排序方式： 共有2条查询结果，搜索用时 5 毫秒
1
1.
为了解和掌握海参养殖过程水质状况,对海参养殖水质使用融合三角模糊数层次分析法的多级模糊评价方法评估。首先依据水质关键因子在海参生长过程中所起积极和消极作用将水质关键因子分类,并依据2类关键因子设计“海参养殖水质正、负相关因子模糊推理系统”。其次,将两模糊推理系统作为一级模糊,其结果作为二级模糊的输入。二级模糊系统通过一级正、负相关因子推理结果得到最终水质评价结果。在模糊推理过程中,采用三角模糊数层次分析法为海参水质关键因子赋权来提高评价结果的准确性。最后,将该方法与融合三角模糊数层次分析法的海参养殖水质单级模糊评价系统、海参养殖水质ANFIS模糊评价进行对比试验。结果显示,3种方法评价结果一致,融合三角模糊数层次分析法的海参养殖水质多级模糊评价法将模糊规则由原来的243条减少为45条,缓解了维数灾难问题;且与ANFIS模糊评价相比无需经过大量调参和训练,占用系统资源更少。以上结果表明,融合三角模糊数层次分析法更适用于海参养殖中的水质评价与管理。 相似文献
2.
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0.027 6、0.023 9和0.000 76，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。 相似文献
1