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...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。展开更多
文摘针对真实环境下声音异常检测域偏移的问题,提出一种基于时间频率注意力(time frequency-attention,TF-ATTN)网络和长短期记忆(long short-term memory,LSTM)的网络模型TF-LSTM。通过Kullback-Leibler(KL)散度抽离出对数梅尔谱输入特征中偏离均值帧最大的帧,利用TF-ATTN网络分别捕获特征元素在时间和频率维度的长距离依赖关系,最终通过LSTM模块预测抽离帧,计算与原始抽离帧的重构误差。在ToyADMOS2数据集上的实验结果表明:与基线模型(自编码器)相比,TF-LSTM模型在7种声源数据集上的源域AUC(area under the curve)、目标域AUC与p AUC(partial AUC)三项指标上均表现更优,目标域AUC提升1.24%~79.24%,目标域p AUC提升0.17%~24.03%。
文摘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。
