基于CNN-GRU混合模型的养殖工船水体溶解氧预测研究
溶解氧(Dissolved oxygen,DO)是影响养殖工船水产品健康生长的重要因素,准确预测DO对提高水产品产量和品质具有重要意义.为提高DO预测精度,以卵形鲳鲹(Trachinotus ovatus)养殖试验采集的数据为样本,使用卷积神经网络(Convolutional neural network,CNN)和门控循环单元(Gated recurrent unit,GRU)方法建立养殖工船水体DO预测混合模型,通过Pearsons相关性分析,选用DO、温度、pH和循环水流量4个预测因子进行训练和校准,预测了DO含量.通过与CNN、GRU和长短期记忆(Long short-term memory,LSTM)模型进行对比,所建模型在各项评价指标中的性能均最优,其均方根误差(Root mean square error,RMSE)、平均绝对误差(Mean absolute error,MAE)和决定系数R2分别为0.119、0.084和0.976.结果表明,所建模型的预测精度最高,可以满足养殖工船实际生产中对DO预测的需求,为养殖工船生产过程中DO的监控和预警提供参考.
养殖工船、溶解氧、卷积神经网络、门控循环单元
19
S967.9(水产养殖技术)
广东省海洋经济发展海洋六大产业专项资金资助项目;湛江市海洋装备;海洋生物揭榜挂帅制人才团队专项资金资助项目;南方海洋科学与工程广东省实验室湛江项目
2023-10-08(万方平台首次上网日期,不代表论文的发表时间)
共7页
174-180