Qua kết quả dự báo, sai số nhỏ nhất và sai số lớn nhất nằm trong khoảng cho phép được thể hiện trên Bảng 4.1.
Bảng 4.1: So sánh kết quả kiểm thử và huấn luyện với tham số nhiệt độ
Tham số Mô hình huấn luyện Mô hình kiểm thử
Sai số trung bình 0.4237 0.76
Sai số nhỏ nhất 0.0002 0.0
Sai số lớn nhất 3.7284 2.1
Phương sai 0.1605 0.21
78 Biểu đồ so sánh kết quả dự báo với kết quả trong tập kiểm thử của tham số nhiệt độđược thể hiện trong Hình 4.20.
Hình 4.20: Giao diện kết quả kiểm thử mô hình dự báo tham số nhiệt độ
4.4.2 Đối với tham số pH
Qua kết quả dự báo, sai số nhỏ nhất và sai số lớn nhất nằm trong khoảng cho phép được thể hiện trên Bảng 4.2.
Bảng 4.2: So sánh kết quả kiểm thử và huấn luyện với tham số pH
Tham số Mô hình huấn luyện Mô hình kiểm thử
Sai số trung bình 0.13533 0.1136
Sai số nhỏ nhất 3.8337×10-5 0.1
Sai số lớn nhất 0.79313 0.19999
Phương sai 0.03208 0.001177
Độ lệch chuẩn 0.17911 0.0343
Biểu đồ so sánh kết quả dự báo với kết quả trong tập kiểm thử của tham số nhiệt độđược thể hiện trong Hình 4.21.
79
Hình 4.21: Giao diện kết quả kiểm thử mô hình dự báo tham số pH
4.4.3 Đối với tham số độ mặn
Qua kết quả dự báo, sai số nhỏ nhất và sai số lớn nhất nằm trong khoảng cho phép được thể hiện trên Bảng 4.3.
Bảng 4.3: So sánh kết quả kiểm thử và huấn luyện với tham số độ mặn
Tham số Mô hình huấn luyện Mô hình kiểm thử
Sai số trung bình 0.6108 0.67
Sai số nhỏ nhất 0.004 0.0
Sai số lớn nhất 4.1177 2.5
Phương sai 0.4868 0.232
Độ lệch chuẩn 0.6977 0.482
Biểu đồ so sánh kết quả dự báo với kết quả trong tập kiểm thử của tham số độ mặn được thể hiện trong Hình 4.22.
80
Hình 4.22: Giao diện kết quả kiểm thử mô hình dự báo tham số độ mặn
4.4.4 Đối với tham số DO
Qua kết quả dự báo, sai số nhỏ nhất và sai số lớn nhất nằm trong khoảng cho phép được thể hiện trên Bảng 4.4.
Bảng 4.4: So sánh kết quả kiểm thử và huấn luyện với tham số DO
Tham số Mô hình huấn luyện Mô hình kiểm thử
Sai số trung bình 0.2147 0.2534
Sai số nhỏ nhất 0.00097 0.0047
Sai số lớn nhất 1.215 0.39
Phương sai 0.02874 0.02189
Độ lệch chuẩn 0.16954 0.179
Biểu đồ so sánh kết quả dự báo với kết quả trong tập kiểm thử của tham số DO được thể hiện trong Hình 4.23.
81
Hình 4.23: Giao diện kết quả kiểm thử mô hình dự báo tham số DO
4.4.5 Đối với tham số H2S
Qua kết quả dự báo, sai số nhỏ nhất và sai số lớn nhất nằm trong khoảng cho phép được thể hiện trên Bảng 4.5.
Bảng 4.5: So sánh kết quả kiểm thử và huấn luyện với tham số H2S
Tham số Mô hình huấn luyện Mô hình kiểm thử
Sai số trung bình 0.00176 0.0005
Sai số nhỏ nhất 9.609×10-7 0.003762
Sai số lớn nhất 0.025 0.02144
Phương sai 6.478×10-6 0.01173
Độ lệch chuẩn 0.0025 0.002424
Biểu đồ so sánh kết quả dự báo với kết quả trong tập kiểm thử của tham số H2S được thể hiện trong Hình 4.24.
82
Hình 4.24: Giao diện kết quả kiểm thử mô hình dự báo tham số H2S
4.4.6 Đối với tham số NH4
Qua kết quả dự báo, sai số nhỏ nhất và sai số lớn nhất nằm trong khoảng cho phép được thể hiện trên Bảng 4.6.
Bảng 4.6: So sánh kết quả kiểm thử và huấn luyện với tham số NH4
Tham số Mô hình huấn luyện Mô hình kiểm thử
Sai số trung bình 0.01670 0.0405
Sai số nhỏ nhất 1.283×10-5 0.001993
Sai số lớn nhất 0.1291 0.21398
Phương sai 0.0004 0.00333
Độ lệch chuẩn 0.0197 0.0577
Biểu đồ so sánh kết quả dự báo với kết quả trong tập kiểm thử của tham số NH4 được thể hiện trong Hình 4.25.
83
84
CHƯƠNG 5.KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN 5.1 Kết luận
Sau quá trình tìm hiểu về mạng nơ-ron nhân tạo và nghiên cứu giải thuật phân lớp dữ liệu với mô hình mạng Deep Learning cùng một số kỹ thuật có liên quan, đề tài đã đạt được những mục tiêu sau đây:
- Dự đoán được các tham số từ dữ liệu đo đạc khu vực nuôi tôm hùm đầm
Cù Mông, vịnh Xuân Đài với lượng thời gian đủđể đáp ứng trong trường
hợp các tham số này chuyển biến xấu, nhằm tránh gây hại đến chất lượng giá trị thủy, hải sản nơi đâỵ
- Kết quả dự đoán hợp lý với các tham số đo được, có thể được dùng để phát triển mô hình dự báo phức tạp và chính xác hơn trong tương lai
- Sử dụng các kỹ thuật tiền xử lý dữ liệu nhằm đưa ra phân tích về các tham sốđã đo được, kết hợp với phương pháp dự báo đã đưa ra nhằm tạo ra các mô hình dự báo cho các tham số còn lại
Bên cạnh kết quảđạt được, do thời gian và kiến thực có hạn nên ứng dụng vẫn có những hạn chế và thiếu sót:
- Gần như không có khảnăng nắm bắt được các điểm cực trị của dữ liệu khi huấn luyện. Từ đó, khi đưa ra kết quả dự đoán gần như không thể hiện được điểm lớn nhất, điểm nhỏ nhất trong thời gian dựđoán
- Chưa tối ưu mô hình dự đoán Deep learning thông qua các phép kiểm thử thông số; áp dụng một mô hình dự báo cho 8 tham số.
- Tốc độ dự đoán còn chậm, khoảng thời gian dựđoán được vẫn còn ngắn, áp dụng chưa hiệu quả vào thực tiễn.
5.2 Hướng phát triển
Để có thêm điều kiện tìm hiểu nghiên cứu phát triển mô hình dự đoán, cần thu thập thêm các tham sốđo đạc từ bộ cảm biến để tạo được bộ dữ liệu đáng tin cậy làm dữ liệu tham chiếu cho người dùng, từđó có thể đưa quyết định chính xác từ kết quả dự báọ
Tiếp tục nghiên cứu để cải tiến mô hình cho phù hợp với điều kiện khí hậu, môi trường thực tếởnước ta để việc dựđoán được chính xác hơn. Phát triển thêm các chức năng cảnh báo cho người dùng, đặt ngưỡng cảnh báo, xem lịch sử trên mobile cũng như desktop.
85
TÀI LIỆU THAM KHẢO
[1] "Recurrent Neural Network’s learning waỵ
https://vịwikipediạorg/wiki/Mạng_nơ-ron, truy cập lần cuối ngày
17/4/2021".
[2] T. Wang, "Recurrent Neural Network.".
[3] R., Sarpeshkar, R., Mahowald, M. et al. Hahnloser, "Digital selection and analogue amplification coexist in a cortex-inspired silicon circuit.," 2020. [4] "Introduction to Recurrent Neural Network.
https://dominhhaịgithub.io/vi/2017/10/what-is-rnn/, truy cập lần cuối ngày 17/4/2021".
[5] Ạ Al-Masri, "https://towardsdatasciencẹcom/how-does-back-propagation-
in-artificial-neural-networks-work-c7cad873ea7, truy cập lần cuối ngày
17/4/2021," How Does Back-Propagation in Artificial Neural Networks
Work?
[6] "RNN vs CNN for Deep Learning: Let’s Learn the Differencẹ https://blog.exxactcorp.com/lets-learn-the-difference-between-a-deep-
learning-cnn-and-rnn/, truy cập lần cuối ngày 17/4/2021".
[7] Hai, "https://dominhhaịgithub.io/vi/2017/10/what-is-lstm/, truy cập lần cuối ngày 17/4/2021," Introduction to LSTM.
[8] S. Mariculture, "A Water Quality Prediction Method Based on the Deep LSTM Network Considering Correlation in.".
[9] Lược sử Deep Learning,
https://machinelearningcoban.com/2018/06/22/deeplearning/, truy cập lần cuối ngày 17/4/2021.
[10] M. Ạ Islam, "https://medium.com/@mdasadul/how-to-train-recurrent- neural-network-rnn-models-and-serve-them-in-production-with-tensorflow-
and-500d0e57," How to Train Recurrent Neural Network (RNN) Models and