• 
    

    
    

      99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

      基于EMD-LSTM 的水產(chǎn)養(yǎng)殖水溫預測模型*

      2023-12-09 08:51:08張錦榮王康誼
      計算機與數(shù)字工程 2023年9期
      關(guān)鍵詞:水溫分量神經(jīng)網(wǎng)絡(luò)

      張錦榮 王康誼

      (中北大學信息與通信工程學院 太原 030051)

      1 引言

      近年來,我國的水產(chǎn)養(yǎng)殖業(yè)逐漸由內(nèi)陸轉(zhuǎn)向遠海,越來越多的人采取深水網(wǎng)箱養(yǎng)殖的方式進行魚類養(yǎng)殖。但由于網(wǎng)箱內(nèi)魚類養(yǎng)殖密度較大,養(yǎng)殖區(qū)域水溫的突變會造成PH、溶解氧等水質(zhì)因子的變化,導致魚類的生存環(huán)境發(fā)生變化,影響魚類生長速度和生長大小。而水溫的實時預測可以幫助養(yǎng)殖者提前采取相關(guān)措施,及時調(diào)整水質(zhì),保證適宜的魚類養(yǎng)殖環(huán)境。

      為實現(xiàn)水溫的準確預測,目前已有學者做出相關(guān)研究。朱森林等[1]建立了水溫-氣溫的高斯過程回歸模型,實現(xiàn)了對天然河流水溫的預測,但該模型在干擾因素較大的河流站點預測效果不佳。徐大明等[2]采用粒子群算法優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)建立了基于PSO-BPNN 的水溫和PH 預測模型,在模型預測精度和容錯率方面取得了不錯的效果。陳英義等[3]提出了基于GA-BP 神經(jīng)網(wǎng)絡(luò)的養(yǎng)殖水溫預測模型,通過GA 優(yōu)化BP 網(wǎng)絡(luò)提高了模型的預測精度,實現(xiàn)了池塘養(yǎng)殖水溫的短期預測。施珮等[4]提出了基于EMD-IGA-SELM 的水溫預測模型,在小樣本水溫預測方面取得了較好的預測效果。以上算法在水溫預測方面均取得了較好的預測效果,但在長時間序列預測過程中以上模型難以取得好的預測精度。LSTM長短期記憶網(wǎng)絡(luò)非常適用于時間序列的預測,且能夠?qū)崿F(xiàn)數(shù)據(jù)的長期記憶功能。劉晶晶等[5]采用K-Similarity 降噪的LSTM 水質(zhì)預測模型實現(xiàn)了地表水質(zhì)多因子預測,且預測精度優(yōu)于傳統(tǒng)BP 神經(jīng)網(wǎng)絡(luò)。孫銘等[6]采用基于小波分解的LSTM 水質(zhì)預測模型實現(xiàn)對PH、溶解氧等水質(zhì)指標的預測,且模型取得了較好的預測精度?;谇叭说难芯炕A(chǔ),本文提出基于EMD-LSTM 的水產(chǎn)養(yǎng)殖水溫預測模型。通過EMD 算法將原始水溫序列分解為不同頻次的分量,針對各分量建立LSTM 模型進行預測,然后將預測結(jié)果疊加求和得到最終的水溫預測結(jié)果。

      2 預測方法及原理

      2.1 經(jīng)驗模態(tài)分解方法(EMD)

      經(jīng)驗模態(tài)分解(Empirical Mode Decomposition,EMD)是一種時頻域信號的處理方法,該方法具有自適應的特性,能夠根據(jù)輸入數(shù)據(jù)自身的時間尺度特征進行信號分解,在分析非線性非平穩(wěn)的信號序列方面具有明顯的優(yōu)勢[7~8]。EMD將輸入信號分解成若干個本征模函數(shù)(Intrinsic Mode Function,IMF)和一個余量R,其中各IMF 分量之間相互獨立,反映了原始信號不同時間尺度的局部特征信息。

      分解后的IMF分量應滿足如下條件:

      1)在IMF數(shù)據(jù)段內(nèi),極值點個數(shù)和零點個數(shù)必須相等或相差最多不超過一個。

      2)在IMF任意時刻,局部極大值構(gòu)成的包絡(luò)線和局部極小值構(gòu)成的包絡(luò)線平均值為0,上下包絡(luò)線相對于時間軸對稱。

      2.2 長短期記憶神經(jīng)網(wǎng)絡(luò)(LSTM)

      長短期記憶神經(jīng)網(wǎng)絡(luò)(long short-term memory,LSTM)是由傳統(tǒng)RNN 神經(jīng)網(wǎng)絡(luò)改進而來的一種特殊的循環(huán)神經(jīng)網(wǎng)絡(luò)[9]。傳統(tǒng)的RNN 神經(jīng)網(wǎng)絡(luò)在實際使用過程中往往會出現(xiàn)梯度消失和梯度爆炸的問題,在長時間序列預測方面處理效果較差,LSTM通過引入門機制來控制各時刻特征的流通和損失,讓信息有選擇地影響訓練過程中各時刻的狀態(tài),從而有效解決了RNN 在長時間序列預測過程中存在的問題[10]。

      LSTM 模型單元結(jié)構(gòu)如圖1 所示,其長期記憶功能取決于單元結(jié)構(gòu)中的輸入門、輸出門和遺忘門。遺忘門決定上個時間的單元狀態(tài)Ct-1保留多少至當前時刻Ct:

      圖1 LSTM單元結(jié)構(gòu)

      式中,ft表示記憶單元中信息保留的程度,數(shù)值越大則表征保留信息越多。

      輸入門決定當前輸入Xt有多少保存到單元狀態(tài)Ct中:

      式中,C~t為單元狀態(tài)更新值,it為輸入門控制C~t的哪些特征用于更新Ct,Ct則表示更新后的單元狀態(tài)。

      輸出門控制Ct傳輸?shù)较乱粫r刻的信號量ht:

      式中,W為權(quán)重系數(shù),b為偏執(zhí)系數(shù),σ為“sigmoid”激活函數(shù)。

      3 EMD-LSTM水溫預測模型

      3.1 EMD-LSTM網(wǎng)絡(luò)模型構(gòu)建

      水溫數(shù)據(jù)本身是一組具有非線性、非平穩(wěn)性的時間序列[11~13],對于這類復雜的時間序列,若直接用LSTM 進行預測難以挖掘輸入序列的特征,預測效果較差。而EMD 算法能夠?qū)⒃紨?shù)據(jù)分解為不同頻段的分量,降低數(shù)據(jù)的復雜度,再分別對各分量進行LSTM 預測,最后將各分量預測結(jié)果疊加得到最終預測結(jié)果,從而提高預測精度。本文將EMD 算法和LSTM 預測算法相結(jié)合,提出基于EMD-LSTM 的水溫預測模型,模型算法流程如圖2所示,算法步驟如下:

      圖2 EMD-LSTM水溫預測流程圖

      1)對采集到的5 項水質(zhì)指標數(shù)據(jù)進行數(shù)據(jù)預處理和相關(guān)性分析,降低數(shù)據(jù)噪聲并確定模型的輸入?yún)?shù)。

      2)時序數(shù)據(jù)分解采用EMD 方法對原始水溫序列進行多尺度分解,降低原始序列的復雜度,具體實現(xiàn)過程如下:

      (1)輸入:水溫時間序列x(t)。

      (2)獲取原始序列x(t)的極值點,根據(jù)三次樣條插值法構(gòu)建x(t)的上、下包絡(luò)線。

      (3)求出上下包絡(luò)線均值m(t)并與輸入序列x(t)作差求得h(t),即h(t)=x(t)-m(t)。

      (4)判斷h(t)是否滿足1.1 節(jié)所述的IMF 分量條件,若滿足則該h(t)是一個IMF 分量,否則用h(t)替換x(t)返回上述步驟(2)執(zhí)行,直到分解完畢。

      (5)輸出:n個IMF分量和1個余量R。

      3)構(gòu)建訓練集和測試集。在IMF 分量和余量R 中取90%作為模型輸入訓練集,剩余10%作為測試集。

      4)對各IMF分量和余量R進行LSTM 預測得到多個預測值,最后根據(jù)式(6)進行疊加求和,取得最終的水溫預測值W(t)。

      式中,IMFPn和RP 為IMF 和R的預測結(jié)果,W(t)為求和所得的最終水溫預測結(jié)果。

      3.2 實驗數(shù)據(jù)源

      本文所用實驗數(shù)據(jù)由海南省某水產(chǎn)養(yǎng)殖基地的物聯(lián)網(wǎng)系統(tǒng)采集而來,采集時間為每5min 采集一次,采集水質(zhì)指標包括:水溫、鹽度、PH、溶解氧和空氣溫度,共計數(shù)據(jù)23203組,數(shù)據(jù)特征如表1所示,采集到的各項指標均無缺失值。

      表1 樣本數(shù)據(jù)特征

      3.3 數(shù)據(jù)預處理

      1)數(shù)據(jù)歸一化。由于本次采集的數(shù)據(jù)樣本中各指標具有不同的量綱和量級,為消除各指標之間不同量綱造成的影響[14],本文使用最大值最小值歸一化方法進行數(shù)據(jù)預處理,處理后的數(shù)據(jù)均分布于[0,1]之間,公式如下:

      式中xmax和xmin為同一指標數(shù)據(jù)的最大值和最小值,x為原始數(shù)值,x′為完成歸一化后的數(shù)值。

      2)數(shù)據(jù)相關(guān)性分析。由于在實際水體環(huán)境中,水溫的變化會受到多種因素的影響,因此對監(jiān)測指標中的水溫、鹽度、PH、溶解氧和空氣溫度進行相關(guān)性分析。選擇Pearson 相關(guān)系數(shù)檢驗法完成水溫與各項監(jiān)測指標的相關(guān)性分析[15],得出水溫與鹽度、PH、溶解氧和空氣溫度的相關(guān)系數(shù)為-0.36、0.20、-0.39、0.38??梢钥闯鏊疁嘏c其他四項指標數(shù)據(jù)均具有一定的相關(guān)性,因此選擇以上指標構(gòu)建水溫預測模型。

      3.4 模型參數(shù)設(shè)置

      在EMD-LSTM 水溫預測模型中,針對LSTM 神經(jīng)網(wǎng)絡(luò)設(shè)置三種種不同的結(jié)構(gòu)進行比對,第一種,僅設(shè)30 個LSTM 單元;第二種,僅設(shè)50 個LSTM 單元,第三種,在第一層50 個LSTM 單元后,再設(shè)50個LSTM 單元。對上述網(wǎng)絡(luò)結(jié)構(gòu),統(tǒng)一設(shè)時間步長time_step 為10,設(shè)不同的epochs(10、50、100)、batch_size(1、8、16、32、64)進行測試對比。

      經(jīng)過實驗,最終確定:IMF高頻分量LSTM 模型隱層單元數(shù)為30,IMF 低頻分量隱層單元數(shù)為50,時間步長time_step 為10,批次大小batch_size 為16,迭代次數(shù)epochs為100時,模型測試效果最好。

      4 實驗結(jié)果與分析

      4.1 實驗準備

      實驗平臺和環(huán)境:計算機處理器為2.3GHz Intel Core i5-6200U,內(nèi)存為8GB;程序開發(fā)環(huán)境為PyCharm 2017.1,基于Keras 深度學習庫、Python 3.7.0 完成預測模型的搭建。實驗數(shù)據(jù):取總數(shù)據(jù)的90%為訓練集、10%為測試集,確定水溫、鹽度、PH、溶解氧和空氣溫度為模型輸入變量,水溫為最終輸出量。

      4.2 結(jié)果分析

      4.2.1 EMD水溫序列分解結(jié)果

      根據(jù)3.1 節(jié)的步驟,基于EMD 進行水溫序列多尺度分解,最終得到10 個IMF 分量和1 個余項,結(jié)果如圖3 所示。各IMF 分量分別代表原始序列中的各頻率分量,按照從高頻到低頻的順序依次排列,從1~10 為各IMF 分量進行編號。其中imf1、imf2、imf3 為原序列分解后的高頻分量,這些分量的序列波形較為復雜,反映了原始數(shù)據(jù)中的隨機噪聲;imf4-imf10 為原序列分解后的中低頻分量,這些分量的序列波形變化較為規(guī)律,反映了原始序列的周期性;trend 是分解后的余項,余項主要反映了原始水溫序列的總體變化趨勢和規(guī)律。

      圖3 水溫序列EMD分解結(jié)果

      4.2.2 EMD-LSTM預測結(jié)果分析

      完成EMD 分解后,分別對各IMF 分量和余項構(gòu)建LSTM 預測模型,最終獲得EMD-LSTM 的養(yǎng)殖水溫預測結(jié)果。為了驗證EMD-LSTM 預測模型的可靠性,本文分別設(shè)置BP、LSTM、EMD-BP 三種預測模型進行實驗對比,其中LSTM 預測模型網(wǎng)絡(luò)設(shè)置:隱層單元數(shù)為50,time_step=10,batch_size=16,epochs=100;EMD-BP 和BP 預測模型中BP 神經(jīng)網(wǎng)絡(luò)參數(shù)設(shè)置:網(wǎng)絡(luò)結(jié)構(gòu)為5-5-1,time_step=10,batch_size=16,epochs=200,激活函數(shù)為Sigmoid,最終各模型預測值與實際值對比如圖4所示。

      圖4 模型對比結(jié)果圖

      圖4 可以看出,BP、LSTM、EMD-BP 和EMD-LSTM 四種模型均能很好地實現(xiàn)水溫變化趨勢的預測,但在預測精度上各模型存在著較大的差異。LSTM 模型和BP模型相比較,能夠更好地預測真實數(shù)據(jù)的走勢,且預測精度高于BP 模型;BP 模型和EMD-BP模型相比較,大部分預測值與真實值接近,但數(shù)據(jù)走勢的預測不及EMD-BP 模型,且在長期預測方面EMD-BP 明顯優(yōu)于BP 模型;EMD-LSTM 模型與LSTM 相比較,對于數(shù)據(jù)走勢的預測更準確,預測值與真實值的偏差也更小,且與BP和EMD-BP模型相比較,整體上預測效果更好。

      為了綜合評價四種模型的預測性能,本文選用均方根誤差RMSE、平均絕對百分比誤差MAPE 和平均絕對誤差MAE 這三項指標進行測試比較,各模型指標結(jié)果如表2所示。

      表2 四種模型的預測性能評價指標

      由表2 結(jié)果可知,本文提出的基于EMD-LSTM的水溫預測模型在預測結(jié)果和性能方面與其他三種模型相比有很大的提升。基于同樣的輸入數(shù)據(jù),EMD-LSTM 模型與傳統(tǒng)BP 模型相比較,評價指標RMSE、MAPE、MAE 分別降低了82.07%、79.45%、79.93%;EMD-LSTM 模型與EMD-BP 模型相比較,評價指標RMSE、MAPE、MAE 分別降低了68.79%、86.10%、86%;EMD-LSTM 模型與傳統(tǒng)LSTM 模型相比較,評價指標RMSE、MAPE、MAE 分別降低了29.76%、48.07%、47.64%??梢?,EMD 算法將水溫時序數(shù)據(jù)分解能夠深入挖掘數(shù)據(jù)特征、降低不同尺度特征間的相互干擾。LSTM模型能夠很好地利用歷史水溫時間序列的數(shù)據(jù)特征,在長時間序列的預測中能夠取得很好的預測效果?;贓MD-LSTM的組合水溫預測模型進一步提升了水溫的預測精度。

      5 結(jié)語

      本文提出了基于EMD-LSTM 的養(yǎng)殖水溫預測模型,首先采用最大值最小值歸一化方法進行數(shù)據(jù)預處理來減小數(shù)據(jù)波動,通過Pearson 相關(guān)系數(shù)檢驗法選擇模型輸入?yún)?shù),然后將EMD 算法與LSTM預測算法相結(jié)合,利用EMD 算法分解原始水溫序列,捕捉水溫數(shù)據(jù)特征,采用LSTM 預測算法進行水溫預測,解決數(shù)據(jù)長期依賴的問題。實驗結(jié)果表明,本文提出的EMD-LSTM 養(yǎng)殖水溫預測模型能夠更好地預測水溫時間序列的走勢、預測數(shù)據(jù)與實測數(shù)據(jù)更加吻合,模型預測性能相比于BP、LSTM、EMD-BP 三種模型誤差更小、精度更高,為水質(zhì)監(jiān)管和調(diào)控提供參考依據(jù)。

      猜你喜歡
      水溫分量神經(jīng)網(wǎng)絡(luò)
      帽子的分量
      神經(jīng)網(wǎng)絡(luò)抑制無線通信干擾探究
      電子制作(2019年19期)2019-11-23 08:42:00
      一物千斤
      智族GQ(2019年9期)2019-10-28 08:16:21
      基于PLC的水溫控制系統(tǒng)設(shè)計
      電子制作(2019年7期)2019-04-25 13:18:10
      基于DS18B20水溫控制系統(tǒng)設(shè)計
      電子制作(2018年17期)2018-09-28 01:56:38
      論《哈姆雷特》中良心的分量
      分量
      基于神經(jīng)網(wǎng)絡(luò)的拉矯機控制模型建立
      重型機械(2016年1期)2016-03-01 03:42:04
      復數(shù)神經(jīng)網(wǎng)絡(luò)在基于WiFi的室內(nèi)LBS應用
      基于支持向量機回歸和RBF神經(jīng)網(wǎng)絡(luò)的PID整定
      肥西县| 纳雍县| 卓资县| 满洲里市| 分宜县| 永宁县| 呈贡县| 顺平县| 乾安县| 甘南县| 峡江县| 武邑县| 宿松县| 喜德县| 平昌县| 黄陵县| 泸水县| 乌苏市| 东乡| 达日县| 玛纳斯县| 金山区| 安塞县| 玉山县| 东山县| 阜新市| 阿坝| 策勒县| 屯昌县| 景谷| 额尔古纳市| 辽宁省| 大同县| 蒙山县| 孝义市| 建水县| 蚌埠市| 通城县| 白银市| 宝丰县| 台南市|