基于贝叶斯与元学习的氨氮浓度预测模型优化

针对小样本数据下氨氮浓度模型预测精度不高、收敛速度较慢的问题,采用长短期记忆网络(long short-term memory,LSTM)建立氨氮浓度预测模型,并利用贝叶斯优化算法和元学习机制对模型进行优化。其中贝叶斯优化算法用来优化预测模型的超参数,同时给出模型参数的初始值,再使用Meta-LSTM算法学习模型梯度并允许优化器之间进行参数共享和更新,最终实现对氨氮浓度预测模型的优化。将该方法与LSTM、GRU和RNN模型进行对比试验,结果显示,研究所建模型对氨氮浓度预测的均方根误差、平均绝对误差和均方误差分别为0.0276、0.0239和0.00076,均优于其他预测模型。表明基于贝叶斯和元学习的氨氮浓度预测模型对小样本数据建模有效,可以实现网络快速收敛,精度满足水产养殖中氨氮浓度预测需求。

基于HCPS多层感知器的污水处理后氨氮浓度测量

针对现污水处理后出水氨氮预测模型中隐含层神经元存在过大冗余而浪费资源的问题,提出了一种基于敏感度和互信息的混合增加删减的神经网络结构调整算法(HCPS).该算法重新定义了敏感度公式,利用敏感度和互信息自适应地调整网络结构,删除敏感度过低的隐含神经元,分裂过大的隐含层神经元,合并互信息过大的两个隐含层神经元.在污水处理基准仿真平台BSM1上的验证结果表明,HCPS算法可以获得更紧凑的网络结构,用于出水氨氮浓度预测精度较高.

基于小波降噪和LSTM的海参养殖氨氮预测

海参具有极高的营养价值和药用价值,水质环境对其产量有一定的影响。为了更好地调控水质,尽可能使海参生长在最佳状态,采用改进的小波降噪方法处理数据,建立长短期记忆(LSTM)神经网络模型对海参养殖环境中的氨氮浓度进行预测。实验分别采用多影响因素作为模型的输入,氨氮浓度作为输出,建立氨氮浓度与各水质因子之间的关系模型,实现氨氮浓度预测。实验结果表明,改进的小波降噪方法有效减少了噪声,LSTM神经网络模型在海参养殖水质预测中效果显著。所提方法为海参养殖下一步水质调控提供了参考数据,进而可提高海参养殖的质量和产量。