10.11975/j.issn.1002-6819.2020.04.026
集成随机配置网络在养殖水质监测中的应用
为解决集约化水产养殖过程水体氨氮浓度无法实时检测的问题,提出基于Bagging集成随机配置网络(stochastic configuration network,SCN)的建模方法,利用养殖过程采集的相关水质参数对养殖水体氨氮浓度进行软测量.该方法首先采用Bootstrap方式生成多个不同的训练子集,然后并行训练多个SCN模型,最后将各个SCN模型的输出结果取均值作为Bagging-SCN模型的输出.为验证方法的有效性,分别通过UCI标准数据库中的机翼自噪声数据集和集约化海水养殖过程数据集进行了仿真试验,将该研究提出的Bagging-SCN模型与单一SCN模型、以及目前应用最广泛的随机权向量函数连接网络(random vector functional-link net,RVFL)模型、Bagging-RVFL模型的测量效果进行了比较.试验结果表明:该文所提模型对机翼自噪声数据集中缩放声压级测量的均方根误差、平均绝对百分比误差和最大绝对误差分别为4.225 dB、2.599%和17.500 dB;在对集约化海水养殖过程中水体氨氮浓度测量的均方根误差、平均绝对百分比误差和最大绝对误差分别为0.0628 mg/L、27.851 mg/L和0.189 mg/L均优于其他测量模型;进一步说明该模型具有较高的测量精度和稳定性,更适合应用于集约化水产养殖水质监测过程.
软测量、集成学习、随机配置网络、氨氮浓度、水质监测
36
TP18(自动化基础理论)
国家自然科学基金61503054;大连市科技之星项目2017RQ143;辽宁省教育厅青年科技人才"育苗"项目QL201912
2020-04-15(万方平台首次上网日期,不代表论文的发表时间)
共7页
220-226