• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    對(duì)蝦養(yǎng)殖溶解氧濃度組合預(yù)測(cè)模型EMD-RF-LSTM

    2021-01-17 23:20:30尹航李祥銅徐龍琴李景彬劉雙印曹亮馮大春郭建軍李利橋
    智慧農(nóng)業(yè)(中英文) 2021年2期
    關(guān)鍵詞:經(jīng)驗(yàn)?zāi)B(tài)分解隨機(jī)森林

    尹航 李祥銅 徐龍琴 李景彬 劉雙印 曹亮 馮大春 郭建軍 李利橋

    摘要:溶解氧(DO)濃度是對(duì)蝦養(yǎng)殖水質(zhì)檢測(cè)的核心指標(biāo)。為提高對(duì)蝦養(yǎng)殖溶解氧濃度的預(yù)測(cè)精度,本研究提出了一種基于經(jīng)驗(yàn)?zāi)B(tài)分解、隨機(jī)森林和長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)(EMD-RF-LSTM)的對(duì)蝦養(yǎng)殖溶解氧濃度組合預(yù)測(cè)模型。首先采用經(jīng)驗(yàn)?zāi)B(tài)分解(EMD)對(duì)養(yǎng)殖水質(zhì)溶解氧濃度時(shí)序數(shù)據(jù)進(jìn)行多尺度特征提取,得到不同尺度下的固有模態(tài)分量(IMF);然后分別采用長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)(LSTM)和隨機(jī)森林(RF)對(duì)高、低頻不同尺度IMF進(jìn)行建模;最后結(jié)合各分量預(yù)測(cè)結(jié)果構(gòu)建疊加模型,實(shí)現(xiàn)對(duì)溶解氧濃度時(shí)序數(shù)據(jù)的綜合預(yù)測(cè)。本研究模型在廣東省湛江市南三島對(duì)蝦養(yǎng)殖基地展開了試驗(yàn)及應(yīng)用,在基于真實(shí)數(shù)據(jù)集的性能測(cè)試中,經(jīng)驗(yàn)?zāi)B(tài)分解后EMD-ELM模型與極限學(xué)習(xí)機(jī)(ELM)模型對(duì)比,平均絕對(duì)誤差(MAPE)、均方根誤差(RMSE)和平均絕對(duì)誤差(MAE)分別降低了30.11%、29.60%和32.95%。在經(jīng)驗(yàn)?zāi)B(tài)分解基礎(chǔ)上用RF和LSTM對(duì)不同特征尺度的本征模態(tài)分量分別預(yù)測(cè)后疊加求和,EMD-RF-LSTM模型預(yù)測(cè)的精度指標(biāo)MAPE、RMSE和MAE分別為0.0129、0.1156和0.0844,其中關(guān)鍵指標(biāo)MAPE較EMD-ELM、EMD-RF和EMD-LSTM分別降低了84.07%、57.57%和49.81%,預(yù)測(cè)精度顯著提高。結(jié)果表明,本研究針對(duì)經(jīng)驗(yàn)?zāi)B(tài)分解后高、低頻分量分別預(yù)測(cè)的策略可有效提升綜合性能,表明本研究模型具有較高的預(yù)測(cè)精度,能夠較準(zhǔn)確地實(shí)現(xiàn)對(duì)蝦養(yǎng)殖水體中溶解氧濃度預(yù)測(cè)。

    關(guān)鍵詞:對(duì)蝦養(yǎng)殖;溶解氧濃度預(yù)測(cè);經(jīng)驗(yàn)?zāi)B(tài)分解;隨機(jī)森林;長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)

    中圖分類號(hào):TP391文獻(xiàn)標(biāo)志碼:A文章編號(hào):202106-SA008

    引用格式:尹航,李祥銅,徐龍琴,李景彬,劉雙印,曹亮,馮大春,郭建軍,李利橋.對(duì)蝦養(yǎng)殖溶解氧濃度組合預(yù)測(cè)模型EMD-RF-LSTM[J].智慧農(nóng)業(yè)(中英文),2021, 3(2): 115-125.

    YIN Hang, LI Xiangtong, XU Longqin, LI Jingbin, LIU Shuangyin, CAO Liang, FENG Dachun, GUO Jianjun, LI Liqiao. EMD-RF-LSTM: Combination prediction model of dissolved oxygen concentration in prawn culture [J]. Smart Agriculture, 2021, 3(2): 115-125. (in Chinese with English abstract)

    1引言

    溶解氧(Dissolved Oxygen,DO)濃度是養(yǎng)殖水質(zhì)檢測(cè)的核心指標(biāo),影響著水產(chǎn)生物的生長(zhǎng)速度和成活率,是決定對(duì)蝦品質(zhì)及產(chǎn)量的重要因素[1,2]。目前,中國(guó)典型南美白蝦的平均養(yǎng)殖密度達(dá)到220—300尾/m,養(yǎng)殖周期為2—3期。由于蝦塘養(yǎng)殖密度遠(yuǎn)高于魚塘養(yǎng)殖密度,接近工廠魚養(yǎng)殖密度,對(duì)于溶解氧濃度的監(jiān)控要求更高。構(gòu)建對(duì)蝦養(yǎng)殖環(huán)境水體溶解氧變化模型,精準(zhǔn)預(yù)測(cè)水體溶解氧濃度變化[3,4],對(duì)于實(shí)現(xiàn)對(duì)蝦精細(xì)化養(yǎng)殖管理和調(diào)控,科學(xué)決策養(yǎng)殖密度和飼料配比,確保對(duì)蝦在無(wú)應(yīng)激環(huán)境下健康生長(zhǎng)、提高養(yǎng)殖效益具有重要意義[5]。

    目前在水產(chǎn)養(yǎng)殖領(lǐng)域已有部分團(tuán)隊(duì)廣泛開展溶解氧濃度預(yù)測(cè)方法研究。Liu等[6]采用小波分析(Wavelet Analysis,WA)、柯西粒子群優(yōu)化最小二乘支持向量回歸機(jī)的溶解氧濃度預(yù)測(cè)模型,并應(yīng)用于河蟹養(yǎng)殖DO預(yù)測(cè);徐龍琴等[7]采用小波分析進(jìn)行多尺度特征提取,通過(guò)加權(quán)最小二乘支持向量回歸機(jī)對(duì)不同尺度序列分別建模,實(shí)現(xiàn)DO預(yù)測(cè);Huan等[8]采用梯度增強(qiáng)決策樹和長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)(Long Short-Term Memory,LSTM)對(duì)水產(chǎn)養(yǎng)殖溶解氧濃度進(jìn)行了預(yù)測(cè);朱南陽(yáng)等[9]優(yōu)化LSTM反向傳播時(shí)的損失函數(shù),提出了提高低溶解氧含量估算精度的溶解氧預(yù)測(cè)模型(LDO-LSTM),不但可以保證整體溶氧預(yù)測(cè)精度,且能提高較低溶解氧濃度值的估算精度。

    在前期研究中,有研究者認(rèn)為對(duì)蝦養(yǎng)殖水體溶解氧具有長(zhǎng)時(shí)序、不穩(wěn)定、多尺度非線性等特點(diǎn)[10,11];且受多因素復(fù)雜耦合關(guān)系影響[12];難以建立高性能泛化模型[13]。由于感知設(shè)備失能、噪聲干擾和長(zhǎng)時(shí)序數(shù)據(jù)[14],以及監(jiān)測(cè)點(diǎn)時(shí)空分布差異[15]等問(wèn)題,需要對(duì)對(duì)蝦養(yǎng)殖水體溶解氧時(shí)序數(shù)據(jù)進(jìn)行降噪、多尺度分析、時(shí)空分類及特征提取等預(yù)處理[16]。小波分析曾被用于數(shù)據(jù)降噪和特征提取,但需預(yù)定基函數(shù),并存在人為因素干擾[17]。經(jīng)驗(yàn)?zāi)B(tài)分解(Empirical. Mode Decomposition,EMD)可將非平穩(wěn)時(shí)序數(shù)據(jù)多尺度分解成低耦合模態(tài)分量(Intrinsic mode function,IMF),能有效進(jìn)行數(shù)據(jù)降噪和抗干擾預(yù)處理[18-20]。

    目前,EMD在水產(chǎn)養(yǎng)殖等領(lǐng)域得到了應(yīng)用。徐龍琴等[21]將EMD和極限學(xué)習(xí)機(jī)(Extreme Learning Machine,ELM)結(jié)合,構(gòu)建了基于EMD-ELM的水溫組合預(yù)測(cè)模型。施珮等[22]在徐龍琴等[21]研究結(jié)果基礎(chǔ)上,結(jié)合改進(jìn)遺傳算法(Improved Genetic Algorithm,IGA)和改進(jìn)極限學(xué)習(xí)機(jī)(Improved Extreme Learning Machine,SELM)構(gòu)建了基于EMD-IGA-SELM的預(yù)測(cè)模型,以提高水體溫度預(yù)測(cè)的精度和穩(wěn)定性。楊亮等[23]提出了基于EMD-LSTM的預(yù)測(cè)模型,將氨氣濃度時(shí)間序列數(shù)據(jù)進(jìn)行EMD處理,生成不同時(shí)間尺度下的模態(tài)分量,然后使用LSTM對(duì)各分量分別預(yù)測(cè),再相加以實(shí)現(xiàn)氨氣濃度的組合模型。戴邵武等[24]提出LSTM在傳統(tǒng)神經(jīng)網(wǎng)絡(luò)基礎(chǔ)上增加隱藏層,有效避免了梯度消失和爆炸,具有較好的預(yù)測(cè)精度和魯棒性;趙曉東等[25]在對(duì)基于頻域分解和深度學(xué)習(xí)算法的預(yù)測(cè)模型研究中發(fā)現(xiàn),LSTM在高頻分量預(yù)測(cè)的效果上表現(xiàn)優(yōu)異,而在訓(xùn)練樣本較少的低頻分量預(yù)測(cè)上效果不佳。秦喜文等[26]利用經(jīng)驗(yàn)?zāi)B(tài)分解與隨機(jī)森林構(gòu)建的EMD-RF模型,在不同頻度分量上獲得了較高的精度和泛化性能。

    由以上研究可知,EMD分解和LSTM組合模型已用于溶解氧濃度預(yù)測(cè),但在訓(xùn)練樣本較少的低頻分量預(yù)測(cè)上效果不佳的問(wèn)題有待解決,針對(duì)不同頻域選擇合適預(yù)測(cè)模型的組合預(yù)測(cè)方法還有待進(jìn)一步研究。為了解決訓(xùn)練樣本較少時(shí)非線性時(shí)序列數(shù)據(jù)經(jīng)驗(yàn)?zāi)B(tài)分解后不同頻域模態(tài)分量預(yù)測(cè)精度不佳的問(wèn)題,本研究結(jié)合經(jīng)驗(yàn)?zāi)B(tài)分解、隨機(jī)森林和長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)提出了一種基于EMD-RF-LSTM的對(duì)蝦養(yǎng)殖溶解氧非線性組合預(yù)測(cè)模型,通過(guò)EMD將養(yǎng)殖溶解氧時(shí)序數(shù)據(jù)進(jìn)行多尺度分解,獲得不同特征尺度的本征模態(tài)分量和殘余分量,結(jié)合各分量預(yù)測(cè)結(jié)果,選擇RF和LSTM分別對(duì)低頻分量、高頻分量和殘差進(jìn)行建模預(yù)測(cè),最后將各預(yù)測(cè)結(jié)果疊加求和,實(shí)現(xiàn)對(duì)蝦養(yǎng)殖水體溶解氧濃度預(yù)測(cè)。

    2數(shù)據(jù)與方法

    2.1研究數(shù)據(jù)

    為評(píng)估本研究模型在真實(shí)環(huán)境下的表現(xiàn),本研究在廣東省湛江市南三島對(duì)蝦養(yǎng)殖基地開展,采集對(duì)蝦養(yǎng)殖池塘真實(shí)數(shù)據(jù)。試驗(yàn)用對(duì)蝦養(yǎng)殖池塘為長(zhǎng)38.0m、寬32.0m、水深1.1m,在池塘內(nèi)多點(diǎn)部署了多參數(shù)水質(zhì)傳感器、增氧機(jī)、循環(huán)泵等水質(zhì)監(jiān)控設(shè)備。對(duì)蝦養(yǎng)殖池塘監(jiān)測(cè)平面示意圖及試驗(yàn)平臺(tái)拓?fù)浣Y(jié)構(gòu)圖如圖1所示。

    對(duì)蝦養(yǎng)殖環(huán)境監(jiān)控及試驗(yàn)平臺(tái)包括數(shù)據(jù)采集、無(wú)線傳輸、數(shù)據(jù)處理、智能監(jiān)控等功能。其中基于物聯(lián)網(wǎng)的數(shù)據(jù)采集模塊采集的對(duì)蝦養(yǎng)殖水質(zhì)參數(shù)數(shù)據(jù)包括溶解氧、pH值、水溫、電導(dǎo)率和濁度等,采集頻率為30 min。

    2.2研究方法

    2.2.1經(jīng)驗(yàn)?zāi)B(tài)分解(EMD)

    EMD是一種自適應(yīng)信號(hào)時(shí)頻處理方法[18],規(guī)避預(yù)先設(shè)置基函數(shù)等人為因素影響,能夠?qū)⒎瞧椒€(wěn)非線性原始信號(hào)進(jìn)行自適應(yīng)多尺度分解,獲得一組平穩(wěn)性和周期性特征的本征IMF和殘余分量RES[20-24]。將對(duì)蝦養(yǎng)殖水體溶解氧原始時(shí)序數(shù)據(jù)記為X(t),則EMD步驟如下。

    (1)通過(guò)三次樣條插值法,擬合得到溶解氧原始時(shí)序數(shù)據(jù)信號(hào)的上下包絡(luò)線,計(jì)算局部極大值X(t)、極小值X(t)及均值M(t),如公式(1)。

    (1)

    (2)計(jì)算X(t)與M(t)之差H(t),如公式(2):

    H(t)=X(t)-M(t)(2)

    若H(t)符合本征模態(tài)分量的要求,則增加為初始的IMF分量,記作Ct);如不符合,則作為X(t)重復(fù)以上步驟,直至成為一個(gè)新增IMF分量,最終構(gòu)成信號(hào)序列的高頻分量;

    (3)在H(t)中減去C(t)可得到殘差項(xiàng)r(t),并將其作為新的信號(hào)序列,用(2)中方法得到其余IMF分量C(t),C(t)…,C(t)和殘差項(xiàng)r(t)。原始時(shí)序X(t)最終可分解表示為各組分量和殘余項(xiàng)r(t)之和,如公式(3)。

    [3]

    2.2.2隨機(jī)森林

    隨機(jī)森林(Random Forest,RF)是一種繼承自舉集成(Bootstrap Aggregation,Bagging)算法思想的機(jī)器學(xué)習(xí)方法[27,28],使用分類與回歸決策樹作為弱學(xué)習(xí)器,通過(guò)多個(gè)互相獨(dú)立且權(quán)重相同的決策樹組成決策森林,相比傳統(tǒng)決策樹方法,能快速收斂、有效克服過(guò)擬合,對(duì)于非線性非平穩(wěn)長(zhǎng)時(shí)序數(shù)據(jù)的預(yù)測(cè)具有較高精度,在訓(xùn)練速度、泛化能力和預(yù)測(cè)能力上具有優(yōu)勢(shì)[29]。

    2.2.3長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)(LSTM)

    LSTM是由Hochreiter等在循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural. Networks,RNN)基礎(chǔ)上提出的神經(jīng)網(wǎng)絡(luò)模型[20,23-25]。

    LSTM模型采用細(xì)胞狀態(tài)和3個(gè)門結(jié)構(gòu)替換RNN隱含層神經(jīng)元,實(shí)現(xiàn)了去除或增加控制信息在細(xì)胞狀態(tài)的能力,克服了RNN梯度消失、學(xué)習(xí)能力下降、信息長(zhǎng)期依賴等問(wèn)題[30,31]。

    LSTM中使用輸入門和遺忘門來(lái)控制單元狀態(tài)向后傳遞的信息;輸出門控制單元狀態(tài)用于輸出LSTM的當(dāng)前值,如下:

    (4)

    其中,i、f、o、C分別代表輸入門、遺忘門、輸出門以及候選向量;W為權(quán)重;b為偏置;σ(.)為sigmoid激活函數(shù);tanh(.)為雙曲正切激活函數(shù);i、f、o、C分別代表輸入門、遺忘門、輸出門以及t時(shí)刻的候選向量更新值;W和b代表候選向量。的權(quán)重和偏置;x為t時(shí)刻序列輸入,h為t時(shí)刻的輸出。

    3基于EMD-RF-LSTM的組合預(yù)測(cè)模型設(shè)計(jì)

    3.1模型設(shè)計(jì)

    為解決非線性時(shí)序列數(shù)據(jù)經(jīng)驗(yàn)?zāi)B(tài)分解后不同頻域模態(tài)分量預(yù)測(cè)精度不佳的問(wèn)題,驗(yàn)證按高、低頻分量分別預(yù)測(cè)的效果,本研究設(shè)計(jì)了基于EMD-RF-LSTM的對(duì)蝦養(yǎng)殖水體溶解氧組合預(yù)測(cè)模型,并選用溶解氧濃度數(shù)據(jù)作為輸入。首先采用EMD對(duì)呈現(xiàn)周期波動(dòng)的、非線性的對(duì)蝦養(yǎng)殖溶解氧時(shí)間序列數(shù)據(jù)進(jìn)行多尺度分解,劃分成高頻IMF、低頻IMF及殘差值RES;然后對(duì)分解后數(shù)據(jù)進(jìn)行歸一化處理,劃分訓(xùn)練集和測(cè)試集;使用低頻分量訓(xùn)練RF模型,高頻分量訓(xùn)練LSTM模型,并用Adam反復(fù)優(yōu)化調(diào)整LSTM模型參數(shù);最后,將測(cè)試集用于該模型評(píng)估,并展開與ELM、RF、LSTM等標(biāo)準(zhǔn)模型及采用EMD分解模型的對(duì)比試驗(yàn),以驗(yàn)證本研究模型對(duì)對(duì)蝦養(yǎng)殖水體溶解氧的預(yù)測(cè)性能。詳細(xì)步驟如下。

    (1)通過(guò)水質(zhì)檢測(cè)傳感器采集溶解氧時(shí)間序列數(shù)據(jù),完成預(yù)處理;

    (2)對(duì)預(yù)處理后溶解氧時(shí)序數(shù)據(jù)進(jìn)行EMD分解,得到不同頻率IMF分量,并歸一化處理;

    (3)將歸一化處理后的對(duì)蝦養(yǎng)殖溶解氧IMF分量分為高頻和低頻,并劃分訓(xùn)練集和測(cè)試集;

    (4)對(duì)IMF高頻分量、低頻分量及余量,分別建立LSTM及RF模型,對(duì)預(yù)測(cè)模型參數(shù)和權(quán)重進(jìn)行初始化;

    (5)將訓(xùn)練集作為輸入對(duì)模型進(jìn)行訓(xùn)練,對(duì)LSTM模型參數(shù)及權(quán)重進(jìn)行迭代優(yōu)化處理,完成基于EMD-RF-LSTM的對(duì)蝦養(yǎng)殖溶解氧預(yù)測(cè)模型構(gòu)建;

    (6)測(cè)試預(yù)測(cè)模型,并與其它模型對(duì)比。

    所構(gòu)建的預(yù)測(cè)模型如圖2所示。

    3.2評(píng)價(jià)指標(biāo)

    為驗(yàn)證EMD-RF-LSTM模型對(duì)對(duì)蝦養(yǎng)殖水體溶解氧濃度的預(yù)測(cè)性能,展開了本模型與其它模型的對(duì)比試驗(yàn)。選擇了平均絕對(duì)百分比誤差(MAPE)、均方根誤差(RMSE)和平均絕對(duì)誤差(MAE)三項(xiàng)評(píng)價(jià)指標(biāo)對(duì)組合模型的預(yù)測(cè)性能進(jìn)行性能評(píng)價(jià),并開展對(duì)比。

    4試驗(yàn)及結(jié)果分析

    4.1數(shù)據(jù)預(yù)處理

    試驗(yàn)以湛江市南三島對(duì)蝦養(yǎng)殖基地試驗(yàn)池塘溶解氧濃度為研究對(duì)象,以基于物聯(lián)網(wǎng)數(shù)據(jù)采集模塊采集的對(duì)蝦養(yǎng)殖水質(zhì)數(shù)據(jù)作為試驗(yàn)樣本。選取2020年7月20日至8月20日采集的共計(jì)1488個(gè)樣本加入試驗(yàn)用數(shù)據(jù)集,并取前1344條數(shù)據(jù)作為訓(xùn)練集,最后144條數(shù)據(jù)作為測(cè)試集。圖3顯示了完整數(shù)據(jù)采集周期的原始數(shù)據(jù),其中橫坐標(biāo)為每30min間隔采集的數(shù)據(jù)序列,縱坐標(biāo)為溶解氧濃度數(shù)值。由圖3可見(jiàn),真實(shí)對(duì)蝦養(yǎng)殖現(xiàn)場(chǎng)水體溶解氧濃度時(shí)序數(shù)據(jù)呈現(xiàn)顯著周期性、非線性特征。

    針對(duì)水質(zhì)傳感器故障等因素導(dǎo)致的采集數(shù)據(jù)異常,利用均值平滑法進(jìn)行處理。如果存在參數(shù)與其平均值之差的絕對(duì)值大于其標(biāo)準(zhǔn)差的3倍,即斷定為異常值并用其兩側(cè)數(shù)據(jù)的平均值替換,如公式(5)所示。

    (5)

    其中,Pt為t時(shí)刻溶解氧參數(shù)采集值;P′為異常數(shù)據(jù)處理后值;P為水體溶解氧數(shù)據(jù)序列均值。

    為提高預(yù)測(cè)準(zhǔn)確率減少誤差,便于研究對(duì)蝦養(yǎng)殖溶解氧濃度數(shù)據(jù)間的相關(guān)性,更好地提取時(shí)序數(shù)據(jù)信息,本研究利用公式(6)對(duì)數(shù)據(jù)進(jìn)行歸一化處理。

    (6)

    其中,N為溶解氧濃度最大值,Nmin為最小值,單位mg/L;N″為歸一化值。

    4.2開發(fā)環(huán)境及工具選擇

    試驗(yàn)計(jì)算機(jī)環(huán)境為Intel I7-7700K CPU,8GB內(nèi)存,Window7+python3.7+MATLAB,集成開發(fā)環(huán)境為Anaconda3。

    其中,EMD和ELM模型基于MATLAB工具箱實(shí)現(xiàn),RF模型基于Anaconda的Sklearn程序包實(shí)現(xiàn),LSTM模型基于Keras框架構(gòu)建,試驗(yàn)參數(shù)采用留一法交叉驗(yàn)證網(wǎng)格搜索法(Leave-One- Out-Cross-Validation,LOOCV)優(yōu)化。

    4.3基于EMD的溶解氧多尺度分解

    為得到更加準(zhǔn)確的預(yù)測(cè)效果,獲得高精度的對(duì)蝦養(yǎng)殖溶解氧時(shí)序分量,本研究首先使用EMD對(duì)原始溶解氧時(shí)序數(shù)據(jù)進(jìn)行多尺度分解,分解后得到的分量如圖4所示。

    由圖4可以看出,對(duì)蝦養(yǎng)殖水體溶解氧濃度時(shí)序數(shù)據(jù)不同尺度的特征明顯,分解后得到的本征模態(tài)分量IMF1—IMF7各表現(xiàn)出不同的信息特征,最后的剩余分量序列平穩(wěn),體現(xiàn)出對(duì)蝦養(yǎng)殖水體溶解氧總體含量的長(zhǎng)期變化狀態(tài)。

    4.4IMF分量預(yù)測(cè)及參數(shù)設(shè)置

    基于文獻(xiàn)[25]、[30]和[31],本研究在經(jīng)驗(yàn)?zāi)B(tài)分解的基礎(chǔ)上,采用全面試驗(yàn)方法利用LSTM模型和RF模型分別對(duì)IMF1—IMF7及RES分量進(jìn)行建模訓(xùn)練,并使用擴(kuò)展隨機(jī)梯度下降法對(duì)LSTM模型參數(shù)進(jìn)行優(yōu)化,利用網(wǎng)格搜索法對(duì)RF模型參數(shù)進(jìn)行優(yōu)化,以尋找LSTM和RF模型在不同頻度分量上的預(yù)測(cè)表現(xiàn)。

    標(biāo)準(zhǔn)LSTM隱含層節(jié)點(diǎn)數(shù)、批尺度和時(shí)間步分別為20、32和5,RF模型的參數(shù)學(xué)習(xí)率為0.1,節(jié)點(diǎn)數(shù)深度為3,節(jié)點(diǎn)數(shù)顆數(shù)為500,最小葉子權(quán)重為6。得到各個(gè)IMF分量和RES分量的LSTM模型和RF模型預(yù)測(cè)結(jié)果分別如表1和表2所示。

    由表1和表2可見(jiàn),RF模型對(duì)高頻分量IMF1的MAPE值僅為1.1542,對(duì)IMF4的MAPE值為0.0154,均低于LSTM對(duì)應(yīng)分量的預(yù)測(cè)精度。但隨著各分量頻率降低,RF模型的預(yù)測(cè)精度也隨之提高;此時(shí)隨著分量頻率降低,LSTM模型預(yù)測(cè)精度呈現(xiàn)下降趨勢(shì)。兩者相對(duì)比發(fā)現(xiàn),在高頻分量IMF1—IMF4的預(yù)測(cè)精度上,LSTM模型在關(guān)鍵指標(biāo)上優(yōu)于RF模型,而RF模型則在低頻分量上表現(xiàn)更好,試驗(yàn)結(jié)果符合預(yù)期。由此結(jié)果可知,低頻分量適合訓(xùn)練RF模型,高頻分量適合訓(xùn)練LSTM模型。

    4.5基于EMD-RF-LSTM的組合預(yù)測(cè)

    依據(jù)4.4節(jié)試驗(yàn)展現(xiàn)特點(diǎn),采用LSTM和RF模型分別對(duì)高頻分量(IMF1—IMF4)、低頻分量和殘差(IMF5—IMF7,Rn)進(jìn)行建模,然后將各分量預(yù)測(cè)結(jié)果求和,以實(shí)現(xiàn)基于EMD-RF- LSTM的對(duì)蝦養(yǎng)殖溶解氧濃度預(yù)測(cè)。

    為驗(yàn)證模型性能,分別采用標(biāo)準(zhǔn)模型、模態(tài)分解后模型以及本研究模型,使用相同數(shù)據(jù)集開展溶解氧濃度預(yù)測(cè)。其中標(biāo)準(zhǔn)ELM模型采用sigmoid激活函數(shù),隱含層節(jié)點(diǎn)數(shù)為8。不同模型的溶解氧濃度預(yù)測(cè)結(jié)果如圖5所示,各指標(biāo)如表3 所示。

    4.6結(jié)果分析

    4.6.1經(jīng)驗(yàn)?zāi)B(tài)分解(EMD)分析

    對(duì)試驗(yàn)結(jié)果進(jìn)行分析統(tǒng)計(jì),在相同對(duì)蝦養(yǎng)殖溶解氧濃度數(shù)據(jù)集下:EMD-ELM模型與標(biāo)準(zhǔn)ELM模型對(duì)比,MAPE、RMSE和MAE指標(biāo)分別降低了30.11%、29.60%和32.95%;EMD-RF與標(biāo)準(zhǔn)RF模型對(duì)比,MAPE、RMSE和MAE指標(biāo)分別降低了70.40%、49.86%和57.63%;EMD-LSTM與標(biāo)準(zhǔn)LSTM對(duì)比,MAPE、RMSE和MAE指標(biāo)分別降低了74.83%、53.30%和58.32%。

    以關(guān)鍵精度指標(biāo)MAPE為例,采用EMD分解ELM、RF和LSTM模型相比對(duì)應(yīng)標(biāo)準(zhǔn)模型分別降低了30.11%、70.40%和74.83%,預(yù)測(cè)精度顯著高于標(biāo)準(zhǔn)模型,證明基于EMD的時(shí)序數(shù)據(jù)多尺度分解可有效提升預(yù)測(cè)性能。

    4.6.2多頻度模態(tài)分量組合預(yù)測(cè)分析

    由試驗(yàn)結(jié)果可知,在相同數(shù)據(jù)集下,在經(jīng)驗(yàn)?zāi)B(tài)分解(EMD)基礎(chǔ)上通過(guò)RF和LSTM對(duì)不同特征尺度的本征模態(tài)分量分別預(yù)測(cè)的EMDRF-LSTM模型與461中EMD分解后的各模型對(duì)比。以關(guān)鍵精度指標(biāo)MAPE為例,本研究提出的基于多頻模態(tài)分量組合預(yù)測(cè)模型,較普通EMD 分解后模型分別降低了84.07%、57.57%和49.81%,預(yù)測(cè)精度顯著提高,證明針對(duì)多頻分量的預(yù)測(cè)策略可提升模型性能。

    4.6.3基于EMD-RF-LSTM組合預(yù)測(cè)模型分析

    對(duì)預(yù)測(cè)結(jié)果分析可發(fā)現(xiàn),經(jīng)驗(yàn)?zāi)B(tài)分解具備多尺度提取對(duì)蝦養(yǎng)殖溶解氧時(shí)間序列信息的特性,數(shù)據(jù)分解之后會(huì)在保留原始信息基礎(chǔ)上得到更多的本征模態(tài)系數(shù)時(shí)間序列信號(hào);而RF可有效提取低頻IMF數(shù)據(jù)信息,LSTM模型對(duì)高頻數(shù)據(jù)有理想的效果,對(duì)于時(shí)間序列信息能夠高效利用。

    本研究提出的基于EMD-RF-LSTM組合模型結(jié)合了經(jīng)驗(yàn)?zāi)B(tài)分解的多尺度特征提取、LSTM 對(duì)長(zhǎng)時(shí)間序列高頻數(shù)據(jù)預(yù)測(cè)以及RF算法對(duì)低頻IMF數(shù)據(jù)信息提取的優(yōu)勢(shì),能獲得較高的對(duì)蝦養(yǎng)殖水體溶解氧濃度預(yù)測(cè)精度,預(yù)測(cè)曲線能夠很好地?cái)M合養(yǎng)殖溶解氧濃度非線性時(shí)間序列變化趨勢(shì),取得很好的預(yù)測(cè)效果。

    5討論與結(jié)論

    5.1討論

    在對(duì)對(duì)蝦養(yǎng)殖水質(zhì)長(zhǎng)期檢測(cè)數(shù)據(jù)的觀察中發(fā)現(xiàn),養(yǎng)殖水質(zhì)尤其是溶解氧(DO)濃度變化相對(duì)緩慢,在文獻(xiàn)[7]和[12]中均可見(jiàn)溶解氧濃度在30min內(nèi)變化很小。相對(duì)于文獻(xiàn)[30]中數(shù)據(jù)采集周期、采集間隔及訓(xùn)練數(shù)據(jù)量,本研究在檢測(cè)周期同為一個(gè)月的情況下,適當(dāng)增大了數(shù)據(jù)采集間隔,以減少用于訓(xùn)練的總樣本數(shù)量。由于LSTM作為一種時(shí)間循環(huán)神經(jīng)網(wǎng)絡(luò)是為解決RNN存在長(zhǎng)期依賴問(wèn)題而設(shè)計(jì),對(duì)于時(shí)間序列數(shù)據(jù)有較好的記憶能力,對(duì)于長(zhǎng)度較短的時(shí)間序列數(shù)據(jù)也具有一定預(yù)測(cè)效果。在文獻(xiàn)[25]中,LSTM模型在經(jīng)驗(yàn)?zāi)J椒纸夂蟮母哳l分量上預(yù)測(cè)效果表現(xiàn)優(yōu)異,而在訓(xùn)練樣本較少的低頻分量上預(yù)測(cè)效果不佳;而文獻(xiàn)[31]為驗(yàn)證訓(xùn)練樣本較少的訓(xùn)練效果,為提出的EMD-LSTM模型選擇了1500組數(shù)據(jù)作為訓(xùn)練樣本,并獲得較好預(yù)測(cè)效果。綜上,本研究綜合考慮變量數(shù)量、總體樣本量比例關(guān)系,為驗(yàn)證本研究提出EMD-RF- LSTM模型在訓(xùn)練樣本較少情況下的表現(xiàn),從現(xiàn)場(chǎng)數(shù)據(jù)中選擇了采集周期為一個(gè)月、采樣間隔為30min、共計(jì)1488組溶解氧濃度時(shí)序數(shù)據(jù)作為訓(xùn)練樣本開展研究。

    本研究在選擇訓(xùn)練樣本較少的情況下,首先驗(yàn)證LSTM在經(jīng)驗(yàn)?zāi)J椒纸夂蟮牡皖l分量上預(yù)測(cè)效果不佳的情況,然后通過(guò)試驗(yàn)結(jié)果將IMF1—IMF4劃分為適合LSTM模型訓(xùn)練的高頻分量,將IMF5—IMF7及Rn劃分為適合RF模型訓(xùn)練的分量,并構(gòu)建了EMD-RF-LSTM組合模型以提升預(yù)測(cè)精度。此外,本研究利用歷史數(shù)據(jù)進(jìn)行交叉驗(yàn)證,模型展現(xiàn)了較好預(yù)測(cè)結(jié)果,為進(jìn)一步驗(yàn)證在訓(xùn)練樣本較少時(shí)歷史數(shù)據(jù)的影響,在后續(xù)試驗(yàn)中將加入實(shí)際現(xiàn)場(chǎng)測(cè)試結(jié)果對(duì)本模型性能進(jìn)行驗(yàn)證;并調(diào)整可能會(huì)引起溶氧劇烈變化的時(shí)刻的采樣頻率,如投餌時(shí),或早晚,或天氣變化時(shí),調(diào)整采樣間隔。

    5.2結(jié)論

    本研究針對(duì)對(duì)蝦養(yǎng)殖水體溶解氧濃度采集數(shù)據(jù)不穩(wěn)定和多尺度特征等特點(diǎn),分析了訓(xùn)練樣本較少情況下非線性時(shí)序列數(shù)據(jù)經(jīng)驗(yàn)?zāi)B(tài)分解后不同頻域模態(tài)分量預(yù)測(cè)精度不佳的問(wèn)題,利用EMD對(duì)對(duì)蝦水質(zhì)溶解氧濃度數(shù)據(jù)進(jìn)行多尺度分解,使用LSTM用于高頻分量預(yù)測(cè)、RF用于低頻分量預(yù)測(cè),對(duì)不同頻段數(shù)據(jù)分量進(jìn)行分別建模預(yù)測(cè),通過(guò)真實(shí)養(yǎng)殖環(huán)境數(shù)據(jù)試驗(yàn)證明,本研究提出基于EMD-RF-LSTM的組合預(yù)測(cè)模型的MAPE、RMSE和MAE指標(biāo)分別為0.0129、0.1156和0.0844,與經(jīng)驗(yàn)?zāi)J椒纸夂蟮腅MD- ELM、EMD-RF和EMD-LSTM模型相比關(guān)鍵指標(biāo)分別降低了84.07%、57.57%和49.81%,在訓(xùn)練樣本較少的情況下對(duì)于對(duì)蝦養(yǎng)殖水體溶解氧濃度具有良好的預(yù)測(cè)效果,有效提高了預(yù)測(cè)精度和魯棒性。

    參考文獻(xiàn):

    [1]于道德,宋靜靜,葉海斌,等.生態(tài)理念下對(duì)蝦健康養(yǎng)殖發(fā)展建議[J].生態(tài)學(xué)雜志,2021,40(2): 568-576.

    YU D, SONG J, YE H, et al. Suggestions on the development of healthy shrimp culture under ecological. framework[J]. Chinese Journal. of Ecology, 2021, 40 (2): 568-576.

    [2]朱林,車軒,劉興國(guó),等.簡(jiǎn)易式工廠化循環(huán)水對(duì)蝦養(yǎng)殖系統(tǒng)構(gòu)建及試驗(yàn)[J].農(nóng)業(yè)工程學(xué)報(bào),2020, 36 (15): 210-216.

    ZHU L, CHE X, LIU X, et al. Construction and experiment of simple industrial. recirculating water shrimp culture system[J]. Transactions of the CSAE, 2020, 36 (15): 210-216.

    [3]吳靜,李振波,朱玲,等.融合ARIMA模型和GAWNN的溶解氧含量預(yù)測(cè)方法[J].農(nóng)業(yè)機(jī)械學(xué)報(bào),2017, 48 (S1): 205-210.

    WU J, LI Z, ZHU L, et al. Hybrid model of ARIMA model and GAWNN for dissolved oxygen content pre- diction[J]. Transactions of the CSAM, 2017, 48(S1): 205-210.

    [4]陳英義,程倩倩,方曉敏,等.主成分分析和長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)水產(chǎn)養(yǎng)殖水體溶解氧[J].農(nóng)業(yè)工程學(xué)報(bào),2018, 34(17): 183-191.

    CHEN Y, CHENG Q, FANG X, et al. Principal. component analysis and long short-term memory neural. network for predicting dissolved oxygen in water for aquaculture[J]. Transactions of the CSAE, 2018, 34 (17): 183-191.

    [5] SWETA B, AMBIKA H, MAHESHAWARI J.,Simple rapid and on spot dye-based sensor for the detection of Vibrio load in shrimp culture fanns[J]. Archives of Clinical. Microbiology, 2021 (1): 1-8.

    [6] LIU S, XU L, JIANG Y, et al. A hybrid WA-CPSOLSSVR model for dissolved oxygen content prediction in crab culture[J]. Engineering Applications of Artificial. Intelligence, 2014, 29(3): 114-124.

    [7]徐龍琴,陳躍霞,張軍,等.基于WA-ABC-WLSSVR 的南美白對(duì)蝦工廠化育苗溶解氧預(yù)測(cè)模型[J].武漢大學(xué)學(xué)報(bào)(工學(xué)版),2017, 50(4): 608-617.

    XU L, CHEN Y, ZHANG J, et al. Prediction model of dissolved oxygen in industrialized vannamei breeding based on wavelet analysis and weighted least squares support vector regression optimized by artificial. bee colony algorithm[J]. Engineering Journal. of WuhanUniversity, 2017, 50(4): 608-617.

    [8] HUAN J, LI H, LI M, et al. Prediction of dissolved oxygen in aquaculture based on gradient boosting decision tree and long short-term memory network: A study of Changzhou fishery demonstration base, China[J]. Computers and Electronics in Agriculture, 2020, DOI: 10.1016/j.compag.2020.105530.

    [9]朱南陽(yáng),吳昊,尹達(dá)恒,等.基于長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)(LSTM)的蟹塘溶解氧估算優(yōu)化方法[J].智慧農(nóng)業(yè)(中英文),2019, 1(3): 67-76.

    ZHU N, WU H, YIN D, et al. An improved method for estimating dissolved oxygen in crab ponds based on Long Short-Term Memory[J]. Smart Agriculture, 2019, 1(3): 67-76.

    [10] CAO W, HUAN J, LIU C, et al. A combined model of dissolved oxygen prediction in the pond based on multiple-factor analysis and multi-scale feature extraction[J]. Aquacultural. Engineering, 2019, 84: 50-59.

    [11] RAHMAN A, DABROWSKI J, MCCULLOCH J. Dissolved oxygen prediction in prawn ponds from a group of one step predictors[J]. Information Processing in Agriculture, 2020, 7(2): 307-317.

    [12]施珮,匡亮,袁永明,等.基于改進(jìn)極限學(xué)習(xí)機(jī)的水體溶解氧預(yù)測(cè)方法[J].農(nóng)業(yè)工程學(xué)報(bào),2020, 36 (19): 225-232.

    SHI P, KUANG L, YUAN Y, et al. Dissolved oxygen prediction for water quality of aquaculture using improved ELM network[J]. Transactions of the CSAE, 2020,36(19):225-232.

    [13] REN Q, WANG X, LI W, et al. Research of dissolved oxygen prediction in recirculating aquaculture systems based on deep belief network[J]. Aquacultural. Engineering, 2020,90:ID 102085.

    [14] LIU Y, ZHANG Q, SONG L, et al. Attention-based recurrent neural. networks for accurate short-term and long-term dissolved oxygen prediction[J]. Computers and Electronics in Agriculture, 2019, 165: ID 104964.

    [15]樊宇星,任妮,田港陸,等.基于DeepAR-RELM的池塘溶解氧時(shí)空預(yù)測(cè)方法研究[J].農(nóng)業(yè)機(jī)械學(xué)報(bào),2020,51(81):405-412.

    FAN Y, REN N, TIAN G, et al. Spatio-temporal. prediction method of dissolved oxygen in ponds based on DeepAR-RELM[J]. Transactions of the CSAM, 2020, 51(S1): 405-412.

    [16]饒偉,楊衛(wèi)中,位耀光,等.魚菜共生水體溶解氧時(shí)空變化規(guī)律及其影響因素研究[J].農(nóng)業(yè)機(jī)械學(xué)報(bào),2017, 48(81):374-380.

    RAO W, YANG W, WEI Y, et al. Temporal. and spatial. variability of water dissolved oxygen with influencefactors in aquaponics system [J]. Transactions of the CSAM, 2017, 48(S1): 374-380.

    [17]于輝輝.基于機(jī)器學(xué)習(xí)的池塘養(yǎng)殖水質(zhì)關(guān)鍵因子預(yù)測(cè)方法研究[D].北京:中國(guó)農(nóng)業(yè)大學(xué),2017.

    YU H. Research on prediction method of key factors of pond aquaculture water quality based on machine leaming[D]. Beijing: China Agricultural. University,2017.

    [18]胡鶯慶,陳徽鵬,程哲,等.基于經(jīng)驗(yàn)?zāi)B(tài)分解和深度卷積神經(jīng)網(wǎng)絡(luò)的行星齒輪箱故障診斷方法[J].機(jī)械工程學(xué)報(bào),2019, 55(7): 9-18.

    HU N, CHEN H, CHENG Z, et al. Fault diagnosis for planetary gearbox based on EMD and deep convolutional. neural. networks[J]. Journal. of Mechanical. Engineering, 2019, 55⑺:9-18.

    [19]楊建華,韓帥,張帥,等.強(qiáng)噪聲背景下滾動(dòng)軸承微弱故障特征信號(hào)的經(jīng)驗(yàn)?zāi)B(tài)分解[J].振動(dòng)工程學(xué)報(bào),2020, 33(3): 582-589.

    YANG J, HAN S, ZHANG S, et al. Fault diagnosis for planetary gearbox based on EMD and deep convolutional. neural. networks[J]. Journal. of Vibration Engineering, 2020, 33(3): 582-589.

    [20]劉云,許自強(qiáng),董王英,等.基于經(jīng)驗(yàn)?zāi)B(tài)分解和長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)的變壓器油中溶解氣體濃度預(yù)測(cè)方法[J].中國(guó)電機(jī)工程學(xué)報(bào),2019, 39(13): 3998-4008.

    LIU Y, XU Z, DONG W, et al. Concentration prediction of dissolved gases in transformer oil based on empirical. mode decomposition and long short-term memory neural. networks[J]. Proceedings of The Chinese Society for Electrical. Engineering, 2019, 39(13): 3998- 4008.

    [21]徐龍琴,張軍,李乾川,等.基于EMD和ELM的工廠化育苗水溫組合預(yù)測(cè)模型[J].農(nóng)業(yè)機(jī)械學(xué)報(bào),2016, 47(4): 265-271.

    XU L, ZHANG J, LI Q, et al. Combined prediction model of water temperature in industrialized cultivation based on empirical. mode decomposition and extreme learning machine[J]. Transactions of the CSAM,2016, 47(4):265-271.

    [22]施珮,袁永明,匡亮,等.基于EMD-IGA-SELM的池塘養(yǎng)殖水溫預(yù)測(cè)方法[J].農(nóng)業(yè)機(jī)械學(xué)報(bào),2018, 49 (11):312-319.

    SI P, YUAN Y, KUANG L, et al. Water temperature prediction in pond aquaculture based on EMD-IGA- SELM neural. network[J]. Transactions of the CSAM, 2018, 49(11): 312-319.

    [23]楊亮,劉春紅,郭昱辰,等.基于EMD-LSTM的豬舍氨氣濃度預(yù)測(cè)研究[J].農(nóng)業(yè)機(jī)械學(xué)報(bào),2019, 50 (S1): 353-360.

    YANG L, LIU C, GUO Y, et al. Prediction of ammonia concentration in fattening piggery based on EMD- LSTM[J]. Transactions of the CSAM, 2019, 50(Sl): 353-360.

    [24]戴邵武,陳強(qiáng)強(qiáng),劉志豪,等.基于EMD-LSTM的時(shí)間序列預(yù)測(cè)方法[J].深圳大學(xué)學(xué)報(bào)(理工版),2020, 37 (3): 265-270.

    DAI S, CHEN Q, LIU Z, et al. Time series prediction based on EMD-LSTM model[J]. Journal. of Shenzhen University (Science & Engineering), 2020, 37(3): 265-270.

    [25]趙曉東,蘇公瑾,李克利,等.一種融合EMD分解和LSTM網(wǎng)絡(luò)的頻譜占用度預(yù)測(cè)模型[J].計(jì)算機(jī)科學(xué),2020, 47(S1):294-298.

    ZHAO X, SU G, LI K, et al. Spectrum occupancy prediction model based on EMD decomposition and LSTM networks [J]. Computer Science, 2020, 47(S1): 294-298.

    [26]秦喜文,呂思奇,李巧玲,等.利用整體經(jīng)驗(yàn)?zāi)B(tài)分解和隨機(jī)森林的腦電信號(hào)分類研究[J].中國(guó)生物醫(yī)學(xué)工程學(xué)報(bào),2018, 37(6): 665-672.

    QIN X, LYU S, LI Q. Recognition of EEG based on ensemble empirical. mode decomposition and random fbrest[J]. Chinese Journal. of Biomedical. Engineering, 2018,37(6): 665-672.

    [27] ANNA C, SALAH S, BRETT W. Machine learning approaches for crop yield prediction and nitrogen status estimation in precision agriculture: A review[J]. Computers and Electronics in Agriculture, 2018, 151: 61-69.

    [28] DHIVYA E, DURAI R, VISHAL. S, et al. Forecasting yield by integrating agrarian factors and machine learning models: A survey[J]. Computers and Electronics in Agriculture, 2018, 155: 257-282.

    [29]劉峻明,和曉彤,王鵬新,等.長(zhǎng)時(shí)間序列氣象數(shù)據(jù)結(jié)合隨機(jī)森林法早期預(yù)測(cè)冬小麥產(chǎn)量[J].農(nóng)業(yè)工程學(xué)報(bào),2019, 35(6): 158-166.

    LIU J, HE X, WANG P, et al. Early prediction of winter wheat yield with long time series meteorological. data and random forest method[J]. Transactions of the CSAE, 2019,35(6): 158-166.

    [30]陳英義,方曉敏,梅思遠(yuǎn),等.基于WT-CNN-LSTM的溶解氧含量預(yù)測(cè)模型[J].農(nóng)業(yè)機(jī)械學(xué)報(bào),2020, 51(10): 284-291.

    CHEN Y, FANG X, MEI S, et al. Principal. component analysis and long short-term memory neural. network for predicting dissolved oxygen in water for aquacul- ture[J]. Transactions of the CSAM, 2020, 51(10): 284-291.

    [31]金秀章,劉岳,于靜,等.基于變量選擇和EMD-LSTM網(wǎng)絡(luò)的出口SO_2濃度預(yù)測(cè)[J/OL].中國(guó)電機(jī)工程學(xué)報(bào),(2021-04-19). http://kns.cnki.net/kcms/detail/11.2107.TM.20210416.1541.009.html.

    JIN X, LIU Y, YU J, et al. Prediction of outlet SO2concentration based on variable selection and EMD- LSTM[J/OL], Proceedings of The Chinese Society for Electrical. Engineering, (2021-04-19). http://kns.cnki.net/kcms/detail/11.2107.TM.20210416.1541.009.html.

    EMD-RF-LSTM: Combination Prediction Model of Dissolved Oxygen Concentration in Prawn Culture

    YIN Hang1,3,4, LI Xiangtong1,3,4, XU Longqin1,3,4, LI Jingbin2, LIU Shuangyin1,2,3,4,5, CAO Liang1,3,4, FENG Dachun1,3,4, GUO Jianjun1,3,4, LI Liqiao2*

    (1. Zhongkai University of Agriculture and Engineering, College of Information Science and Technology, Guangzhou, 510225, China; 2. Shihezi University, College of Mechanical. and Electric Engineerings, Shihezi, 832000, China; 3. Zhongkai University of Agriculture and Engineering, Academy of Smart Agricultural. Engineering Innovations, Guangzhou 510225, China; 4. Zhongkai University of Agriculture and Engineering, Smart Agriculture Engineering Research Center of Guangdong Higher Education Institutes, Guangzhou 510225, China; 5. Zhongkai University of Agriculture and Engineering, Guangdong Key Laboratory of Waterflow Health Breeding, Guangzhou 510225, China)

    Abstract: Dissolved oxygen is an important environmental. factor for prawn breeding. In order to improve the prediction accuracy of dissolved oxygen concentration in prawn pond, and solve the problem of low prediction accuracy of different frequency domain modal. classification after empirical. modal. decomposition of nonlinear time series data when there are few training samples, an combination prediction model based on empirical. mode decomposition (EMD), random forest (RF) and long short term memory neural. network (LSTM) was proposed in this research. Firstly, the time series data of prawn breeding dissolved oxygen concentration were decomposed at multiple scales by EMD to obtain a set of stationary intrinsic mode function (IMF). Secondly, with fewer training samples, poor predicts effects on the low-frequency were verified component by LSTM. Then, IMF 1 —IMF4 were divided into high-frequency components through test results and used for LSTM model. IMF5—IMF7, Rn were divided for RF model, the EMD-RF-LSTM combination model was constructed to improve the prediction accuracy. Modeled low- frequency and high-frequency components IMF using RF and LSTM, then predictions of each component were accumulated and the prediction value of dissolved oxygen of sequence data were got. Finally, the performance of the model was compared with the limit learning machine (ELM), RF, standard LSTM, EMD-ELM and EMD-RF, EMD-LSTM, etc. In the test based on real. dataset, the EMD-ELM model contrasted with ELM model, reduced the mean absolute error (MAPE), root mean square error (RMSE) and mean absolute error (MAE) by 30.11%, 29.60% and 32.95%, respectively. The MAPE, RMSE, MAE for the proposed models were 0.0129, 0.1156, 0.0844, respectively. MAPE decreased by 84.07%, 57.57%, and 49.81% compared with EMD-ELM, EMD-RF and EMD-LSTM, respectively, the prediction accuracy was significantly improved. The results show that the proposed model EMD-RF-LSTM has good prediction performance and generalization ability, which is meets the actual. demand of accurate prediction of dissolved oxygen concentration in prawn culture, and can provide reference for the prediction and early warning of prawn pond water quality.

    Key words: prawn pond; dissolved oxygen prediction; empirical. mode decomposition; random forest; short and long-term memory neural. network

    (登陸www.smartag.net.cn免費(fèi)獲取電子版全文)

    作者簡(jiǎn)介:尹航(1978—),男,博士,副教授,研究方向?yàn)槿斯ぶ悄芎椭卮笱b備健康管理。E-mail:736028008@qq.com。

    *通訊作者:李利橋(1988—),女,博士,副教授,研究方向?yàn)橹腔坜r(nóng)業(yè)和農(nóng)牧機(jī)械裝備研究。電話:17590396517。E-mail:liliqiao1108@163.com。

    猜你喜歡
    經(jīng)驗(yàn)?zāi)B(tài)分解隨機(jī)森林
    網(wǎng)絡(luò)被入侵后的信號(hào)檢測(cè)系統(tǒng)設(shè)計(jì)與優(yōu)化
    網(wǎng)絡(luò)不穩(wěn)定節(jié)點(diǎn)的動(dòng)態(tài)特征挖掘模型
    隨機(jī)森林在棉蚜蟲害等級(jí)預(yù)測(cè)中的應(yīng)用
    基于二次隨機(jī)森林的不平衡數(shù)據(jù)分類算法
    軟件(2016年7期)2017-02-07 15:54:01
    HHT和HMM在血細(xì)胞信號(hào)識(shí)別中的應(yīng)用
    拱壩變形監(jiān)測(cè)預(yù)報(bào)的隨機(jī)森林模型及應(yīng)用
    基于隨機(jī)森林算法的飛機(jī)發(fā)動(dòng)機(jī)故障診斷方法的研究
    基于聯(lián)合采用EMD與高通低通濾波的信號(hào)分析
    科技視界(2016年6期)2016-07-12 13:25:06
    投資者情緒指數(shù)的經(jīng)驗(yàn)?zāi)B(tài)分解:基于增發(fā)窗口期的實(shí)證研究
    基于隨機(jī)森林算法的B2B客戶分級(jí)系統(tǒng)的設(shè)計(jì)
    老鸭窝网址在线观看| 亚洲中文av在线| 欧美午夜高清在线| 黄色女人牲交| 国产一区二区在线观看日韩 | 国产三级在线视频| 91字幕亚洲| 国产亚洲精品第一综合不卡| 免费看a级黄色片| 亚洲 国产 在线| 伊人久久大香线蕉亚洲五| 男人舔女人的私密视频| 久久精品人妻少妇| 亚洲真实伦在线观看| 日韩免费av在线播放| 天堂动漫精品| 亚洲人成电影免费在线| 正在播放国产对白刺激| 一区二区三区激情视频| 国产高清视频在线观看网站| 午夜精品久久久久久毛片777| 亚洲美女视频黄频| 村上凉子中文字幕在线| 免费看a级黄色片| 亚洲激情在线av| 黄片小视频在线播放| 一进一出好大好爽视频| 国产精品免费一区二区三区在线| 18禁国产床啪视频网站| 亚洲七黄色美女视频| 禁无遮挡网站| 别揉我奶头~嗯~啊~动态视频| 亚洲人成电影免费在线| 99精品久久久久人妻精品| 美女 人体艺术 gogo| 在线看三级毛片| 婷婷丁香在线五月| 午夜精品一区二区三区免费看| 一本综合久久免费| 老熟妇乱子伦视频在线观看| 香蕉av资源在线| 一个人观看的视频www高清免费观看 | 亚洲国产精品sss在线观看| 国产一区二区三区在线臀色熟女| 亚洲一区高清亚洲精品| 欧美性长视频在线观看| 久久精品aⅴ一区二区三区四区| а√天堂www在线а√下载| 亚洲免费av在线视频| 亚洲av片天天在线观看| 亚洲精品在线观看二区| 日本a在线网址| 狂野欧美激情性xxxx| 韩国av一区二区三区四区| 亚洲专区中文字幕在线| 听说在线观看完整版免费高清| 99久久国产精品久久久| 中文资源天堂在线| 搡老岳熟女国产| 黄频高清免费视频| 蜜桃久久精品国产亚洲av| 欧美日韩精品网址| 亚洲激情在线av| 黄片大片在线免费观看| 亚洲人成网站高清观看| 国产一区二区三区视频了| 十八禁网站免费在线| 欧美乱妇无乱码| 淫妇啪啪啪对白视频| 精品国产亚洲在线| 亚洲av电影在线进入| 国产麻豆成人av免费视频| 日日摸夜夜添夜夜添小说| 我的老师免费观看完整版| 岛国视频午夜一区免费看| 午夜福利视频1000在线观看| 精品高清国产在线一区| 99国产极品粉嫩在线观看| 精品久久久久久久毛片微露脸| 午夜老司机福利片| 不卡av一区二区三区| 成人三级黄色视频| 欧美成人一区二区免费高清观看 | 小说图片视频综合网站| 岛国视频午夜一区免费看| 真人一进一出gif抽搐免费| 精品一区二区三区av网在线观看| 午夜免费成人在线视频| 69av精品久久久久久| 丰满人妻熟妇乱又伦精品不卡| 亚洲欧美精品综合一区二区三区| 免费在线观看完整版高清| 禁无遮挡网站| 中文资源天堂在线| 黄色女人牲交| 国产欧美日韩一区二区精品| 韩国av一区二区三区四区| 亚洲av成人不卡在线观看播放网| а√天堂www在线а√下载| 亚洲欧美精品综合久久99| 又黄又爽又免费观看的视频| 男人舔女人下体高潮全视频| 两性夫妻黄色片| 啦啦啦观看免费观看视频高清| 免费在线观看影片大全网站| 久久人妻福利社区极品人妻图片| 国产v大片淫在线免费观看| 日韩精品中文字幕看吧| 88av欧美| 国产视频内射| 又黄又爽又免费观看的视频| 亚洲成人国产一区在线观看| 久99久视频精品免费| 一区二区三区国产精品乱码| 国产真人三级小视频在线观看| 色播亚洲综合网| 黄色丝袜av网址大全| 日本黄大片高清| 亚洲国产欧美人成| 亚洲av电影不卡..在线观看| 动漫黄色视频在线观看| 欧美日韩中文字幕国产精品一区二区三区| 两人在一起打扑克的视频| 亚洲最大成人中文| 国产欧美日韩一区二区三| 久久性视频一级片| 亚洲精品av麻豆狂野| 亚洲av成人不卡在线观看播放网| 最近最新免费中文字幕在线| 中文字幕av在线有码专区| 亚洲精品一区av在线观看| 亚洲一码二码三码区别大吗| 欧美久久黑人一区二区| 国产男靠女视频免费网站| 国产亚洲精品久久久久5区| 特大巨黑吊av在线直播| 亚洲一区二区三区色噜噜| 国产亚洲欧美在线一区二区| 国产精品亚洲av一区麻豆| 午夜激情av网站| 国产精品免费一区二区三区在线| 亚洲人与动物交配视频| 手机成人av网站| 国产成年人精品一区二区| 18禁黄网站禁片午夜丰满| 在线观看舔阴道视频| 色噜噜av男人的天堂激情| 久久精品91无色码中文字幕| 男男h啪啪无遮挡| 天天躁狠狠躁夜夜躁狠狠躁| 好男人在线观看高清免费视频| 男男h啪啪无遮挡| 国产一区在线观看成人免费| 日韩有码中文字幕| 久热爱精品视频在线9| 国产又黄又爽又无遮挡在线| 此物有八面人人有两片| 色精品久久人妻99蜜桃| 国产精品电影一区二区三区| 男人舔女人下体高潮全视频| 成年人黄色毛片网站| 午夜日韩欧美国产| 久久天堂一区二区三区四区| 日韩有码中文字幕| 一本综合久久免费| 一二三四社区在线视频社区8| 日本一区二区免费在线视频| 又黄又粗又硬又大视频| 亚洲国产欧洲综合997久久,| 欧美成人免费av一区二区三区| 日韩中文字幕欧美一区二区| 91av网站免费观看| 夜夜躁狠狠躁天天躁| 日韩欧美国产一区二区入口| 免费看十八禁软件| 欧美绝顶高潮抽搐喷水| 一进一出好大好爽视频| 亚洲成人久久爱视频| 欧美日韩瑟瑟在线播放| 久久香蕉国产精品| 99久久综合精品五月天人人| 欧美+亚洲+日韩+国产| 在线观看美女被高潮喷水网站 | 美女大奶头视频| 久久精品成人免费网站| 搡老熟女国产l中国老女人| 一区福利在线观看| 精品一区二区三区四区五区乱码| 国产亚洲av高清不卡| 九九热线精品视视频播放| 亚洲av电影不卡..在线观看| 国产精品影院久久| 国产精华一区二区三区| 亚洲av成人一区二区三| 亚洲av美国av| 色av中文字幕| 日韩欧美国产一区二区入口| 国模一区二区三区四区视频 | 成人国产一区最新在线观看| 午夜福利视频1000在线观看| 曰老女人黄片| 国产精品精品国产色婷婷| 精品久久久久久成人av| 国产一级毛片七仙女欲春2| 嫩草影院精品99| 欧美日韩亚洲国产一区二区在线观看| 91字幕亚洲| 成人亚洲精品av一区二区| 亚洲午夜精品一区,二区,三区| 日本精品一区二区三区蜜桃| 欧美日韩亚洲国产一区二区在线观看| www.自偷自拍.com| 母亲3免费完整高清在线观看| 日韩大尺度精品在线看网址| 国产高清激情床上av| 在线观看日韩欧美| 日韩精品中文字幕看吧| 俄罗斯特黄特色一大片| 欧美一级a爱片免费观看看 | 久久国产精品人妻蜜桃| 丁香欧美五月| 在线看三级毛片| 中文亚洲av片在线观看爽| 欧美日韩亚洲综合一区二区三区_| 午夜久久久久精精品| av中文乱码字幕在线| 18美女黄网站色大片免费观看| 免费一级毛片在线播放高清视频| 在线观看一区二区三区| 国产视频内射| 午夜福利高清视频| 久久久久九九精品影院| 岛国在线观看网站| 日韩欧美免费精品| 可以在线观看毛片的网站| 啦啦啦免费观看视频1| 麻豆成人午夜福利视频| 一级黄色大片毛片| 日韩欧美免费精品| 日韩欧美在线乱码| 美女高潮喷水抽搐中文字幕| www.熟女人妻精品国产| 欧美av亚洲av综合av国产av| 亚洲人与动物交配视频| 日本黄大片高清| 日韩av在线大香蕉| 国产伦在线观看视频一区| 一二三四社区在线视频社区8| 欧美极品一区二区三区四区| 人人妻人人澡欧美一区二区| 亚洲人成电影免费在线| 欧美日韩黄片免| а√天堂www在线а√下载| 国产av麻豆久久久久久久| 久久精品夜夜夜夜夜久久蜜豆 | 婷婷精品国产亚洲av| 视频区欧美日本亚洲| 一本精品99久久精品77| 99久久精品热视频| 久久草成人影院| 两个人的视频大全免费| 青草久久国产| 一级黄色大片毛片| 男女视频在线观看网站免费 | 人成视频在线观看免费观看| 国产精品亚洲美女久久久| 美女高潮喷水抽搐中文字幕| 午夜久久久久精精品| 一级a爱片免费观看的视频| 18禁黄网站禁片午夜丰满| 亚洲熟女毛片儿| 日本a在线网址| 国产成人精品久久二区二区免费| 天堂√8在线中文| www.熟女人妻精品国产| 久久精品aⅴ一区二区三区四区| 国产视频内射| 午夜福利在线在线| 在线观看免费午夜福利视频| 免费在线观看影片大全网站| 国模一区二区三区四区视频 | 色噜噜av男人的天堂激情| 亚洲欧美激情综合另类| 999久久久精品免费观看国产| 国产精品久久久久久人妻精品电影| 男男h啪啪无遮挡| 国产一区在线观看成人免费| 午夜免费激情av| 欧美黄色片欧美黄色片| 精品久久久久久久末码| 91大片在线观看| 亚洲熟女毛片儿| 久久中文看片网| 久久午夜亚洲精品久久| 欧美高清成人免费视频www| 丁香欧美五月| 亚洲五月天丁香| 免费在线观看日本一区| 村上凉子中文字幕在线| 又大又爽又粗| 婷婷丁香在线五月| 中亚洲国语对白在线视频| 成人精品一区二区免费| 美女午夜性视频免费| www.www免费av| 91在线观看av| www.999成人在线观看| 毛片女人毛片| 亚洲欧美日韩东京热| 免费在线观看完整版高清| 免费在线观看成人毛片| 女同久久另类99精品国产91| 久久精品影院6| 日韩有码中文字幕| 免费在线观看视频国产中文字幕亚洲| 97人妻精品一区二区三区麻豆| 夜夜爽天天搞| 高潮久久久久久久久久久不卡| av天堂在线播放| cao死你这个sao货| 国产探花在线观看一区二区| 欧美一区二区精品小视频在线| 在线观看美女被高潮喷水网站 | 国产97色在线日韩免费| 亚洲欧美精品综合一区二区三区| www.999成人在线观看| 最新在线观看一区二区三区| 国产精品99久久99久久久不卡| 亚洲九九香蕉| 好看av亚洲va欧美ⅴa在| 国产三级黄色录像| 亚洲中文日韩欧美视频| 亚洲av日韩精品久久久久久密| 欧美最黄视频在线播放免费| 国产精品九九99| 国产精品一区二区免费欧美| 亚洲国产欧洲综合997久久,| 国产99久久九九免费精品| 国产精品,欧美在线| 国产精品久久电影中文字幕| 久久精品国产亚洲av香蕉五月| 久久草成人影院| 在线视频色国产色| 女人被狂操c到高潮| 欧美日本亚洲视频在线播放| 欧美中文日本在线观看视频| 天天躁狠狠躁夜夜躁狠狠躁| 老司机福利观看| 日韩欧美精品v在线| 最新在线观看一区二区三区| 少妇人妻一区二区三区视频| 成年女人毛片免费观看观看9| 人人妻,人人澡人人爽秒播| 中文字幕精品亚洲无线码一区| 少妇粗大呻吟视频| 热99re8久久精品国产| 18禁观看日本| 非洲黑人性xxxx精品又粗又长| 欧美一区二区精品小视频在线| 一级作爱视频免费观看| 此物有八面人人有两片| 成年免费大片在线观看| 国产在线观看jvid| www.精华液| 久久精品国产亚洲av香蕉五月| √禁漫天堂资源中文www| 国产又色又爽无遮挡免费看| 成人18禁在线播放| 国产91精品成人一区二区三区| 久久午夜综合久久蜜桃| 岛国视频午夜一区免费看| 久久人妻av系列| 亚洲男人天堂网一区| 国产aⅴ精品一区二区三区波| 国产精品一及| 亚洲在线自拍视频| av有码第一页| 日韩欧美在线乱码| 搡老妇女老女人老熟妇| 亚洲av五月六月丁香网| 99久久无色码亚洲精品果冻| 熟女电影av网| 99精品久久久久人妻精品| 精品电影一区二区在线| 免费在线观看亚洲国产| 97人妻精品一区二区三区麻豆| 精品日产1卡2卡| 男人舔女人下体高潮全视频| 级片在线观看| 国产av不卡久久| 国产激情偷乱视频一区二区| a级毛片a级免费在线| 看黄色毛片网站| 露出奶头的视频| 欧美高清成人免费视频www| 国产精品精品国产色婷婷| 久久精品亚洲精品国产色婷小说| 日韩av在线大香蕉| 日韩中文字幕欧美一区二区| 久久香蕉激情| 男女午夜视频在线观看| 亚洲欧美精品综合久久99| avwww免费| 欧洲精品卡2卡3卡4卡5卡区| 91麻豆精品激情在线观看国产| 天堂影院成人在线观看| 变态另类丝袜制服| 亚洲av成人一区二区三| 久久精品国产亚洲av高清一级| 白带黄色成豆腐渣| 日韩大码丰满熟妇| 欧美一区二区精品小视频在线| 狂野欧美白嫩少妇大欣赏| 久久欧美精品欧美久久欧美| 欧美3d第一页| 午夜a级毛片| 成人国语在线视频| 两个人免费观看高清视频| 黄色丝袜av网址大全| 99热只有精品国产| 成人精品一区二区免费| 亚洲av第一区精品v没综合| 国产黄片美女视频| 午夜免费激情av| 每晚都被弄得嗷嗷叫到高潮| xxxwww97欧美| 国产一区二区在线观看日韩 | 亚洲五月婷婷丁香| 午夜福利高清视频| 久久精品国产99精品国产亚洲性色| 搡老岳熟女国产| 欧美国产日韩亚洲一区| 美女高潮喷水抽搐中文字幕| 午夜日韩欧美国产| 69av精品久久久久久| 国产视频一区二区在线看| 久久性视频一级片| 亚洲av成人不卡在线观看播放网| 特大巨黑吊av在线直播| 黄片小视频在线播放| 可以在线观看毛片的网站| 欧美性猛交╳xxx乱大交人| 国内精品一区二区在线观看| 亚洲精品久久国产高清桃花| 久久久久久九九精品二区国产 | 久久久国产欧美日韩av| 亚洲精品粉嫩美女一区| 好看av亚洲va欧美ⅴa在| av有码第一页| 精品第一国产精品| 亚洲一区二区三区不卡视频| 国产精品综合久久久久久久免费| 狠狠狠狠99中文字幕| 99久久99久久久精品蜜桃| 亚洲熟妇中文字幕五十中出| 久久午夜综合久久蜜桃| 久久精品夜夜夜夜夜久久蜜豆 | 脱女人内裤的视频| 欧美午夜高清在线| 亚洲男人的天堂狠狠| 亚洲欧美日韩无卡精品| 国产视频内射| www.自偷自拍.com| 国产真实乱freesex| 我的老师免费观看完整版| 午夜福利视频1000在线观看| 黑人巨大精品欧美一区二区mp4| 男女视频在线观看网站免费 | 亚洲aⅴ乱码一区二区在线播放 | 一个人免费在线观看电影 | 法律面前人人平等表现在哪些方面| 1024香蕉在线观看| 黄色毛片三级朝国网站| 免费观看人在逋| 国产精品国产高清国产av| 麻豆av在线久日| 日本黄色视频三级网站网址| 无人区码免费观看不卡| 中文字幕人成人乱码亚洲影| 久久人妻av系列| 久久久久久大精品| 午夜激情av网站| 国产熟女午夜一区二区三区| 日韩欧美精品v在线| 日韩欧美国产在线观看| or卡值多少钱| 国产乱人伦免费视频| 国产欧美日韩一区二区精品| 成人三级黄色视频| 亚洲av成人精品一区久久| 成在线人永久免费视频| 小说图片视频综合网站| x7x7x7水蜜桃| 日韩欧美一区二区三区在线观看| 99国产精品99久久久久| 母亲3免费完整高清在线观看| 两个人的视频大全免费| 亚洲欧美精品综合久久99| 亚洲av美国av| 成人永久免费在线观看视频| 桃红色精品国产亚洲av| 波多野结衣高清无吗| www.精华液| 日韩三级视频一区二区三区| 两性午夜刺激爽爽歪歪视频在线观看 | 真人做人爱边吃奶动态| 最近最新中文字幕大全免费视频| 黄色 视频免费看| 亚洲免费av在线视频| 国产精品一及| 女人爽到高潮嗷嗷叫在线视频| 在线观看午夜福利视频| 国产av在哪里看| 国产精品 欧美亚洲| 男女床上黄色一级片免费看| 久久久精品大字幕| 国产三级黄色录像| 国产精品一区二区三区四区免费观看 | 久久婷婷成人综合色麻豆| 国产单亲对白刺激| 波多野结衣高清作品| 欧美 亚洲 国产 日韩一| 一本久久中文字幕| 亚洲成人精品中文字幕电影| 精品久久久久久久久久免费视频| 男女之事视频高清在线观看| 人妻夜夜爽99麻豆av| 亚洲欧美精品综合久久99| 天堂动漫精品| 亚洲国产精品合色在线| 欧美日韩福利视频一区二区| 中文字幕人成人乱码亚洲影| 国产精品野战在线观看| 亚洲精华国产精华精| 此物有八面人人有两片| 级片在线观看| 香蕉丝袜av| 全区人妻精品视频| 欧美中文日本在线观看视频| 亚洲精品美女久久久久99蜜臀| 无限看片的www在线观看| 欧美成狂野欧美在线观看| 色在线成人网| 怎么达到女性高潮| cao死你这个sao货| 好男人电影高清在线观看| 成人18禁在线播放| 国产亚洲欧美在线一区二区| 在线观看66精品国产| 97超级碰碰碰精品色视频在线观看| 宅男免费午夜| 日韩国内少妇激情av| 99在线视频只有这里精品首页| 99re在线观看精品视频| 亚洲av中文字字幕乱码综合| 免费看十八禁软件| 久久久国产欧美日韩av| 一级毛片女人18水好多| av视频在线观看入口| 天天躁夜夜躁狠狠躁躁| 日本三级黄在线观看| 天天添夜夜摸| 亚洲精品在线美女| 色av中文字幕| 露出奶头的视频| 亚洲熟女毛片儿| 久久草成人影院| 国产一区二区在线av高清观看| 国语自产精品视频在线第100页| 99热6这里只有精品| 国产精品,欧美在线| 日韩国内少妇激情av| 久99久视频精品免费| 精品国产美女av久久久久小说| 黑人操中国人逼视频| 午夜免费激情av| 精华霜和精华液先用哪个| 欧美最黄视频在线播放免费| 亚洲五月天丁香| 国产野战对白在线观看| 怎么达到女性高潮| 日本 欧美在线| 男女午夜视频在线观看| 高潮久久久久久久久久久不卡| 欧美在线一区亚洲| 日本五十路高清| 亚洲欧美日韩高清在线视频| 99久久无色码亚洲精品果冻| 国产男靠女视频免费网站| 高潮久久久久久久久久久不卡| 99久久无色码亚洲精品果冻| 国产男靠女视频免费网站| 亚洲欧美日韩高清在线视频| 一级片免费观看大全| 最好的美女福利视频网| 国产探花在线观看一区二区| 精品久久久久久久末码| 少妇人妻一区二区三区视频| 国产精品野战在线观看| 18禁裸乳无遮挡免费网站照片| 亚洲自拍偷在线| 丁香六月欧美| a在线观看视频网站| 国产一区二区在线观看日韩 | 久久草成人影院| 久久精品综合一区二区三区| 亚洲国产高清在线一区二区三| 中出人妻视频一区二区| 国产一区二区在线av高清观看| 久久香蕉精品热| 中出人妻视频一区二区| 国产精品爽爽va在线观看网站| 日韩中文字幕欧美一区二区| 美女扒开内裤让男人捅视频| 久久中文字幕人妻熟女|