摘要
针对工业控制温度预测中LSTM模型存在的预测精度低、梯度噪声干扰显著及超参数优化效率不足问题,文章提出了一种Adam算法与斑马优化算法(zebra optimization algorithm,ZOA)协同的双阶段优化模型。通过Adam算法动态修正梯度方向并调整学习率,抑制训练噪声干扰,提升模型稳定性。利用ZOA模拟斑马群体觅食-迁徙行为,全局优化网络层数、神经元数量及学习率等参数。实验表明:该模型温度预测均方根误差(RMSE)较传统LSTM、GA-LSTM以及PSO-LSTM分别降低86%、85%和84%,准确率达98%,验证了双阶段优化机制的有效性,为工业温控提供可靠解决方案。
作者
吴晓龙
杨慧炯
WU Xiaolong;YANG Huijiong
出处
《信息技术与信息化》
2025年第11期8-11,共4页
Information Technology and Informatization
基金
山西省科技战略研究专项重点项目资助(202304031401011)。
