Page 140 - 《水产学报》2025年第8期

张铮，等 水产学报, 2025, 49(8): 089512
t (k)
ˆ g l ← γ ˆ g l +(1−γ) g (8) M l ← τM l +(1−τ) ˆ u l ⊗ r (17)
l l
[ ] M l
α l ,β l = u l ,u l = Ω(ˆ g l ;ϕ l ) (9)
M l ← (18)
max(1,∥M l ∥ )
2
权重自适应过程：
式中， ⊗为外积运算符， ∥M l ∥ 为求 M l 的 L2 范数。
2

˜
θ l = tile(α l )∗θ l (10)
2.3 基于量子神经网络的自适应 PID
特征自适应过程：
本研究使用 QNN [12] 来优化和调整 3 个自
˜ h l = tile(β l )∗ h l , h l = Conv(θ l , h l−1 ) (11)
˜ ˜
适应 PID 控制器参数： K P (k) K I (k),K D (k)。QNN
,
式中， g 为第 l 层在 t 时刻的梯度， ˆ g l为第 l 层 是一种基于量子比特处理技术的三层结构神经
t
l
EMA 梯度， u l 为自适应参数， 为权重自适应 网络：输入层、隐藏层和输出层。在本研究中
α l
参数， β l 为特征自适应参数， 为原始特征， 利用的 QNN 网络的结构如图 6 所示。
h l
˜
˜ 为适应特征， 为适配权重， tile(α l )为将 扩 u( k) 为控制输出，y( k −1) 为迭代步骤 k−1
α l
h l θ l
展到适当的维度。 Ω(−;ϕ l )为适配器的分块操作。 处的 DO 输出，y( k) 为预测模型在迭代步骤 k
Conv 表示卷积运算。 的预测的 DO 输出， y d (k)为 DO 设定值， ψ j 为

记忆模块 工厂化养殖过程中，养殖鱼 量子神经元的可调参数向量。
类活动存在昼夜规律、饲料投喂等周期变化， QNN 神经网络输出的 PID 参数表示：
当这些情况重复出现时，类似情况下的以往的 ( ) ( ) 2
2
K P (k) = Img Z 1 Img Z Cr (19)

Cr
DO 数据有助于模型进一步学习。记忆模块可 2
以在训练时将 DO 时间序列数据的特征和对应 ( ) ( ) 2
2
K I (k) = Img Z 3 Img Z Cr (20)

Cr
4
标签保存下来。因此，本研究引入 FSNET提出
( ) ( ) 2
的记忆模块来存储这些重要的情况，通过与适 K D (k) = Img Z 5 Img Z 6 (21)
2

Cr
Cr

[20]
配器的交互提高 SCINET 的 DO 预测精度 。
Cr
式中， Z 是第 j 个量子神经元的输出，Cr 表示
将当前和过去的 EMA 梯度的余弦相似性 j ( )
控制器， Img Z Cr 为 Z 的虚部。
Cr
作为记忆模块触发的条件： j j
为了保证收敛的稳定性，使用 Lyapunov
’
( ’ ) b g l ·b g l
[12]
cos b g l ,b g l = < −τ,τ > 0 (12) 稳定性准则更新可调参数 ：
’
∥b g l ∥∥b g l ∥ [ ]
∂e(k)
式中， τ的大小决定记住的变化的显著程度。 − ψ(k)+e(k) ∂ψ(k)
当记忆模块被触发时，使用稀疏注意力读 ∆ψ(k) = [

] (22)

∂e(k)
2

取检索历史相似情况： 1+

∂ψ(k)

r l = softmax(M l ˆ u l ) (13) ψ(k +1) = ψ(k)−η∆ψ(k) (23)
从中选出最相关的 k 个项： 式中， ψ(k)为神经元的权重， η为学习率。
(k) 增量式 PID 的离散公式：
r = TopK (r l ) (14)
l
∆u(k) =K P [e(k)−e(k −1)]+ K I e(k)+
检索出对应选项并计算加权和：
K D [e(k)−2e(k −1)+e(k −2)] (24)
∑ K (k)
˜ u l = r [i] M l [i] (15)
i=1 l u(k) = u(k −1)+∆u(k) (25)
(k)
式中， r (k) [i]表示 r 的第 i 个元素， M l [i]表示
=
l l 式中， e(k) y d (k)−y(k)为误差信号， y d (k)为期
M l 的第 i 行。 望输出， u(k)为控制信号， y(k)为预测输出。

检索出的自适应参数与当前 DO 序列数据
的自适应参数加权求和： 3 结果
u l ← τu l +(1−τ) ˜ u l (16) 为了验证 FSSCINET 模型的预测效果，以
更新 M l 并归一化存储： 工厂化水产养殖过程中采集的数据作为数据集，
https://www.china-fishery.cn 中国水产学会主办 sponsored by China Society of Fisheries
6