小麥多生理生化指標變化趨勢反映了儲藏品質(zhì)的劣變狀態(tài),預測多指標時序數(shù)據(jù)會因關聯(lián)性及相互作用而產(chǎn)生較大誤差,為此該文基于長短期記憶網(wǎng)絡（LSTM）和生成式對抗網(wǎng)絡（GAN）提出一種改進拓撲結(jié)構(gòu)的長短期記憶生成對抗網(wǎng)絡（LSTM-GAN）模型。首先,由LSTM預測多指標不同時序數(shù)據(jù)的劣變趨勢;其次,根據(jù)多指標的關聯(lián)性并結(jié)合GAN的對抗學習方法來降低綜合預測誤差;最后通過優(yōu)化目標函數(shù)及訓練模型得出多指標預測結(jié)果。經(jīng)實驗分析發(fā)現(xiàn):小麥多指標的長短期時序數(shù)據(jù)的變化趨勢不同,進一步優(yōu)化模型結(jié)構(gòu)及訓練時序長度可有效降低預測結(jié)果的誤差;特定條件下小麥品質(zhì)過快劣變會使多指標預測誤差增大,因此應充分考慮儲藏期環(huán)境變化對多指標數(shù)據(jù)的影響;LSTM-GAN模型的綜合誤差相對于僅使用LSTM預測降低了9.745%,并低于多種對比模型,這有助于提高小麥品質(zhì)多指標預測及分析的準確性。 

【文章來源】：電子與信息學報. 2020,42(12)北大核心EICSCD

【文章頁數(shù)】：8 頁

【部分圖文】：

長短期記憶網(wǎng)絡單元結(jié)構(gòu)

如果判別器D計算得出兩個矩陣中某些行列的差異較大，即本輪訓練過程中一些小麥品質(zhì)指標在相應儲藏條件下的預測誤差相對較大，則反饋給LSTM模塊并調(diào)整優(yōu)化相應的訓練過程，使其得出更準確的預測結(jié)果后再次更新傳給判別器D的預測結(jié)果矩陣。LSTM-GAN模型在判別器D不斷糾正預測結(jié)果矩陣中相對誤差較大的數(shù)據(jù)之后，整體損失函數(shù)也將會逐漸降低，直到模型預測結(jié)果的綜合誤差降低到一定范圍內(nèi)或者達到設置的訓練次數(shù)時，終止模型訓練過程并輸出小麥多指標的預測值。3.2 LSTM-GAN模型目標函數(shù)

另外為比較不同筋力小麥的指標預測情況，用LSTM-GAN模型分別訓練強筋、中筋、弱筋這3種筋力小麥多指標數(shù)據(jù)，得出如表4所示的誤差計算結(jié)果。其中，脂肪酸值、電導率這兩個指標預測強筋麥的數(shù)據(jù)誤差相對較小；對于中筋麥，發(fā)芽率、過氧化物酶這2個指標的預測更加準確；降落數(shù)值、沉降值指標在弱筋麥中的預測誤差小于強筋麥和中筋麥的預測結(jié)果。由表4可知，3種筋力小麥的總體誤差分別為2.042,1.974和1.943，它們沒有明顯的數(shù)值差異。4.3 LSTM-GAN與其他模型預測誤差對比


本文編號：3515523