机器学习模型的超调和快速优化,用于无氧消化中动态甲预测
Alberto Meola1, Klara Wolf1, Sören Weinrich2
1DBFZ, Deutsches Biomasseforschungszentrum gemeinnützige GmbH, Biochemical Conversion Department, Torgauer Straße 116, Leipzig 04347, Germany; Leipzig University, Faculty of Mathematics and Computer Science, Augustusplatz 10, Leipzig 04109, Germany.
Bioresource technology
|May 12, 2025
概括
选择正确的优化算法是使用机器学习准确预测甲生产的关键. 超调,特别是对于复杂的模型,大大提高了预测准确性和生物气运营中的潜在收入.
科学领域:
- 环境科学 环境科学
- 机器学习 机器学习
- 生物技术是生物技术.
背景情况:
- 准确的甲生产预测对于优化沼气运营和收入至关重要.
- 机器和深度学习模型需要仔细调整以获得最佳性能.
- 现有的优化算法在有效性上有所不同,取决于模型和数据的复杂性.
研究的目的:
- 评估各种优化算法的性能调机和深度学习模型在甲生产预测.
- 确定元调整对优化算法的有效性的影响.
- 为不同的数据集复杂性和模型架构确定最合适的优化策略.
主要方法:
- 应用贝叶斯脊回归和循环神经网络到稳态和动态数据集.
- 测试了几种优化算法,包括贝叶斯搜索,遗传算法,差异进化和粒子集群优化.
- 研究了元调整对算法性能和模型准确性的影响.
主要成果:
- 对于更简单的模型来说,50个优化步骤就足够了,达到62.8%的准确性.
- 复杂的场景 (例如,在动态数据上的反复的神经网络) 从扩展的优化中受益.
- 超调基因算法表现优于其他算法,比起94.4%的基线,达到99.2%的准确性.
- 不同进化和粒子群集优化在稳定状态数据上表现强.
结论:
- 优化算法的选择应与数据集和模型复杂性保持一致.
- 超调节显著提高模型精度和参数选择,特别是在复杂的机器学习任务中.
- 优化的甲生产预测模型可以在灵活的沼气运营中增加收入.
