文档介绍：基于长短时记忆网络（LSTM）的蟹塘溶解氧估算优化方法
 
 
朱南阳吴昊尹达恒王志强蒋永年郭亚
摘   要：水中溶解氧含量低会影响螃蟹的成活率，%;吴静等[8]划分溶解氧数据为线性和非线性序列，分别采用差分整合移动平均自回归（Auto Regressive Integrated Moving Average，ARIMA）模型和遗传算法优化小波神经网络（Genetic Algorithm Optimization Wavelet Neural Network，GAWNN）模型，在不使用环境数据的情况下，得出了将遗传算法用于优化小波神经网络的预测模型获得最小的平均绝对误差的结论;魏小敏等[9]采用互信息理论（Mutual Information，MI）降低环境变量盐度值、pH、硝酸盐的相关性，建立了粒子群算法（Particle Swarm Optimization，PSO）优化的径向基神经网络（Radial Basic Function Neural Network， RBFNN）预测模型。
目前溶解氧的估算模型都是基于统计学习，机器学习算法和深度学习算法，深度学习在处理时间序列上有优越性，在各个领域得到了大量的应用。深度学习在时间序列方面的预测主要依赖于循环神经网络，该算法能够将过去时刻的信息与当前时刻的信息融合，来预测或估算信息，但是该方法在处理长时间序列问题时，容易造成梯度消失和梯度爆炸[10]。循环神经网络的变种长短时记忆网络（Long Short-Term Memory，LSTM）能够解决长时间序列的问题。李志刚等[11]采用LSTM循环神经网络和ARIMA两种预测模型对高炉煤气产生量预测，验证了结合LSTM模型与ARIMA模型能够改善模型的弊端，提高了预测的精度;
范竣翔等[12]采用循环神经网络用于空气污染时空序列的预测，并比较不同模型的预测精度，得出了LSTM预测模型要优于传统的全连接神经网络。Ma等[13]使用LSTM模型自动确定最佳滞后，建立了短期交通预测，表明了LSTM可以在准确性和稳定性方面实现最佳预测性能。杨祎玥等[14]采用小波变换将水文时间序列分解为多个低频和高频序列，然后针对各个序列建立LSTM预测模型，这种将小波变换和LSTM模型结合的模型在水文时间序列预测的应用上具有一定的帮助。Akita等[15]通过段落向量（Paragraph Vector）将报纸文章转换为分布式表示，模拟过去事件对LSTM模型的时间影响，建立金融时间序列预测模型并得到了很好的预测准确度。石磊[16]等结合了自注意力机制（Attention）和Tree-LSTM模型实现对社会热点事件的情感倾向。谢明磊[17]利用主成分分析（Principal Component Analysis，PCA）对气象数据的特征进行降维，然后对自适应矩估计（Adaptive Moment Estimation，ADAM）算法优化后的LSTM网络进行建模，实现住宅负荷的短期预测方法。Najah等[18]研究了多层感知器神经网络（Multi-Layer Perception-Artificial Neural Network，MLP-ANN），集合神经网络（Ensemble Neural Network， ENN）和SVM三个模型对溶解氧的预测。Wen等[19]通过对pH、电导率、氯、钙、总碱度、总硬度、硝态氮和氨氮等變量建立ANN模型，能够模拟水质的参数，实现溶解氧预测建模。Rankovic等[20]利用Levenberg-Marquardt算法用于训练前馈神经网络（Feedforward Neural Network，FNN），并通过灵敏度分析确定最有效的输入为pH和温度，进而实现有效的溶解氧预测。然而目前利用LSTM网络对溶解氧进行估算较少，陈英义等[21]将PCA和LSTM网络模型结合，通过对水温、土壤温度、土壤水分等数据建立溶解氧预测模型，提高了溶解氧的预测
精度。但是，该模型并没有针对低溶解氧估算进行优化，而是进行全局优化，难以最大限度保证低溶解氧时的更高估算精度。
因此，本研究以LSTM为基础建立了尽量保证低溶解氧含量估算精度的预测模型（Low Dissolved Oxygen Long Short-Term Memory，LDO-LSTM），该模型在不使用溶解氧传感器的情况下，能够对低溶解氧进行实时估算，当溶解氧浓度含量低的时候就要及时用增氧机增氧。
2  长短时记忆网络（LSTM）
LSTM网络是一种特殊的RNN模型，是为了解决RNN在构建长依赖序列模型时会出现梯度弥散而提出的[22]。LSTM模型主要由输入门、遗忘门、输