主成分分析和长短时记忆神经网络预测水产养殖水体溶解氧

TP391; 为了提高水产养殖溶解氧预测的精度,提出了基于主成分分析(principal component analysis,PCA)和长短时记忆神经网络(long short-term memory,LSTM)的水产养殖溶解氧预测模型.首先通过主成分分析提取水产养殖溶解氧的关键影响因子,消除了原始变量之间的相关性,降低了模型输入向量维度;然后,在Tensorflow深度学习框架的基础上建立LSTM神经网络的水产养殖溶解氧预测模型;最后,利用该模型对浙江省淡水水产养殖研究所综合实验基地某池塘溶解氧进行验证.试验结果表明:该模型与BP神经网络等其他浅层模型相比,模型评价指标平均绝对误差、均方根...

Full description

Saved in:
Bibliographic Details
Published in农业工程学报 Vol. 34; no. 17; pp. 183 - 191
Main Authors 陈英义, 程倩倩, 方晓敏, 于辉辉, 李道亮
Format Journal Article
LanguageChinese
Published 中国农业大学信息与电气工程学院,北京 100083 01.09.2018
北京农业物联网工程技术研究中心,北京 100083
农业部农业信息获取技术重点实验室,北京 100083%中国农业大学信息与电气工程学院,北京 100083
Subjects
主成分分析
循环神经网络
溶解氧预测
LSTM神经网络
水产养殖
Online AccessGet full text
ISSN1002-6819
DOI10.11975/j.issn.1002-6819.2018.17.024

Cover

More Information
Summary:TP391; 为了提高水产养殖溶解氧预测的精度,提出了基于主成分分析(principal component analysis,PCA)和长短时记忆神经网络(long short-term memory,LSTM)的水产养殖溶解氧预测模型.首先通过主成分分析提取水产养殖溶解氧的关键影响因子,消除了原始变量之间的相关性,降低了模型输入向量维度;然后,在Tensorflow深度学习框架的基础上建立LSTM神经网络的水产养殖溶解氧预测模型;最后,利用该模型对浙江省淡水水产养殖研究所综合实验基地某池塘溶解氧进行验证.试验结果表明:该模型与BP神经网络等其他浅层模型相比,模型评价指标平均绝对误差、均方根误差和平均绝对误差分别为0.274、0.089和0.147,均优于传统的预测方法;该模型具有良好的预测性能和泛化能力,能够满足水产养殖溶解氧精确预测的实际需要,可以为水产养殖水质精准调控提供参考.
ISSN:1002-6819
DOI:10.11975/j.issn.1002-6819.2018.17.024