典型文献
基于自注意力机制和CNN-LSTM深度学习的对虾投饵量预测模型
文献摘要：
为提高对虾饲料的利用率,减少养殖成本,提高养殖效益,提出了一种基于自注意力机制(self-attention,ATTN)和卷积神经网络(convolutional neural network,CNN)-长短期记忆网络(long short term memory,LSTM)的对虾投饵量预测模型(CNN-LSTM-ATTN),以水温、溶解氧、对虾的数量与质量作为预测模型的输入数据,通过CNN挖掘输入数据间的内在联系,提取出数据特征信息,利用LSTM的长期记忆能力保存数据特征信息,使用ATTN突出不同时间节点数据特征的重要性,进一步提升模型的性能.结果表明,本研究中提出的CNN-LSTM-ATTN预测模型的均方根误差、平均绝对误差和平均绝对百分误差分别为0.816、0.681和0.018,均小于BP(back propagation)神经网络、LSTM和CNN-LSTM 3个基准模型,其模型预测能力和稳定性优于其他模型.研究表明,本研究中构建的模型能较好地实现对虾投饵量的准确预测,可为对虾养殖投饵量的管理调控提供参考依据.
文献关键词：
对虾投饵量预测;深度学习;卷积神经网络;长短期记忆网络;自注意力机制
中图分类号：
作者姓名：
何津民;张丽珍
作者机构：
上海海洋大学 工程学院,上海201306;上海海洋可再生能源工程技术研究中心,上海201306
文献出处：
引用格式：
[1]何津民;张丽珍-.基于自注意力机制和CNN-LSTM深度学习的对虾投饵量预测模型)[J].大连海洋大学学报,2022(02):304-311
A类：
对虾投饵量预测,ATTN
B类：
自注意力机制,养殖成本,养殖效益,self,attention,convolutional,neural,network,长短期记忆网络,long,short,term,memory,水温,溶解氧,输入数据,数据特征,特征信息,长期记忆,记忆能力,时间节点,平均绝对误差,back,propagation,预测能力,准确预测,对虾养殖,管理调控
AB值：
0.221297
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
