共查询到20条相似文献，搜索用时 156 毫秒
1.
基于游程检测法重构集合经验模态的养殖水质溶解氧预测 总被引：1，自引：1，他引：0
为了提高水产养殖中溶解氧的预测精度,该文提出了基于集合经验模态(ensemble empirical mode decomposition,EEMD)分解、游程检测法重构、适宜的单项预测算法建模和BP神经网络非线性叠加的组合预测模型。该模型首先将溶解氧原始序列用EEMD分解法进行分解,得到了多个分量;其次,用游程检测法将这些分量重构成高频分量、中频分量和低频分量等3个分量;接着,针对高频分量波动性大且复杂、中频分量呈现周期性、低频分量几乎呈线性的特点,采用粒子群(particle swarm optimization,PSO)优化的最小二乘支持向量机(least square support vector machine,LSSVM)对高频项进行预测,采用极限学习机(extreme learning machine,ELM)对中频项预测,采用非线性回归(nonlinear regression method,NRM)对低频项预测;最后,将3个分量预测的结果用BP神经网络进行重构得到最终的预测结果。将该模型应用于江苏省溧阳市埭头黄家荡特种水产养殖场的溶解氧预测中,试验表明,该种以游程检测法重构EEMD为基础的混合预测模型的预测精度高于PSO-LSSVM和单一的ELM预测模型。在预测未来48 h的溶解氧值时,该模型的预测值与实测值的均方根误差RMSE为0.099 2、平均相对误差均值MAPE为0.078、平均绝对误差MAE为0.015 5,R~2为0.995 5。表明该模型有较好的预测精度和泛化能力,能够满足现代化水产养殖业对溶解氧精细化管理的高要求。 相似文献
2.
基于时间相似数据的支持向量机水质溶解氧在线预测 总被引：3，自引：0，他引：3
为及时辨识集约化水产养殖水质变化趋势、动态调控水质,确保无应激环境下健康养殖,该文提出了基于时序列相似数据的最小二乘支持向量回归机(least squares support vector regression,LSSVR)水质溶解氧在线预测模型。采用特征点分段时间弯曲距离(feature points segmented time warping distance,FPSTWD)算法对在线采集的时间序列数据进行分段与相似度计算,以缩减规模的子序列数据集对LSSVR模型进行快速训练优化,实现了多个LSSVR子模型在线建模,将预测数据序列与LSSVR子模型的相似度匹配,自适应地选取最佳的子模型作为在线预测模型。应用该模型对集约化河蟹福利养殖水质参数溶解氧浓度进行在线预测,模型评价指标中最大相对误差、平均绝对百分比误差、相对均方根误差和运行时间分别为4.76%、8.18%、5.23%、8.32 s。研究结果表明,与其他预测方法相比,该模型具有较好的综合预测性能,能够满足河蟹福利养殖水质在线预测的实际需求,并为集约化水产养殖水质精准调控提供研究基础。 相似文献
3.
基于蚁群优化最小二乘支持向量回归机的河蟹养殖溶解氧预测模型 总被引：9，自引：7，他引：2
养殖池塘溶解氧是河蟹赖以生存的重要指标,及时准确地掌握溶解氧浓度变化趋势是确保高密度河蟹健康养殖的关键。为提高溶解氧预测精度和效率,该文提出了蚁群算法(ACA)优化最小二乘支持向量回归机(LSSVR)的河蟹养殖溶解氧预测方法。采用蚁群算法对最小二乘支持向量回归机的模型参数进行优化,并以自动获取的最佳参数组合构建溶解氧与其影响因子间非线性预测模型。利用该模型对江苏宜兴市2010年7月20日～7月28日期间高密度养殖池塘溶解氧进行预测。研究表明,该预测模型取得较好的预测效果,与支持向量回归机和BP神经网络相比,模型评价指标均方根误差、相对均方误差均值、平均绝对误差和和决定系数和运行时间分别为0.0328、0.0016、0.0448、0.9916和3.3275s均优于其他预测方法,ACA-LSSVR模型不仅计算复杂度低、收敛速度快、预测精度高、泛化能力强,还能满足实际高密度河蟹养殖溶解氧管理的需要,为其他领域的水质预测提供参考。 相似文献
4.
《核农学报》2017,(11)
为探究南美白对虾中氧化三甲胺(TMAO)高温分解产生甲醛的反应特性,以南美白对虾为原料,利用南美白对虾与TMAO模拟体系对比,研究加热温度、加热时间、pH值以及不同添加物质对南美白对虾和TMAO模拟体系中TMAO热分解反应的影响。结果表明,加热温度、加热时间、pH值对TMAO模拟体系和南美白对虾肌肉中TMAO热分解产生甲醛的影响一致。TMAO模拟体系和肌肉组织中TMAO热分解产生的甲醛含量均随加热温度的升高而显著增加(P0.05),在100℃条件下两者甲醛含量最高值分别为24.20μg·mg~(-1)、3.17 mg·kg~(-1);加热30 min前,TMAO模拟体系和南美白对虾肌肉中TMAO热分解产生的甲醛含量均随加热时间的延长而显著增加(P0.05);当pH值趋于6时,TMAO模拟体系和肌肉组织中TMAO热分解产生的甲醛含量越多。在不同添加物质中,Ca~(2+)、茶多酚对TMAO模拟体系和南美白对虾肌肉中TMAO热分解产生的甲醛相对抑制率均较高,能够有效抑制TMAO高温分解产生甲醛。本研究结果为抑制水产品中甲醛的产生提供了一定的理论依据和技术指导。 相似文献
5.
为提高温室环境控制系统的有效性,针对作物生长量的变化与环境因子的变化存在时间尺度不统一的问题,该文基于集合经验模态分解(ensemble empirical mode decomposition,EEMD)与Elman神经网络建模,提出一种线椒株高生长量预测方法。以8819线椒为试验对象,分别对线椒株高及其环境因子进行EEMD分解,对各尺度下的时间序列建立EEMD-Elman预测模型。结果表明:应用EEMD-Elman神经网络建立线椒株高生长量预测模型,模型预测值与实测值的平均绝对误差为1.69 cm,相关决定系数为0.996,标准误为1.104,模型预测结果与实测值呈极显著性相关。研究结果可以解决作物生长变化与环境变化时间尺度不统一的问题,为温室环境控制系统的控制目标的优化提供有效参数。 相似文献
6.
基于时间序列GA-SVR的水产品价格预测模型及验证 总被引：3，自引：2，他引：1
水产品价格的准确预测有助于合理规划水产养殖,正确引导水产行业的发展。根据水产品价格序列的非线性、非平稳和周期性特点,提出了一种基于时间序列遗传优化(genetic algorithm,GA)支持向量回归(support vector regression,SVR)的水产品价格预测模型。该模型首先通过时间序列分析方法对价格序列进行平稳性检验和确定相关阶数,得到训练数据集;再利用遗传算法对支持向量回归模型的参数组合进行寻优,使用优化后的参数建立支持向量回归模型,然后使用模型进行预测。分别选取桂鱼、基围虾、梭子蟹的价格数据对模型进行验证,选取2011-2014年的数据作为训练集,对2015年价格进行预测,结果表明:桂鱼、基围虾、梭子蟹的平均绝对误差分别为6.70%、7.82%、14.76%,均方根误差分别为5.853 1、23.701 1、13.858 0,且优于基于时间序列的SVR模型及BPANN模型的预测结果,可以为水产品价格的预测提供依据。 相似文献
7.
随着电力市场化改革的深入推进,电力系统运行呈现出更强的灵活性和不确定性,对短期负荷精准预测提出了更高的要求。为有效协调发电、输电、配电、用电的关系,增强电力系统日运行调度的安全稳定性,该研究提出了一种基于模态组合的短期负荷预测方法。从时域和频域2个维度提出了负荷序列和影响因素序列分解评价方法,得到改进的变分模态分解法(Variational Mode Decomposition,VMD),对原始日负荷序列及影响因素序列进行分解,并采用粒子群优化算法(Particle Swarm Optimization,PSO)对VMD的参数寻优。根据原始序列分解情况,对比各影响因素模态序列与负荷序列的频域特征,筛选出与负荷序列特征相近的模态并将其进行线性叠加组合,得到多个整合后的组合模态序列,以确定预测模型的输入量;分别利用粒子群优化的最小二乘支持向量机(Least Squares Support Vector Machine,LSSVM)模型进行负荷预测。算例结果表明,相比于直接采用PSO-LSSVM方法,本文提出的基于模态组合的短期负荷预测方法的最大相对误差降低了3.36个百分点,平均相对误差降低了1.71个百分点,最大绝对误差降低了95 MW,平均绝对误差降低了55.72 MW,短期负荷预测的精度得到明显提升。 相似文献
8.
基于变分模态分解-BA-LSSVM算法的配电网短期负荷预测 总被引：2，自引：2，他引：0
配电台区日负荷序列呈现为既包含变化趋势、又含有波动细节的不规则曲线,该文借助变分模态分解(variational mode decomposition,VMD)将包含这些信息的原始日负荷序列分解为不同频率尺度的子序列,并结合一系列复杂的环境因素,分别利用不同的最小二乘支持向量机(least squares support vector machine,LSSVM)模型进行负荷预测,最后将基于不同频率分量的预测结果相加得到最终的日负荷预测结果。为了提高LSSVM预测能力,采用蝙蝠算法(bat algorithm,BA)对各LSSVM的参数进行寻优,同时,该文分析了影响负荷变化的环境因素,设计了一套因素归一化方法,预测过程考虑了环境因素的影响。仿真结果表明,该文提出的考虑复杂环境因素的预测思想及对历史日负荷进行VMD分解、BA优化、LSSVM预测的组合预测方法能有效提高短期日负荷预测的准确性。 相似文献
9.
基于粒子群参数优化和BP神经网络的颗粒饲料质量预测模型 总被引：8，自引：8，他引：0
针对颗粒饲料产品受配方原料、加工参数变化而带来的质量波动问题,提出了一种以误差反向传播算法神经网络(back-propagation neural network,BPNN)为核心,平均影响值法(mean impact value,MIV)为数据预处理方法,粒子群算法(particle swarm optimization,PSO)为关键参数优化算法的颗粒饲料质量预测模型。基于面向实际建立的输入输出指标体系,使用实地采集的颗粒饲料生产数据对模型进行训练和测试,测试结果显示实际值与模型预测值呈显著正相关,决定系数R2均在0.94以上;平均绝对误差、平均绝对百分比误差及均方根误差显示预测精度达到较高水平,各误差平均值依次达到0.442、2.185%和0.5481。以多元线性回归模型及基本BPNN模型预测结果对比可以发现,MIV-PSO-BPNN预测模型预测性能有显著提升,各输出误差优化幅度从39.55%~91.80%不等,平均优化幅度分别达到84.99%和56.95%;同时相对误差变化趋势图显示MIV-PSO-BPNN预测模型具有更优的预测稳定性,相对误差极值差降幅均值达91.46%。该研究为颗粒饲料质量控制提出了一种新思路,可为饲料行业高效低耗生产提供理论依据。 相似文献
10.
复合生物保鲜剂在南美白对虾防黑变中的应用 总被引：8，自引：2，他引：6
为解决南美白对虾易腐易黑变问题,延长其货架期,通过响应面优化方法,利用植酸、壳聚糖和ε-聚赖氨酸进行复配。结果表明,该复配保鲜剂最佳配比为植酸0.07%;壳聚糖1.5%;ε-聚赖氨酸0.1%(质量分数)。利用该保鲜剂处理南美白对虾,在(4±1)℃条件下,通过对虾体进行感官、pH值、挥发性盐基氮(total volatile base nitrogen,TVB-N)、菌落总数和三甲胺(trimethylamine,TMA)指标的测定,表明了复合保鲜剂能够有效地保持南美白对虾的品质,使南美白对虾在(4±1)℃的货架期由原来的3～4d延长至7～8d,细菌总数在第10天才达到5.7lg(CFU/g),为生物保鲜剂的优化及南美白对虾保鲜技术的推广提供一定的技术支持。 相似文献
11.
基于PCA-SVR-ARMA的狮头鹅养殖禽舍气温组合预测模型 总被引：3，自引：2，他引：1
为提高狮头鹅养殖禽舍气温预测精度,提出了基于主成分分析(Principal Component Analysis,PCA)、支持向量回归机(Support Vector Regression,SVR)融合自回归滑动平均(Autoregressive Moving Average,ARMA)模型的狮头鹅养殖禽舍气温组合预测模型。在建模过程中,运用主成分分析法筛选狮头鹅养殖禽舍气温的关键影响因子,消除变量之间冗余信息,约简预测模型结构;采用SVR-ARMA构建狮头鹅禽养殖舍气温组合预测模型,先通过SVR对气温进行预测,再由基于ARMA模型的残差预测值修正气温预测结果。利用该模型对广东省汕尾市2018年7月21日至2018年7月30日期间的狮头鹅养殖禽舍气温进行预测。结果表明,该组合预测模型取得了良好的预测性能,与标准BP神经网络、标准SVR、PCA-BPNN(反向传播神经网络,BackPropagationNeuralNetwork)、PCA-SVR和PCA-BPNN-ARMA等模型对比分析,其评价指标平均绝对误差、均方根误差和平均绝对百分比误差分别为0.183 2℃、0.454 0℃和0.005 9,均表明所提出的组合模型具有更高的预测效果,不仅能够满足狮头鹅养殖禽舍气温实际精准调控的需要,还为狮头鹅健康养殖和种苗繁育环境精细化管理提供决策。 相似文献
12.
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 总被引：16，自引：11，他引：5
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。 相似文献
13.
参考作物腾发量（reference evapotranspiration, ET0）是农业生产中一项重要的参数,对评估未来的干旱程度和实现农业精细化管理具有重要意义。为进一步提高ET0的预报精度,该研究将多模式集成方法应用于ET0的预报,运用遗传算法-回归型支持向量机对欧洲中期天气预报中心、美国国家环境预报中心、日本气象厅和韩国气象厅4个中心全球集合预报模式输出的天气变量进行多模式集成处理,基于最优的模式和方案使用Penman-Monteith公式对山西运城站未来1～7 d的ET0进行预报,并对其在站点附近农业试验田的适用性进行验证。结果表明,多模式集成能够调和单一模式在气象预报中的优劣,从而提高ET0预报的精度和长预见期下的稳定性;在ET0预报中,多模式方案的性能明显优于原始单一模式,由最优模式和方案组成的重组方案预报性能最好,具有最小的均方根误差、平均绝对百分比误差,分别为0.65～0.81 mm/d和19.43%～23.78%,以及最高的决定系数（0.83～0.89）。在对试验田未来1～7 d的ET0预报中,重组方案仍表现出良好的预报性能,均方根误差、平均绝对百分比误差不超过0.83 mm/d和34.57%。该研究能有效提升数值天气预报在运城站下属乡镇地区的适应性,为当地农业实际生产提供准确的ET0预报信息,对于农业需水预测以及水资源优化管理具有重要意义。 相似文献
14.
基于K-means 聚类和ELM神经网络的养殖水质溶解氧预测 总被引：8，自引：5，他引：3
为解决养殖水质溶解氧预测传统方法引入不良样本、精度低等问题,该文以2014、2015年江苏常州养殖基地水质和气象数据为基础,提出了一种基于K-means聚类和ELM神经网络（extreme learning machine,ELM）的溶解氧预测模型。采用皮尔森相关系数法确定环境因素与溶解氧的相关系数,自定义相似日的统计量－相似度,通过K-means聚类方法将历史日样本划分为若干类,然后分类识别获得与预测日最相似的一类历史日样本集,将其与预测日的实测环境因素作为预测模型的输入样本建立ELM神经网络溶解氧预测模型。试验结果表明,该模型均具有较快的计算速度和较高的预测精度,在常规天气下,平均绝对百分误差和均方根误差分别达到1.4%、10.8%;在突变天气下,平均绝对百分误差和均方根误差分别达到2.6%和11.6%,有利于水产养殖水质精准调控。 相似文献
15.
基于天气预报的漳河灌区参考作物腾发量预报方法比较 总被引：7，自引：2，他引：5
为了提出适合湖北省漳河灌区的参考作物腾发量预报方法,以FAO56-Penman-Monteith公式采用历史气象数据计算出的值为基准,利用天气预报数据,比较Hargreaves-Samani(HS)法、逐日均值修正法及该文改进的逐日均值修正法在该灌区钟祥站点的预报精度,并评价各方法适用性.结果表明:利用这3种方法进行参考作物腾发量预报时,1~7 d预见期平均绝对误差均值分别为0.75、0.80、0.76 mm/d,均方根误差分别为1.00、1.07、1.05 mm/d,相关系数分别为0.82、0.80、0.80.1 d预见期最优预报方法为改进逐日均值修正法,2~7 d预见期的最优方法均为HS法.总体而言,预报精度最好的为HS法、改进逐日均值修正法次之、逐日均值修正法最差.对于漳河灌区,建议采用HS法进行预报,可为灌溉预报提供较为准确的数据基础. 相似文献
16.
碾压黏土的抗剪强度直接影响碾压土石坝的质量和使用寿命。为得出碾压黏土抗剪强度的最优预测模型,通过粒子群算法优化极限学习机模型(PSO-ELM),分别以Sine函数、radbas函数和hardlim函数3种激活函数为基础,构建PSO-ELMsin,PSO-ELMrad和PSO-ELMhard3种模型,并将模型结果与ELM模型、广义回归神经网络模型(GRNN)、随机森林模型(RF)和BP神经网络模型进行了对比。结果表明:在黏聚力和内摩擦角的拟合结果中,PSO-ELMsin模型精度最高,其拟合方程斜率分别为1.005,1.032; 在月值模拟中,PSO-ELMsin模型与实测值的拟合度最高,相对误差仅在6.0%～9.3%; PSO-ELMsin模型在黏聚力模拟中RMSE,RRMSE,MAE,Ens和R2分别为0.776 kPa,1.80%,0.641 kPa,0.993和0.997,该模型在内摩擦角模拟中RMSE,RRMSE,MAE,Ens和R2分别为1.635°,6.98%,1.616°,0.983和0.998,模型精度均排名第一。因此,PSO-ELMsin模型在所有模型中精度最高,可作为碾压黏土抗剪强度预测的标准模型使用。 相似文献
17.
为提高光伏电站短期功率预测的精度,提出一种基于经验小波变换(empirical wavelet transform,EWT))和核最小最大概率回归机(kernel mini max probability machine regression,KMPMR)的组合预测模型,对晴天、阴天和雨天3种天气类型下的光伏电站出力分别进行了预测分析。该文首先采用EWT将相似日光伏功率序列分解为具有特征差异的AM-FM分量,然后根据各AM-FM分量的变化特点建立相应的KMPMR预测模型分别进行预测并叠加得到最终预测结果。试验结果表明,相比SVM方法,该文方法在晴天、阴天和雨天可提高预测精度(MAE)分别为56.19%、54.15%和76.33%;相比EMD-KMPMR方法,在降低近一半左右计算规模的同时,可提高预测精度(MAE)分别为9.42%、38.74%和64.52%。以阿克苏地区光伏电站实际运行数据进行试验验证表明,该文方法在3种天气类型下均可取得较高的预测精度。 相似文献
18.
基于西湖龙井茶主栽品种（龙井43和龙井群体种）开采期及气象资料,应用积温和逐步回归方法,分别构建西湖龙井茶的积温预报模型和逐步回归预报模型,并利用多元线性回归方法,对两个模型的预报结果进行集成,构建集合预报模型。结果表明：积温预报模型、逐步回归预报模型、集成预报模型均通过0.01水平的显著性检验;龙井43和龙井群体种的积温预报模型回代检验平均绝对误差（MAE）分别为3.6d和2.8d,2a试预报MAE分别为2.5d和1.0d;逐步回归预报模型的回代检验MAE分别为0.9d和1.4d,2a试预报MAE分别为1.6d和0.8d;集成预报模型的回代检验MAE分别为0.7d和1.1d,2a试预报MAE分别为1.3d和0.8d。3种预报模型对西湖龙井茶开采期预报均具有应用价值,集成预报模型较积温预报模型和逐步回归预报模型的预报效果更理想,具有实际生产指导作用。 相似文献
19.
BP神经网络和SVM模型对施加生物炭土壤水分预测的适用性 总被引：2，自引：0，他引：2
生物炭作为土壤改良剂对半干旱区土壤水分有良好的吸持作用,为确定施加生物炭对土壤水分预测模型适用性的影响,依托黄土高原半干旱区固原生态站开展了小区定位试验。向土壤中施加不同种类及比例的生物炭,定期监测土壤水分含量;考虑土壤含水量的非线性特征以及生物炭对土壤水分的影响,选取BP神经网络和SVM支持向量机两种模型,建立施加生物炭土壤水分预测模型。计算预测值,并与实测值对比,分析相对误差;利用RMSE、MRE、MAE和R2评估BP神经网络和SVM模型的精度。结果表明;BP神经网络预测值的平均相对误差为3.78%,最大误差为13.14%;SVM模型的平均相对误差为0.56%,最大误差为2.42%。SVM模型的RMSE、MRE、MAE值(分别为0.34~0.17,0.07,0.56~1.27)均小于BP神经网络的(分别为1.04~1.16,0.47~0.68,3.78~4.57),且决定系数R2值SVM模型(0.96~0.99)大于BP神经网络(0.56~0.64)。BP神经网络和SVM模型均能很好地预测施加生物炭的土壤水分,但SVM模型预测结果更加稳定,精度较高,更适于施加生物炭土壤水分的预测。该研究可为半干旱地区生物炭还田土壤水分的预测及管理提供理论依据。 相似文献
20.
基于CGA-BP神经网络的好氧堆肥曝气供氧量预测模型 总被引：1，自引：1，他引：0
为提高好氧堆肥曝气供氧量的曝气效率以及预测精度,该研究利用遗传算法（genetic algorithm, GA）对标准反向传播（back propagation, BP）神经网络的初始权值和阈值进行优化,再利用克隆选择算法（clonal genetic algorithm, CGA）优化遗传算法中的变异算子并复制算子,加快获取最优参数的速度,构建基于CGA-BP神经网络的曝气供氧量预测模型。为验证CGA-BP模型的有效性,与BP模型、GA-BP模型预测结果进行对比。试验结果表明：克隆遗传算法优化BP神经网络能加快获得最优解,效率相比BP模型和GA-BP模型分别提高了75.36%、51.30%;在曝气供氧量预测模型中,CGA-BP模型具有更准确的预测效果,预测精度为99.65%,而BP模型与GA-BP模型预测精度分别为96.99%、99.26%;CGA-BP模型评价指标的均方误差、平均绝对误差、平均绝对百分误差分别为0.003 4、0.038 9和0.350 6,均小于BP神经网络和GA-BP神经网络模型评价指标的误差;利用CGA-BP好氧堆肥曝气供氧量预测模型对好氧堆肥发酵过程进行精准... 相似文献