10.13300/j.cnki.hnlkxb.2023.04.027
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.
贝叶斯优化、氨氮浓度预测、Meta-LSTM、元学习
42
S959(水产工程)
教育部重点实验室开放基金;辽宁省教育厅青年科技人才育苗项目
2023-08-16(万方平台首次上网日期,不代表论文的发表时间)
共8页
236-243