为了精准揭示不同水层各个时间序列的海域养殖水质参数含量在三维空间的变化规律,该研究首先在海水水质数据处理方面提出了将主成分分析算法(principal component analysis,PCA)与互信息算法(mutual information,MI)相融合的数据处理算...为了精准揭示不同水层各个时间序列的海域养殖水质参数含量在三维空间的变化规律,该研究首先在海水水质数据处理方面提出了将主成分分析算法(principal component analysis,PCA)与互信息算法(mutual information,MI)相融合的数据处理算法(MIPCA);其次将双向长短期记忆(bidirectional long short-term memory,BLSTM)与transformer 2个网络融合提出了新模型,即首先利用改进烟花算法(improved fireworks algorithm,IFWA)优化了双向长短期记忆神经网络中超参数;再利用transformer中注意力机制关注重要水质特征,最后将两个网络集成提出了混合模型MIPCA-BLSTM-transformer-IFWA。试验结果表明,该模型在MAPE(mean absolute percentage error)、RMSE(root mean square error)、R(coefficient of correlation)和D(willmott index of agreement)的4个度量指标分别为0.075、0.116、0.960和0.997,优于IPSO-KLSTM等传统预测模型。该研究提出的混合模型能够准确揭示海水中不同水层的无机氮含量、活性磷酸盐含量和pH值等参数变化趋势。展开更多
文摘为了精准揭示不同水层各个时间序列的海域养殖水质参数含量在三维空间的变化规律,该研究首先在海水水质数据处理方面提出了将主成分分析算法(principal component analysis,PCA)与互信息算法(mutual information,MI)相融合的数据处理算法(MIPCA);其次将双向长短期记忆(bidirectional long short-term memory,BLSTM)与transformer 2个网络融合提出了新模型,即首先利用改进烟花算法(improved fireworks algorithm,IFWA)优化了双向长短期记忆神经网络中超参数;再利用transformer中注意力机制关注重要水质特征,最后将两个网络集成提出了混合模型MIPCA-BLSTM-transformer-IFWA。试验结果表明,该模型在MAPE(mean absolute percentage error)、RMSE(root mean square error)、R(coefficient of correlation)和D(willmott index of agreement)的4个度量指标分别为0.075、0.116、0.960和0.997,优于IPSO-KLSTM等传统预测模型。该研究提出的混合模型能够准确揭示海水中不同水层的无机氮含量、活性磷酸盐含量和pH值等参数变化趋势。
