基于长短期记忆生成对抗网络的小麦品质多指标预测模型

发布时间：2021-11-24 07:37

　　小麦多生理生化指标变化趋势反映了储藏品质的劣变状态,预测多指标时序数据会因关联性及相互作用而产生较大误差,为此该文基于长短期记忆网络（LSTM）和生成式对抗网络（GAN）提出一种改进拓扑结构的长短期记忆生成对抗网络（LSTM-GAN）模型。首先,由LSTM预测多指标不同时序数据的劣变趋势;其次,根据多指标的关联性并结合GAN的对抗学习方法来降低综合预测误差;最后通过优化目标函数及训练模型得出多指标预测结果。经实验分析发现:小麦多指标的长短期时序数据的变化趋势不同,进一步优化模型结构及训练时序长度可有效降低预测结果的误差;特定条件下小麦品质过快劣变会使多指标预测误差增大,因此应充分考虑储藏期环境变化对多指标数据的影响;LSTM-GAN模型的综合误差相对于仅使用LSTM预测降低了9.745%,并低于多种对比模型,这有助于提高小麦品质多指标预测及分析的准确性。 

【文章来源】：电子与信息学报. 2020,42(12)北大核心EICSCD

【文章页数】：8 页

【部分图文】：

长短期记忆网络单元结构

如果判别器D计算得出两个矩阵中某些行列的差异较大，即本轮训练过程中一些小麦品质指标在相应储藏条件下的预测误差相对较大，则反馈给LSTM模块并调整优化相应的训练过程，使其得出更准确的预测结果后再次更新传给判别器D的预测结果矩阵。LSTM-GAN模型在判别器D不断纠正预测结果矩阵中相对误差较大的数据之后，整体损失函数也将会逐渐降低，直到模型预测结果的综合误差降低到一定范围内或者达到设置的训练次数时，终止模型训练过程并输出小麦多指标的预测值。3.2 LSTM-GAN模型目标函数

另外为比较不同筋力小麦的指标预测情况，用LSTM-GAN模型分别训练强筋、中筋、弱筋这3种筋力小麦多指标数据，得出如表4所示的误差计算结果。其中，脂肪酸值、电导率这两个指标预测强筋麦的数据误差相对较小；对于中筋麦，发芽率、过氧化物酶这2个指标的预测更加准确；降落数值、沉降值指标在弱筋麦中的预测误差小于强筋麦和中筋麦的预测结果。由表4可知，3种筋力小麦的总体误差分别为2.042,1.974和1.943，它们没有明显的数值差异。4.3 LSTM-GAN与其他模型预测误差对比


本文编号：3515523