第42卷第4期2023年7月华中农业大学学报JournalofHuazhongAgriculturalUniversityVol.42No.4July2023，236~243基于贝叶斯与元学习的氨氮浓度预测模型优化刘懿纬1，王魏1，张淑雨1，孙俊洋1，李双双21.大连海洋大学信息工程学院，大连116023；2.大连鑫玉龙海洋生物种业科技股份有限公司，大连116000摘要针对小样本数据下氨氮浓度模型预测精度不高、收敛速度较慢的问题，采用长短期记忆网络（longshort-termmemory，LSTM）建立氨氮浓度预测模型，并利用贝叶斯优化算法和元学习机制对模型进行优化。其中贝叶斯优化算法用来优化预测模型的超参数，同时给出模型参数的初始值，再使用Meta-LSTM算法学习模型梯度并允许优化器之间进行参数共享和更新，最终实现对氨氮浓度预测模型的优化。将该方法与LSTM、GRU和RNN模型进行对比试验，结果显示，研究所建模型对氨氮浓度预测的均方根误差、平均绝对误差和均方误差分别为0.0276、0.0239和0.00076，均优于其他预测模型。表明基于贝叶斯和元学习的氨氮浓度预测模型对小样本数据建模有效，可以实现网络快速收敛，精度满足水产养殖中氨氮浓度预测需求。关键词贝叶斯优化；氨氮浓度预测；Meta-LSTM；元学习中图分类号S959文献标识码A文章编号1000-2421（2023）04-0236-08水产养殖是渔业发展中必不可少的部分，渔业的快速发展对养殖技术的要求不断提高［1-2］。在水产养殖过程中，氨氮浓度是衡量养殖水质的重要指标。如果养殖水体中氨氮含量过高，不仅对养殖对象的生存状态造成影响，还可能会对周边的生态环境造成严重破坏［3-4］。因此，实现养殖水体中氨氮浓度的有效预测和控制是水产养殖管理的核心工作。国内外学者在水质预测领域已有很多研究成果。如王魏等［5］采用随机配置网络模型对养殖水体氨氮浓度进行软测量建模，得到氨氮浓度的非线性模型；Zhou等［6］使用水质监测传感器结合鱼群算法建立了三维传感器网来对氨氮浓度进行预测；Deh‐ghan-Shoar等［7］利用野外光谱技术，通过混合模式下不同物质与氨氮发生显色反应来分析氨氮的浓度。这些方法很好地解决了传统测量氨氮浓度（如纳氏试剂法）存在的测量过程复杂、成本高等问题。然而，这些模型由于本身的局限性，很难实现快速高效的逼近性能。如王魏等［5］提出的模型会随着神经元个数增加容易出现过拟合现象；Zhou等［6］的模型参数复杂，如果设置不当，容易偏离最优解致使该方法使用受限；Dehghan-Shoar等［7］提出的方法只适用于干扰因素少的环境，由于海...
