡萄园内出现了以霜霉病为典型的严重的病虫害问题。针对目前酿酒葡萄霜霉病精确预测手段缺乏的问题,提出一种基于遗传算法改进长期和短期记忆神经网络的预测模型。将遗传算法(GA)加入长短期记忆神经网络(LSTM)预测模型的参数调节环节中,通过优化算法代替人工手动调参在超参数搜索空间中不断迭代得到最优超参数组合最终确定模型。再建立基于霜霉病—气象时序数据的手动调参LSTM模型和BP神经网络模型,将三种模型在测试集上进行对比试验。GA-LSTM模型的预测结果均方根误差、均方误差、平均绝对误差分别为0.410 3、0.168 4、0.245 0,均小于LSTM模型和BP神经网络模型。预测结果表明LSTM在时间序列问题的应用中预测性能优于BP神经网络模型,使用遗传算法对LSTM模型的超参数选择环节进行优化,最终得到的超参数组合优于手动调参的LSTM模型得到的超参数组合。     

基于边界修正和二次分解的改进月降水LSTM预测方法

基于深度学习的降水预测是近年来水文研究的热点。月降水数据为典型的小样本数据，无法满足深度学习对大数据量的需求。为此，融合信号分解和边界修正的思想，提出一种改进的月降水长短期记忆网络（LSTM）预测方法。首先，针对序列分解的“端点效应”，采用波形特征匹配延拓法扩展原始序列边界。然后，利用极点对称模态分解（ESMD）和变分模态分解（VMD）对原始序列进行二次分解。ESMD提取月降水序列不同尺度信息，得到频率依次降低的几个模态分量及一个残余分量；切除各子序列中对内部数据“污染”最严重的扩展部分后，VMD进一步对高频分量进行平稳化处理。最后，对各子序列分别运用LSTM预测，预测结果重构后得到最终预测结果。选取湖北省巴东县的月降水量作为实例验证。通过模型对比分析，结果表明：相较于传统的单一SVM和LSTM模型，组合了信号分解算法的预测模型在月降水预测中更具优越性；将边界修正的方法融入到采用ESMD算法的组合模型，提高了整体模型的预测精度；高频分量的预测效果是决定组合模型预测精度高低的关键因素；提出的方法不但在选取的评价指标上均表现最佳，而且对数据极值点的拟合效果提升显著。特别地，即使面对小样本数...     

基于CEEMDAN-VMD-TCN-lightGBM模型的水质预测研究

针对目前水质预测模型中因为数据本身的复杂性、在信号处理过程中存在的噪声干扰以及分解深度不够导致单一分解难以全面捕捉信号非线性特征的问题,提出了一种基于二次分解的水质预测模型。该模型采用完全自适应噪声集合经验模态分解（CEEMDAN）对原始数据进行分解,再利用变分模态分解（VMD）对熵值最高的模态分量进行二次分解,最终将处理后的时间序列输入到TCN-lightGBM多特征预测模型中。同时,采用麻雀算法（SSA）对预测模型进行优化。以山东省玉符河水质为例,本模型的均方根误差（RMSE）是0.105 3,平均绝对误差（MAE）是0.081 5,决定系数（R2）是0.947 1,与GRU、LSTM、LightGBM、TCN等当下较为流行的模型的预测指标进行比较。结果显示,在R2上本模型提升了53.04%、70.41%、66.07%、65.20%等,在RMSE上减少了62.76%、65.50%、64.93%、64.80%等,在MAE上降低了62.76%、66.24%、63.80%、65.24%等。由此可知,基于CEEMDAN-VMD-TCN-lightGBM的模型具有更好的预测性能、泛化能力和捕...     

基于布谷鸟搜索算法优化LSTM的大坝变形预测

对大坝变形进行合理分析和准确预测是确保大坝安全运行的重要手段.大坝变形监测数据具有趋势性、周期性、随机性和非线性等特性,现有的机器学习模型大都基于大坝变形监测数据的非线性特点进行构建,而忽略了监测数据还具有趋势性和周期性的线性特征.提出了一种大坝变形预测模型,通过采用布谷鸟搜索算法(CS)对长短期记忆人工神经网络(LSTM)进行优化,再基于物联网传感器的实时监测数据,使用局部加权回归的周期趋势分解方法(STL)将数据分解成趋势分量、周期分量和余项分量,采用优化后的LSTM模型对趋势分量和余项分量分别进行预测,并通过简单周期估计方法进行计算,将3个分量的预测结果求和后得到最终变形预测结果.试验选取浙江利山水库开展变形预测研究,结果表明：STL-CS-LSTM模型的水平和沉降变形预测精度都高于其他模型,水平位移预测精度由高到低依次为LSTM模型、支持向量回归模型SVR和人工神经网络模型ANN,沉降预测精度由高到低依次为ANN模型、LSTM模型、SVR模型.     

基于非线性多尺度模型的黄河三角洲降水量预测

【目的】提高降水量的预测精度,反映降水量的实际特征。【方法】基于经验模态分解对非线性时间序列的分析和处理的优势,对黄河三角洲气象站点1954—2018年连续65 a月均降水量数据进行经验模态分解(Empirical Mode Decomposition, EMD),得到了系列本征模态函数(Intrinsic Mode Function,IMF),对IMF进行Hilbert变换,在此基础上建立了2种黄河三角洲降水量多尺度预报模型。【结果】黄河三角洲降水量存在着9、13、23、76、135月左右的周期,并以9个月的波动为主;65 a月均降水量数据预测结果显示:模型一的相对误差在0.9%～9.8%之间,模型二的相对误差在1.6%～11.8%之间,在建模时不考虑初相位的模型一平均预测误差为2.70%,整体预测精度要优于考虑初相位的模型二。【结论】2种模型的拟合精度及显著性均符合要求。     

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%。     

基于EMD-IGA-SELM的池塘养殖水温预测方法

为了有效指导工厂化水产养殖,提高水产养殖过程中水体温度预测的精度和稳定性,在分析水体温度影响因素的基础上,提出基于经验模态分解（EMD）、改进遗传算法（IGA）和改进极限学习机（SELM）相结合的水温预测模型（EMD-IGA-SELM）。首先,通过综合天气指数的计算完成异常和缺失数据的校正;利用皮尔森相关分析计算各影响因子与水温之间的相关度,从而确定预测模型的输入输出量;选择Softplus函数代替Sigmoid函数组成SELM,并引入混沌序列改进标准遗传算法,获得SELM的最佳初始权值和阈值;最后,采用EMD方法将原始水温时序数据进行多尺度分解,在各分量中对IGA-SELM训练建模,并叠加求和各分量预测值,从而完成水温序列的预测。将EMD-ELM和GA-BP模型的预测结果与EMD-IGA-SELM进行对比,结果表明,EMD-IGA-SELM取得了较好的预测精度,评价指标平均绝对误差、平均绝对百分比误差和均方根误差分别为0.1233℃、0.0043和0.1478℃,能够满足水产养殖的生产需要,可为池塘水质管理和调控提供决策支持。     

基于RBF神经网络的离心泵地脚螺栓松动故障诊断

为了准确识别卧式离心泵地脚螺栓松动故障,搭建了卧式离心泵机组诊断平台,采用电涡流传感器对离心泵转子位移进行监测.将采集的转子位移信号经过经验模态分解法(empirical mode decomposition, EMD)分解为多个固有模态函数(intrinsic mode function, IMF),对各层IMF频谱特征、相关系数及能量占比进行分析得到故障敏感分量.最后,通过径向基(radial basis function, RBF)神经网络对离心泵松动故障进行识别预测.结果表明：采用EMD方法可以有效提取出离心泵松动故障特征,IMF5—IMF8层可作为故障特征分量.通过将IMF5—IMF8层的相关系数和能量占比作为故障特征输入到RBF神经网络中进行识别,准确率可达95%.     

基于神经网络算法的果树需水预测研究

【目的】准确预测果树需水量。【方法】对采集地果园环境数据进行主成分分析,筛选出影响果树蒸腾量的关键因子。建立以长短时记忆(LSTM)神经网络为基础的预测模型来预测果树蒸腾量。为提高预测的精度,在LSTM神经网络的基础上加入了注意力(Attention)机制,形成Attention-LSTM预测模型。【结果】将改进的模型与其他模型的预测精度进行对比,仿真试验表明,该模型的预测精度最高,RMSE和MSE分别为0.487和0.062。【结论】该预测模型可以准确预测果树蒸腾量,从而实现果园精准灌溉并提高水果产量,具有一定的实际意义。     

基于EMD+FFT联合滤波方法在机床主轴非平稳信号分析中的应用

针对数控磨床主轴振动信号中噪声影响特征值提取的问题,提出了一种基于经验模态分解方法(EMD)与快速傅里叶变换(FFT)联合的滤波方案。首先利用经验模态法(EMD)将主轴振动信号分解成若干个满足内稟模态函数的IMF分量,再利用快速傅里叶变换对每个IMF分量做时频转换,可以得出IMF分量的频域图谱。对包含噪声的IMF分量进行阈值滤波,得到降噪后的IMF分量,将IMF分量重新合成为原信号。利用仿真信号对该方法实验,同时对数控机床主轴信号进行实际测试表明,该方法不仅仅能够很好地分解出主要频率成分,同时弥补了FFT变换无法分析非平稳信号的缺点,提高了EMD算法的精度,有效地滤除主轴信号中的噪声成分。     

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。     

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。     

猪舍氨气与二氧化碳浓度变化时序预测模型优化

NH₃质量浓度和CO₂质量浓度是猪舍环境精准控制的重要指标。由于畜禽舍气体浓度具有时变性、非线性耦合等特点,目前有害气体浓度预测模型存在预测精度低的问题。提出了基于门控制循环单元(Gated recurrent unit, GRU)、改进麻雀搜索算法(Improved sparrow search algorithm, ISSA)并融合差分整合移动平均自回归模型(Autoregressive integrated moving average model, ARIMA)的有害气体浓度时序数据预测模型ISSA-GRU-ARIMA。首先构建了GRU气体浓度时序预测模型,然后通过引入Tent混沌序列、混沌扰动和高斯变异增强ISSA算法的局部寻优能力,实现GRU模型超参数优化;然后利用统计学习ARIMA方法提取优化后的ISSA-GRU模型预测残差的线性特征,最终达到提升模型预测精度的目的。以采集的52 d猪舍环境的1 248组数据对模型进行训练和测试。结果表明,ISSA-GRU-ARIMA模型NH₃质量浓度预测的均方根误差(RM...