10.3969/j.issn.1000-4440.2021.02.020
基于粒子群优化算法和长短时记忆神经网络的蟹塘溶解氧预测
为准确预测蟹塘溶解氧质量浓度,及时掌握溶解氧质量浓度的变化趋势,提前采取防控措施从而降低河蟹养殖风险,提出了一种基于粒子群优化算法(PSO)和长短时记忆神经网络(LSTM)的蟹塘溶解氧质量浓度预测模型,采用PSO算法优化LSTM模型参数后对蟹塘溶解氧质量浓度进行预测.结果表明,PSO-LSTM模型不仅整体优于ARIMA模型,相较于其他LSTM模型也有更高的预测精度,在连续10个时间点的预测中相比于LDO-LSTM、LSTM和ARIMA模型平均百分误差分别降低了2.55%、1.891%和4.055%.说明PSO-LSTM模型在蟹塘溶解氧质量浓度预测中具有良好的准确性和稳定性,可以为河蟹养殖中水质精准预测与调控提供参考.
溶解氧预测、河蟹养殖、粒子群优化算法、长短时记忆神经网络
37
S126(农业物理学)
江苏省农业科技自主创新项目CX191003
2021-06-02(万方平台首次上网日期,不代表论文的发表时间)
共9页
426-434