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

打开文本图片集

摘要： 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%。（剩余10737字）

网站仅支持在线阅读（不支持PDF下载），如需保存文章，可以选择【打印】保存。