In order to reduce aquaculture risk

In order to reduce aquaculture risks and optimize the operation of water quality management in prawn engineering culture ponds, this paper proposes a novel water temperature forecasting model based on empirical mode decomposition (EMD) and back-propagation neural network (BPNN). First, the original water temperature datasets are decomposed into a collection of intrinsic mode functions (IMFs) and a residue by EMD yields relatively stationary sub-series that can be readily modeled by BPNN. Second, both IMF components and residue is applied to establish the corresponding BPNN models. Then, each sub-series is predicted using the corresponding BPNN. Finally, the prediction values of the original water temperature datasets are calculated by the sum of the forecasting values of every sub-series. The proposed hybrid model was applied to predict water temperature in prawn culture ponds. Compared with traditional models, the simulation results of the hybrid EMD–BPNN model demonstrate that de-noising and capturing non-stationary characteristics of water temperature signals after EMD comprise a very powerful and reliable method for predicting water temperature in intensive aquaculture accurately and quickly.

ผลลัพธ์ (ไทย) 1:

เพื่อลดความเสี่ยงในการเพาะเลี้ยงสัตว์น้ำ และเพิ่มประสิทธิภาพการดำเนินงานของการจัดการคุณภาพน้ำในบ่อวัฒนธรรมวิศวกรรมกุ้ง กระดาษนี้เสนอโมเดลการคาดการณ์อุณหภูมิน้ำนวนิยายอิงเชิงประจักษ์โหมดย่อยสลาย (EMD) และการเผยแพร่หลังโครงข่ายประสาท (BPNN) ครั้งแรก ชุดข้อมูลอุณหภูมิน้ำเดิมจะย่อยสลายเป็นคอลเลกชันของฟังก์ชั่นโหมดที่แท้จริง (IMFs) และสารตกค้าง โดย EMD ผลผลิตชุดย่อยค่อนข้างนิ่งที่สามารถจำลองได้อย่างง่ายดาย โดย BPNN ที่สอง IMF ส่วนประกอบและสารตกค้างมีใช้การสร้างรุ่น BPNN ที่สอดคล้องกัน แล้ว แต่ละชุดย่อยถูกคาดการณ์โดยใช้ BPNN ที่สอดคล้องกัน ในที่สุด คาดเดาค่าของชุดข้อมูลอุณหภูมิน้ำเดิมคำนวณ โดยผลรวมของค่าคาดการณ์ของทุกชุดย่อย รุ่นไฮบริดที่นำเสนอถูกนำไปใช้เพื่อทำนายอุณหภูมิของน้ำในบ่อกุ้งวัฒนธรรม เมื่อเทียบกับรูปแบบดั้งเดิม ผลการจำลองของรุ่นไฮบริดสลี EMD – BPNN สาธิต noising ที่ยกเลิกและจับลักษณะการเคลื่อนไหวของสัญญาณอุณหภูมิน้ำหลังจาก EMD ประกอบมีประสิทธิภาพ และเชื่อถือได้วิธีการทำนายอุณหภูมิของน้ำในสัตว์น้ำเร่งรัดแม่นยำ และรวดเร็ว

ผลลัพธ์ (ไทย) 2:

เพื่อที่จะลดความเสี่ยงเพาะเลี้ยงสัตว์น้ำและเพิ่มประสิทธิภาพการดำเนินงานของการจัดการคุณภาพน้ำในบ่อเลี้ยงกุ้งวัฒนธรรมวิศวกรรมบทความนี้นำเสนอรูปแบบการพยากรณ์อุณหภูมิของน้ำนวนิยายอยู่บนพื้นฐานของการสลายตัวโหมดเชิงประจักษ์ (เมอร์) และเครือข่ายประสาทหลังการขยายพันธุ์ (BPNN) ก่อนที่อุณหภูมิของน้ำชุดข้อมูลเดิมที่มีการย่อยสลายเป็นคอลเลกชันของฟังก์ชั่นภายในโหมด (IMFs) และสารตกค้างจากเมอร์มีอัตราผลตอบแทนที่ค่อนข้างนิ่งย่อยชุดที่สามารถสร้างแบบจำลองได้อย่างง่ายดายโดย BPNN ประการที่สองทั้งสองส่วนประกอบกองทุนการเงินระหว่างประเทศและกากถูกนำไปใช้ในการสร้างแบบจำลองที่สอดคล้อง BPNN จากนั้นย่อยแต่ละชุดเป็นที่คาดการณ์โดยใช้ BPNN ที่สอดคล้องกัน สุดท้ายค่าการคาดการณ์ของชุดข้อมูลอุณหภูมิของน้ำเดิมจะคำนวณได้จากผลรวมของค่าการคาดการณ์ของทุกย่อยชุด ที่นำเสนอรูปแบบไฮบริดถูกนำมาใช้ในการทำนายอุณหภูมิของน้ำในบ่อกุ้งวัฒนธรรม เมื่อเทียบกับรุ่นดั้งเดิมผลการจำลองแบบของไฮบริดรุ่นเมอร์ค-BPNN แสดงให้เห็นว่าลักษณะ de-noising และจับไม่หยุดนิ่งของสัญญาณอุณหภูมิของน้ำหลังจากที่เมอร์ประกอบด้วยวิธีการที่มีประสิทธิภาพมากและมีความน่าเชื่อถือในการทำนายอุณหภูมิของน้ำในการเพาะเลี้ยงสัตว์น้ำอย่างเข้มข้นถูกต้องและรวดเร็ว

ผลลัพธ์ (ไทย) 3:

เพื่อที่จะลดความเสี่ยงในการเพาะเลี้ยงสัตว์น้ำและเพิ่มประสิทธิภาพการดำเนินงานของการจัดการคุณภาพน้ำในบ่อกุ้ง วิศวกรรม กระดาษนี้นำเสนอนวนิยายอุณหภูมิน้ำในการพยากรณ์ตามโหมดการสลายตัวเชิงประจักษ์ ( EMD ) และ back-propagation โครงข่ายประสาทเทียม ( แบบจำลอง ) แรก , ข้อมูลอุณหภูมิน้ำเดิมจะย่อยสลายลงในคอลเลกชันของฟังก์ชันโหมดที่แท้จริง ( imfs ) และสารตกค้างโดย EMD ผลผลิตค่อนข้างนิ่ง ชุดย่อยที่สามารถพร้อมออกแบบโดยแบบจำลอง . ประการที่สอง ทั้ง IMF และส่วนประกอบกากใช้สร้างโมเดลแบบจำลองที่สอดคล้องกัน แล้ว แต่ละชุดย่อย ได้ใช้แบบจำลองที่สอดคล้องกัน ในที่สุด ค่าพยากรณ์ของข้อมูลอุณหภูมิน้ำเดิมจะคำนวณจากผลรวมของค่าพยากรณ์ของย่อยทุกชุด แบบผสมประยุกต์ใช้แบบจำลองเพื่อทำนายอุณหภูมิของน้ำในบ่อกุ้ง เปรียบเทียบกับรุ่นดั้งเดิม ผลการทำนายของแบบจำลองและแบบจำลองแสดงให้เห็นว่า de-noising EMD ไฮบริดและลักษณะ non-stationary จับสัญญาณอุณหภูมิน้ำหลังจาก EMD ประกอบด้วยมีประสิทธิภาพมากและเชื่อถือได้วิธีการทำนายอุณหภูมิของน้ำในการเพาะเลี้ยงสัตว์น้ำแบบถูกต้องและรวดเร็ว