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 shortterm 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。     

工厂化水产养殖溶解氧预测模型优化

为准确预测溶解氧变化趋势,降低水产养殖风险,提出混沌变异的分布估计(CMEDA)算法优化最小二乘支持向量机模型(LSSVR),提高了溶解氧预测精度。并对粒子群算法和遗传算法分别优化的LSSVR模型(PSOLSSVR、GA-LSSVR)以及传统的LSSVR模型与CMEDA优化的LSSVR模型(CMEDA-LSSVR)进行了比较研究。利用该模型对江苏省扬中市红鲷鱼工厂化养殖鱼塘溶解氧含量进行了预测。实验结果表明,CMEDA-LSSVR的预测精度高于其他3种算法,CMEDA-LSSVR、PSO-LSSVR、GA-LSSVR、LSSVR 4种模型预测精度评价指标平均绝对百分比误差分别为0.32%、1.27%、1.98%和2.56%。实际应用结果表明该模型可以为鱼塘水质决策管理提供依据,具有一定的应用价值。     

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。     

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LM算法的溶解氧神经网络预测控制

针对污水处理溶解氧时变、非线性以及设定值难以跟踪控制的问题,提出了一种基于Levenberg-Marquardt算法(LM算法)的溶解氧浓度神经网络预测控制器的设计方法。首先在国际水协会提出的活性污泥1号模型(ASM1)基础上,经过合理的假设和约束,得到简化的溶解氧浓度模型,经过BP神经网络系统辨识和模型预测设计了溶解氧神经网络预测控制器。并采用LM算法改进了BP神经网络,克服了容易陷入局部极小值、收敛速度慢的缺点,提高了神经网络预测精度。仿真结果表明,神经网络预测控制具有很好的自适应性和鲁棒性,提高了溶解氧跟踪控制性能。     

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,Deep AR)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24 h的池塘空间溶解氧值,均方根误差(RMSE)为1.263 3 mg/L、平均绝对误差(MAE)为0.975 5 mg/L、平均绝对百分比误差(MAPE)为14.873 2%。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。     

基于深度学习的双阶段大坝变形预测模型

为提高大坝位移预测的准确性,提出了一种新颖的基于深度学习的综合预测方法。首先引入了一种基于完全集成经验模态分解（Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN）和奇异谱分析（Singular Spectrum Analysis,SSA）的多级数据降噪技术。这能有效地消除监测数据中的噪声和异常值,提高数据质量,为后续预测提供更合理的大坝变形数据。随后构建基于卷积神经网络（Convolutional Neural Network,CNN）和门控循环单元（Gated Recurrent Unit,GRU）的深度学习模型。采用CNN从监测数据中提取丰富的特征,利用GRU来捕获和处理时间序列数据中的长期依赖关系。为了增强模型的表现,引入了自注意力机制,以帮助模型更好地处理和识别数据中的复杂模式。通过与其他预测方法的比较,实验结果表明,该方法在大坝位移预测的准确性和稳定性方面相较于其他方法有显著的提升,能够为大坝变形监控领域提供新方法。     

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,即使面对小样本数据集,使用本文模型,月降水预测的纳什效率系数（Nash-SutcliffeEfficiencycoefficient,NSE）可以达到0.9600。     

基于EEMD-GA-BP的水电机组状态趋势预测

电厂、电网的安全稳定与水电机组的运行状态息息相关。机组状态趋势预测弥补了故障诊断作为事后决策的不足,通过预测提前发现故障征兆,可以避免事故发生。本文结合EEMD和神经网络理论,提出了一种水电机组状态趋势预测模型。以国内某两电站的机组振动状态趋势预测为例,首先对机组振动信号进行EEMD分解,其次利用GA-BP预测模型预测各IMF分量运行趋势,最终预测信号是各分量的预测结果累加得到。实验结果表明,该模型能实现机组振动状态趋势的有效预测,相较于其他方法精度更高。     

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%。     

基于经验模式滤波与循环神经网络的水锤压力信号预测

为准确预测水锤信号变化规律,实现对水锤冲击强度和能量等特性的提前预判,针对水锤冲击信号提出了一种基于经验模式分解(empirical mode decomposition, EMD)和循环神经网络(recurrent neural network, RNN)的模型预测方法.首先,通过EMD获取具有不同频率的IMF分量,根据水锤信号的频域特性剔除高频噪声分量并重构信号以实现滤波,滤波后信号能量损失不足0.1%;进而,建立了基于RNN模型的时间序列预测模型,搭建试验平台获取水锤冲击信号,完成了RNN模型的训练和参数调节;随后,对不同流速下水锤冲击信号进行序列预测,在测试集与训练集流速不同条件下,得到了准确的预测结果,表现出一定泛化能力.对比分析预测水锤信号与实际信号,得到R²系数大于0.990 0,幅值和能量损失不足1%,验证了所提出方法的正确性,主要结论和建模方法可为各类输水系统的风险评估、管路监测和健康管理提供理论指导和技术手段.     

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-WDD-MK模型的玛纳斯河年径流预测

径流预测是进行水资源优化配置的前提,在区域水资源管理中起着非常重要的作用。为了提高干旱区河流年径流预测精度,本文将经验模态分解法（EmpiricalModeDecomposition,EMD）和变分模态分解法（VariationalModalDecomposition,VMD）与加权马尔可夫链进行耦合建模,并引入小波降噪（WaveletDomainDenoising,WDD）,建立EMD-MK、EMD-WDD-MK和VMD-MK模型。首先将玛河年径流数据进行分解作为多个分量,并将EMD分解得到的高频分量去噪处理,然后对各分量进行预测并重构得到预测值。通过合格率（QR）、平均绝对误差（MAE）、平均相对误差（MAPE）和均方根误差（RMSE）4种指标,对比分析3种模型的预测精度。结果表明：引入小波降噪的EMD-WDD-MK模型比EMD-MK和VMD-MK模型预测精度更高,该耦合模型可为干旱区河流规划和调配提供科学依据。