Page 143 - 《水产学报》2025年第8期

张铮，等 水产学报, 2025, 49(8): 089512

15 快速和慢速学习网络 FSNET 表 2 3 种预测模型的评价指标
样本卷积交互网络 SCINET Tab. 2 Evaluation index of three prediction models
快速和慢速学习样本卷积交互网络 FSSCINET
14
真实值 real value 快速和慢速学习 样本卷积 快速和慢速
评价指标 样本卷积交互网络 交互网络 学习网络
evaluation index FSSCINET SCINET FSNET
误差 error 13 均方误差 0.037 5 0.046 9 0.050 9
MSE
12
平均绝对误差 0.155 4 0.171 7 0.184 1
MAE
11 均方根误差 0.193 7 0.216 6 0.225 6
0 250 500 750 1 000 1 250 RMSE
时间/s
time 测能力的影响。
图 8 3 种模型的溶解氧预测曲线 当预测步长为 1 时，FSSCINET 模型展现
Fig. 8 Dissolved oxygen prediction curves of 3 models 出了最优的性能 (表 3)。此时的相关系数高达
0.947，相对标准误差也相对较低，为 0.194。
1.5
快速和慢速学习网络 FSNET
样本卷积交互网络 SCINET 随着预测步长的增加，相关系数在步长为 2 时
快速和慢速学习样本卷积交互网络 FSSCINET
1.0 基本不变，但相对标准误差上升到 0.195。而当
预测步长进一步增加到 3 时，相关系数下降到
误差 error 0.5 0.944，同时相对标准误差也上升到 0.197。因
此，综合考虑相关系数和相对标准误差两个指
0
标，在步长为 1 的条件下，FSSCINET 模型展
−0.5 现出了最优的预测性能。

0 250 500 750 1 000 1 250
表 3 不同预测步长的评价指标
时间/s
time Tab. 3 Evaluation index of asynchronous length
图 9 3 种模型的溶解氧预测误差 预测步长 horizon step
评价指标
Fig. 9 Dissolved oxygen prediction errors of three models evaluation index 1 2 3
相对标准误差 0.194 0.195 0.197
最小。FSNET 采用 TCN 为骨干神经网络，TCN RSE
扩展架构受限于每层仅使用一个卷积滤波器， 相关系数 0.947 0.947 0.944
CORR
这限制了其从数据中提取特征的能力。FSS-

CINET 结合了两种模型的优势，在提取更多样
化 DO 时间序列特征的同时能快速适应数据的 3.3 控制器仿真实验
变化，可以有效提升在复杂 DO 调控环境下的
在实际工厂化养殖过程中，为了实现高密
预测精度。 度健康养殖，需要根据实际养殖情况对 DO 含
FSSCINET 模型的 MSE、MAE、RMSE 分 量进行调节，首先将 DO 的设定值设为 10 mg/L，
别为 0.037 5、0.155 4 和 0.193 7 (表 2)。相较于 当时间到 1 800 s 时，设定值为 9 mg/L，当时间
未加入适配器和联想记忆模块的 SCINET模型， 到 3 600 s 时，设定值为 12 mg/L。为了验证
FSSCINET 模型提升了预测精度，分别提高了 FSSCINET-QNN-PID 控制器的性能，在该仿真
20.0%、9.4% 和 10.5%。同时与 FSNET 相比， 实验中使用经典的 PID 控制器、QNN-PID [12] 和
FSSCINET 的 MSE、MAE、RMSE 分别提高了 FSSCINET-QNN-PID 控 制 器 进 行 对 比 测 试 。
26.3%、15.5%、14.1%。 PID 的 初 始 参 数 设 置 为 K P =89.86, K I =0.006 9,
在将预测步长分别设为 1、2、3 的情况下 K D =1.226e+05。
进行 FSSCINET 的预测实验，对比不同步长下 在基于模型 TOPTD 的 DO 设定值跟踪实
预测的性能表现，以分析不同步长设置对其预 验中，三种控制器的跟踪效果和控制误差结果

中国水产学会主办 sponsored by China Society of Fisheries https://www.china-fishery.cn
9