基于神经网络和遗传算法的池塘溶解氧预测模型

水产养殖池塘是一个多变量、非线性和大时延系统,其中溶解氧的预测也是一个复杂的问题。针对大连某水产养殖池塘,作者建立了一个基于Levenberg-Marquardt(LM)神经网络和遗传算法(GA)的溶解氧预测模型GA-LM,并将该模型与传统的BP神经网络进行比较分析。结果表明:使用本研究中建立的GA-LM模型预测的溶解氧值和实际测定值吻合较好,预测更为精准,运行时间明显减少。     

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...     

基于神经网络的模糊系统池塘淡水养殖溶解氧预测模型

建立基于神经网络的模糊系统预测模型,应用基于神经网络的模糊系统模型对淡水养殖池塘溶解氧进行预测,用实测的106组监测数据来检验模型的可靠性,其中80组数据作为训练样本,26组数据作为检验样本,将预测值与实测值进行比较。结果表明,该模型预测值与实测数据拟合良好,解决了生产实际中溶解氧状况无法及时预报和动态监测难等问题。     

基于神经网络的模糊系统池塘淡水养殖溶解氧预测模型(英文)

建立基于神经网络的模糊系统预测模型,应用基于神经网络的模糊系统模型对淡水养殖池塘溶解氧进行预测,用实测的106组监测数据对来检验模型的可靠性,其中80组数据作为训练样本,26组数据作为检验样本,将预测值与实测值进行比较。结果表明,该模型预测值与实测数据拟合良好,解决了生产实际中溶解氧状况无法及时预报和动态监测难等问题。     

基于预测模型和遗传算法的配煤优化研究

焦化企业配煤和炼焦过程是存在诸多不确定性、无法用数学模型描述的复杂工业过程, 传统控制方法难以实施控制。因此要实现配煤成本的最优控制是个比较复杂的问题。本文在焦化理论和实际生产所获的数据基础上，以神经元网络为指导，建立焦炭质量预测模型；利用单种和混合煤中各组分的关系，建立起混合煤的质量预测模型。在以上两个模型的基础上，把炼焦过程中配煤成本最小化的问题转化成为带约束的最优化问题。再利用遗传算法可以比较方便地求得近似最优解。本文利用实际数据和仿真实验，验证方法的可行性。     

BP_Adaboost预测模型结合遗传算法在鸡腿菇生长环境寻优中的应用

针对试验中使指标达到最佳值的最优因素组合的问题,提出了一种基于BP_Adaboost的预测模型结合遗传算法的求解方法,并在鸡腿菇生长环境寻优中进行实际应用。结果表明,与BP神经网络相比,该模型提高了预测精度和泛化能力,为解决此类寻优问题提供了可靠的参考,具有较好的应用前景。     

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。     

基于ARIMA和RBF神经网络模型的溶解氧预测分析

结合江苏省宜兴市蟹养殖实地采集的数据,采用ARIMA模型对溶解氧进行预测,反映溶解氧周期性变化趋势。采用RBF神经网络对非线性残差部分进行预测。结果表明,组合模型较单一模型而言,预测结果更加全面、准确,提高了溶解氧预测的精度,并通过预测结果找出溶解氧变化规律。     

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...     

池塘水中溶解氧变化规律的分析

池塘水中的溶解氧在白天随着太阳的升起而逐渐上升,至下午达到最高值,此后溶氧量逐渐下降至第二天早晨黎明时达最低值。     

遗传算法优化BP网络的汛期降水预测模型

针对BP算法易陷入局部极小、收敛速度慢等缺点,遗传算法是全局优化算法和具有很强的全局搜索能力,遗传算法优化BP神经网络初始连接权值和阈值形成混合算法.以安徽宣城市为例,将汛期降水量作为预测对象,前期74项大气环流特征量、500 hPa、100 hPa月平均高度场、月平均海平面气压场和月平均海温场资料中选取预测因子,建立汛期降水短期气候预测模型.结果表明,该方法计算稳定,预报误差小,具有实用价值.     

基于逐步回归法和BP神经网络模型的苹果产量预测

本文通过逐步回归法挑选出4个影响苹果产量的关键气象因子,并运用逐步回归法和BP神经网络建立苹果产量预测模型。通过检验,2种预测模型拟合效果均较好,均能够较好地预测今后苹果的产量趋势。其中BP神经网络模型预测有较高精度,但存在局限性。     

基于神经网络和遗传算法的红景天苷缓释微囊制备过程建模与优化

建立了红景天苷缓释微囊的人工神经网络模型及其遗传算法优化技术。结果表明,结构为5-12-3的神经网络模型能较为精确地拟合测试的样本数据,其最大相对误差不超过4%;遗传算法优化的红景天苷缓释微囊制作最佳工艺参数为:海藻酸钠与红景天苷的质量比为2,海藻酸钠浓度为30g/L,壳聚糖浓度为5g/L,氯化钙浓度为10g/L,壳聚糖溶液pH值为6.35,该工艺参数下的最大适应度较单因素及二次旋转组合试验中的最大适应度高14%,且最佳工艺参数下载药量、包埋率和决定系数的预测值和试验值基本相符。说明用神经网络模型描述微囊制作参数与性能之间的关系,用遗传算法优化微囊制作工艺参数,能设计出性能最佳的微囊制作工艺参数。     

温度与溶氧水平对日本沼虾瞬时耗氧速率的影响

为了研究日本沼虾瞬时耗氧速率在不同温度下的变化规律及其与溶氧水平的关系,以日本沼虾为试验 对象,设4 个温度梯度(15、20、25、30益）,采用密闭呼吸室法,求得各温度下试验虾耗氧量随时间的变化状况。结果表 明,日本沼虾的瞬时耗氧速率随时间的增加而降低,且呈良好的乘幂函数增长关系,呼吸类型属于顺应型;在适宜溶 解氧量及温度范围内,瞬时耗氧速率均随相应溶解氧含量和温度的升高而增加,且呈良好的线性相关关系。     

基于自适应粒子群算法优化神经网络的多沙水库冲淤预测模型研究及应用

【目的】针对传统多沙水库冲淤预测模型难以准确、迅速预测某一具体水库调度运行方式下泥沙的冲淤变化过程,无法为制定合理水库调度运行方式提供决策依据的不足,构建一种计算效率高、能保证一定计算精度且相对简便的泥沙冲淤预测模型。【方法】将人工神经网络及粒子群优化算法引入到多沙水库冲淤预测中,构建基于自适应粒子群算法优化BP神经网络的多沙水库冲淤预测模型,并将该模型应用于冯家山水库库区泥沙冲淤形态、冲淤量的预测,验证其实用性。【结果】将多沙水库冲淤变化过程视为一个非线性动力系统,利用人工神经网络处理大规模复杂非线性动力学问题的优势,在采用自适应粒子群优化算法对BP神经网络的初始连接权值和阈值进行优化的基础上,成功构建了基于自适应粒子群算法优化BP神经网络的多沙水库冲淤预测模型。该模型在冯家山水库冲淤预测中的应用结果表明,模型计算值与实测值之间吻合良好,可满足实际水库管理的需要。【结论】所构建模型具有较强的合理性及较广的适用性,为多沙水库冲淤预测提供了一条有效途径。     

Simple model based on artificial neural network for early prediction and simulation winter rapeseed yield

The aim of the research was to create a prediction model for winter rapeseed yield.The constructed model enabled to perform simulation on 30 June,in the current year,immediately before harvesting.An artificial neural network with multilayer perceptron(MLP) topology was used to build the predictive model.The model was created on the basis of meteorological data(air temperature and atmospheric precipitation) and mineral fertilization data.The data were collected in the period 2008–2017 from 291 productive fields located in Poland,in the southern part of the Opole region.The assessment of the forecast quality created on the basis of the neural model has been verified by defining forecast errors using relative approximation error(RAE),root mean square error(RMS),mean absolute error(MAE),and mean absolute percentage error(MAPE) metrics.An important feature of the created predictive model is the ability to forecast the current agrotechnical year based on current weather and fertilizing data.The lowest value of the MAPE error was obtained for a neural network model based on the MLP network of 21:21-13-6-1:1 structure,which was 9.43%.The performed sensitivity analysis of the network examined the factors that have the greatest impact on the yield of winter rape.The highest rank 1 was obtained by an independent variable with the average air temperature from 1 January to 15 April of 2017(designation by the T1-4_CY model).