CN114782740A - 结合遗传优化与极端梯度提升的遥感水质监测方法 - Google Patents
结合遗传优化与极端梯度提升的遥感水质监测方法 Download PDFInfo
- Publication number
- CN114782740A CN114782740A CN202210342843.4A CN202210342843A CN114782740A CN 114782740 A CN114782740 A CN 114782740A CN 202210342843 A CN202210342843 A CN 202210342843A CN 114782740 A CN114782740 A CN 114782740A
- Authority
- CN
- China
- Prior art keywords
- water quality
- algorithm
- extreme gradient
- optimization
- tree
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/211—Selection of the most significant subset of features
- G06F18/2113—Selection of the most significant subset of features by ranking or filtering the set of features, e.g. using a measure of variance or of feature cross-correlation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
- G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/20—Identification of molecular entities, parts thereof or of chemical compositions
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/70—Machine learning, data mining or chemometrics
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Computing Systems (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Software Systems (AREA)
- Crystallography & Structural Chemistry (AREA)
- Medical Informatics (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Databases & Information Systems (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及水质监测技术领域,涉及一种结合遗传优化与极端梯度提升的遥感水质监测方法,包括:一、构建水质参数反演模型输入的特征工程,研究水质参数值与光谱特征的非线性关系;二、构建基于遗传算法优化的极端梯度提升算法,利用遗传算法对极端梯度提升算法部分内置参数进行全局优化,从而构建水质参数反演模型;三、基于构建的最优水质参数反演模型得到河段叶绿素a、总磷、总氮、氨氮以及浊度的反演结果,从而进一步研究河段水质参数空间分布特征、时空变化及其影响因素。本发明对于进一步推动城市水环境监测技术的智能化和自动化水平提供可靠的依据,有利于推动城市河流高效率、高质量的水质监测和保护。
Description
技术领域
本发明涉及水质监测技术领域,具体地说,涉及一种结合遗传优化与极端梯度提升的遥感水质监测方法。
背景技术
城市与河流息息相关,河流作为城市最关键的生态载体,始终影响和制约着城市的生存和发展。城市河流是城市生态系统的主要生态廊道,具有发展农业灌溉、供给水源、连通水运和生态平衡的作用,提高了人类生活质量与城市形象,并提供了不可替代的生态功能。近年来,由于城市的大规模扩张和工业化进程的加快,城市河流逐渐向发展中流域、半封闭式水域转变,两岸滨水空间被压缩,成为了毫无生命力的人工渠道化河流。随着人们生态环境保护意识的增强,城市河流水质监测受到广泛关注,水资源的合理开发、利用和保护是生态环境保护和城市可持续发展的重要方面,如何持续动态监测城市河流水质,对于保护城市圈区域生态环境和水资源具有重要意义。
目前,关于水质监测的手段主要是以单点监测的方式,依赖于人工实地采样并结合实验室化学分析,包括人工实地采样和自动监测站点。这种方法可以准确地检测出采样点的各水质参数信息,具有监测精度高、研究针对性强等优点,常用这类方法进行水质调查和评估。然而,这些方法受先验知识影响较大,成本高,时效性不足且不能反映区域整体水质状况,难以满足现代化城市河流监测体系的需求。
随着遥感技术的快速发展,因其具有广域性、时效性等特点,在深入挖掘遥感影像数据与水质参数之间的互补性和相关性的前提下,遥感水质反演已成为水质监测与遥感技术领域的研究热点之一。遥感水质反演为水质监测提供了更全局性、更精细化布局。然而,城市河流往往具有狭长的特点,一般的遥感数据源难以满足其监测的需求,这给利用遥感手段进行城市河流水质监测带来了挑战性。伴随着无人机技术的发展,无人机搭载不同类型的传感器可以获取丰富的遥感影像数据,越来越多地被用于生态监测,其在水质监测方面也有着很好的应用前景,成为水质遥感研究的新方向。无人机遥感凭借其具有灵活、快速以及高效的作业特点,它可以确保持续、动态监测的可能性,并且捕捉到水体的更多细节;最重要的一点是,无人机遥感影像采集过程不受云层干扰,这是卫星遥感的主要限制。在针对城市河流等水体组分复杂、水域较窄的区域,无人机遥感数据结合少量样点实测水质数据,能够获取丰富且全面的水质状况与空间分布,解决了城市河流监测时间、空间分辨率的双重问题,为城市河流水质监测提供有效参考。
现有监测手段难以满足城市中小河流的水质监测需求,如何持续动态监测城市河流水质,已成为当前研究热点和生产实际难点。
发明内容
本发明的内容是提供一种结合遗传优化与极端梯度提升的遥感水质监测方法,其能够克服现有技术的某种或某些缺陷。
根据本发明的一种结合遗传优化与极端梯度提升的遥感水质监测方法,其包括以下步骤:
一、构建水质参数反演模型输入的特征工程,研究水质参数值与光谱特征的非线性关系;
二、利用遗传算法作为优化算法,极端梯度提升算法作为基础回归算法,构建基于遗传算法优化的极端梯度提升算法,利用遗传算法搜索全局最优解的特点,对极端梯度提升算法部分内置参数进行全局优化,从而构建水质参数反演模型;
三、基于构建的最优水质参数反演模型得到河段叶绿素a、总磷、总氮、氨氮以及浊度的反演结果,从而进一步研究河段水质参数空间分布特征、时空变化及其影响因素。
作为优选,特征工程包括波段组合及敏感波段分析和特征优选模块;波段组合及敏感波段分析用于降低噪声的干扰,提取有效的光谱信息,并通过特征优选模块进一步筛选出模型重要性高的特征作为输入特征;将输入特征划分为训练集、验证集以及测试集用来训练模型并验证模型的精度。
作为优选,极端梯度提升算法是基于梯度提升树实现的集成算法,梯度提升树建模过程如下:首先建立一棵树,然后逐步迭代,在每次迭代中添加一棵树,并逐渐形成一个集成了许多树模型的强大评估器;梯度提升回归树中的预测值是由所有弱分类器上的预测结果的加权求和,对于极端梯度提升算法,每个叶子节点都会有一个预测分数,也称为叶子权重,叶子权重就是所有在这个叶子节点上的样本在这一棵树的回归取值,所有的弱分类器上的叶子权重之和即为预测值。
作为优选,极端梯度提升算法的目标函数为:传统损失函数+模型复杂度,即:
其中i代表数据集中的第i个样本,n表示导入第k棵树的数据总量,k代表建立的所有树;第一项表示模型的损失函数,用来衡量真实标签yi与预测值之间的差异;第二项代表模型的正则项;极端梯度提升算法在迭代每棵树的过程中,都最小化obj以获得最优
第t次迭代:
泰勒展开:
其中ft(xi)表示xi在t次迭代构建的树,gi和hi分别是在对损失函数所求解的一阶导数和二阶导数,正则化项包括了叶子节点个数和叶子节点权重的L2正则化,其能够平滑每个叶子节点的学习权重来避免过拟合;
其中γ和λ表示正则项系数,T表示叶子节点个数,wtm表示第t次迭代的弱学习器第m个叶子节点的值。
作为优选,遗传算法具体步骤如下所示:
1)对问题潜在解寻找编码方案;
2)随机初始化种群;
3)通过适应性函数计算每个个体适应度;
4)通过选择函数选择性淘汰;
5)父代染色体进行交叉,生成子代;
6)对子代染色体进行变异,增加基因多样性;
7)新一代种群继续计算适应度,循环往复,直至最优解产生。
本发明将无人机多光谱影像与机器学习算法相结合,对于进一步推动城市水环境监测技术的智能化和自动化水平提供可靠的依据,有利于推动城市河流高效率、高质量的水质监测和保护。
附图说明
图1为实施例1中一种结合遗传优化与极端梯度提升的遥感水质监测方法的流程图;
图2为实施例1中安徽南淝河典型河段叶绿素a、总磷、总氮、氨氮以及浊度的反演结果。
具体实施方式
为进一步了解本发明的内容,结合附图和实施例对本发明作详细描述。应当理解的是,实施例仅仅是对本发明进行解释而并非限定。
实施例1
如图1所示,本实施例提供了一种结合遗传优化与极端梯度提升的遥感水质监测方法,其包括以下步骤:
一、构建水质参数反演模型输入的特征工程,研究水质参数值与光谱特征的非线性关系;
二、利用遗传算法作为优化算法,极端梯度提升算法作为基础回归算法,构建基于遗传算法优化的极端梯度提升算法,利用遗传算法搜索全局最优解的特点,对极端梯度提升算法部分内置参数进行全局优化,从而构建精度高、泛化性强的水质参数反演模型;
三、基于构建的最优水质参数反演模型得到河段叶绿素a、总磷、总氮、氨氮以及浊度的反演结果,从而进一步研究河段水质参数空间分布特征、时空变化及其影响因素。
特征工程包括波段组合及敏感波段分析和特征优选模块;波段组合及敏感波段分析用于降低噪声的干扰,提取有效的光谱信息,并通过特征优选模块进一步筛选出模型重要性高的特征作为输入特征;将输入特征划分为训练集、验证集以及测试集用来训练模型并验证模型的精度。
极端梯度提升算法(eXtreme Gradient Boosting,XGBoost)可调参数众多,参数的选取直接影响着模型的精度和速度,合理的参数设置可以显著提升模型的性能。因此,本实施例以XGBoost为基础,利用遗传算法(Genetic Algorithm,GA)具有搜索全局最优解的特点,构建了基于遗传算法优化的极端梯度提升算法(GA_XGBoost)。
首先,GA_XGBoost算法需根据待解决问题选定适应度函数以及被优化参数;其次,创建一个包含被优化参数的初始种群,设置种群数量、每代保留个体数以及参数优化范围;最终,利用定义的适应度函数在“物竞天择”的约束条件下,找到最佳适应度值以及被优化参数。
极端梯度提升算法是基于梯度提升树实现的集成算法,和传统的梯度提升算法相比,XGBoost进行了许多改进,它能够比其他使用梯度提升的集成算法更加快速,并且已经被认为是在分类和回归上都拥有超高性能的先进评估器。XGBoost结构中可以有回归树,也可以有分类树,两者都使用CART算法作为主流的树结构。梯度提升回归树是在回归树模型基础上建立的一种综合模型。
XGBoost的模型学习过程如下:(1)首先将第一个弱学习器拟合到整个输入数据空间;(2)然后将第二个模型拟合到这些残差上,以克服弱学习器的缺点;(3)重复几次拟合过程,直到满足停止准则;(4)通过每个学习器的预测之和得到模型的最终预测。
XGBoost是实现了模型表现和运算速度平衡的算法,与其它机器学习算法相比,XGBoost通过引入模型复杂度来衡量算法的运算效率。因此XGBoost的目标函数为:传统损失函数+模型复杂度,即:
其中i代表数据集中的第i个样本,n表示导入第k棵树的数据总量,k代表建立的所有树;第一项表示模型的损失函数,用来衡量真实标签yi与预测值之间的差异。第二项代表模型的正则项;极端梯度提升算法在迭代每棵树的过程中,都最小化obj以获得最优同时,最小化了模型的错误率和模型的复杂度;
第t次迭代:
泰勒展开:
其中ft(xi)表示xi在t次迭代构建的树,gi和hi分别是在对损失函数所求解的一阶导数和二阶导数,正则化项包括了叶子节点个数和叶子节点权重的L2正则化,其能够平滑每个叶子节点的学习权重来避免过拟合;
其中γ和λ表示正则项系数,T表示叶子节点个数,wtm表示第t次迭代的弱学习器第m个叶子节点的值。
XGBoost算法通过引入正则化项来限制模型的复杂度,在XGBoost中,对每棵树的叶子节点数做了惩罚,从而限制了叶子节点的增长,使得每棵树都是“弱”的,同时降低每棵树的影响,加大树的个数,从而使模型取得更好的拟合效果。
遗传算法是一种模仿生物进化机制发展起来的随机全局搜索和优化方法。它是以种群体中的所有个体为对象,随机化地对被编码的参数空间进行高效搜索,通过模拟生物的进化过程,种群个体间不断进行选择、交叉、变异,从而自适应地搜索到全局最优解。遗传算法具体步骤如下所示:
1)对问题潜在解寻找编码方案;
2)随机初始化种群;
3)通过适应性函数计算每个个体适应度;
4)通过选择函数选择性淘汰;
5)父代染色体进行交叉,生成子代;
6)对子代染色体进行变异,增加基因多样性;
7)新一代种群继续计算适应度,循环往复,直至最优解产生。
本实施例基于多时期的无人机多光谱数据与外业实测水质参数数据,构建基于机器学习方法的无人机遥感城市河流水质智能监测方法,以期在遥感智能解译方面,提出具有支持城市河流的多态性学习、光谱特征分析的智能化监测方法。
如图2所示,为安徽南淝河典型河段叶绿素a、总磷、总氮、氨氮以及浊度的反演结果,基于叶绿素a、总磷、总氮、氨氮以及浊度反演结果,分析水质的空间分布特征,发现水质反演模型得到的水质污染空间分布规律与实测结果呈现相同趋势。
以上示意性的对本发明及其实施方式进行了描述,该描述没有限制性,附图中所示的也只是本发明的实施方式之一,实际的结构并不局限于此。所以,如果本领域的普通技术人员受其启示,在不脱离本发明创造宗旨的情况下,不经创造性的设计出与该技术方案相似的结构方式及实施例,均应属于本发明的保护范围。
Claims (5)
1.结合遗传优化与极端梯度提升的遥感水质监测方法,其特征在于:包括以下步骤:
一、构建水质参数反演模型输入的特征工程,研究水质参数值与光谱特征的非线性关系;
二、利用遗传算法作为优化算法,极端梯度提升算法作为基础回归算法,构建基于遗传算法优化的极端梯度提升算法,利用遗传算法搜索全局最优解的特点,对极端梯度提升算法部分内置参数进行全局优化,从而构建水质参数反演模型;
三、基于构建的最优水质参数反演模型得到河段叶绿素a、总磷、总氮、氨氮以及浊度的反演结果,从而进一步研究河段水质参数空间分布特征、时空变化及其影响因素。
2.根据权利要求1所述的结合遗传优化与极端梯度提升的遥感水质监测方法,其特征在于:特征工程包括波段组合及敏感波段分析和特征优选模块;波段组合及敏感波段分析用于降低噪声的干扰,提取有效的光谱信息,并通过特征优选模块进一步筛选出模型重要性高的特征作为输入特征;将输入特征划分为训练集、验证集以及测试集用来训练模型并验证模型的精度。
3.根据权利要求1所述的结合遗传优化与极端梯度提升的遥感水质监测方法,其特征在于:极端梯度提升算法是基于梯度提升树实现的集成算法,梯度提升树建模过程如下:首先建立一棵树,然后逐步迭代,在每次迭代中添加一棵树,并逐渐形成一个集成了许多树模型的强大评估器;梯度提升回归树中的预测值是由所有弱分类器上的预测结果的加权求和,对于极端梯度提升算法,每个叶子节点都会有一个预测分数,也称为叶子权重,叶子权重就是所有在这个叶子节点上的样本在这一棵树的回归取值,所有的弱分类器上的叶子权重之和即为预测值。
4.根据权利要求1所述的结合遗传优化与极端梯度提升的遥感水质监测方法,其特征在于:极端梯度提升算法的目标函数为:传统损失函数+模型复杂度,即:
其中i代表数据集中的第i个样本,n表示导入第k棵树的数据总量,k代表建立的所有树;第一项表示模型的损失函数,用来衡量真实标签yi与预测值之间的差异;第二项代表模型的正则项;极端梯度提升算法在迭代每棵树的过程中,都最小化obj以获得最优
第t次迭代:
泰勒展开:
其中ft(xi)表示xi在t次迭代构建的树,gi和hi分别是在对损失函数所求解的一阶导数和二阶导数,正则化项包括了叶子节点个数和叶子节点权重的L2正则化,其能够平滑每个叶子节点的学习权重来避免过拟合;
其中γ和λ表示正则项系数,T表示叶子节点个数,wtm表示第t次迭代的弱学习器第m个叶子节点的值。
5.根据权利要求1所述的结合遗传优化与极端梯度提升的遥感水质监测方法,其特征在于:遗传算法具体步骤如下所示:
1)对问题潜在解寻找编码方案;
2)随机初始化种群;
3)通过适应性函数计算每个个体适应度;
4)通过选择函数选择性淘汰;
5)父代染色体进行交叉,生成子代;
6)对子代染色体进行变异,增加基因多样性;
7)新一代种群继续计算适应度,循环往复,直至最优解产生。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210342843.4A CN114782740A (zh) | 2022-03-31 | 2022-03-31 | 结合遗传优化与极端梯度提升的遥感水质监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210342843.4A CN114782740A (zh) | 2022-03-31 | 2022-03-31 | 结合遗传优化与极端梯度提升的遥感水质监测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114782740A true CN114782740A (zh) | 2022-07-22 |
Family
ID=82426801
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210342843.4A Pending CN114782740A (zh) | 2022-03-31 | 2022-03-31 | 结合遗传优化与极端梯度提升的遥感水质监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114782740A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116660486A (zh) * | 2023-05-24 | 2023-08-29 | 重庆交通大学 | 一种基于大型底栖动物bi指数的水质评价标准确定方法 |
-
2022
- 2022-03-31 CN CN202210342843.4A patent/CN114782740A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116660486A (zh) * | 2023-05-24 | 2023-08-29 | 重庆交通大学 | 一种基于大型底栖动物bi指数的水质评价标准确定方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109492822B (zh) | 空气污染物浓度时空域关联预测方法 | |
Callens et al. | Using Random forest and Gradient boosting trees to improve wave forecast at a specific location | |
Liang et al. | A novel wind speed prediction strategy based on Bi-LSTM, MOOFADA and transfer learning for centralized control centers | |
CN109034448B (zh) | 基于车辆轨迹语义分析和深度信念网络的轨迹预测方法 | |
CN109142171B (zh) | 基于特征扩张的融合神经网络的城市pm10浓度预测方法 | |
CN108596327B (zh) | 一种基于深度学习的地震速度谱人工智能拾取方法 | |
CN110070713A (zh) | 一种基于双向嵌套lstm神经网络的交通流预测方法 | |
CN114092832B (zh) | 一种基于并联混合卷积网络的高分辨率遥感影像分类方法 | |
CN108764308A (zh) | 一种基于卷积循环网络的行人重识别方法 | |
CN107563574A (zh) | 一种基于长短时记忆模型循环神经网络的地磁场预测方法 | |
CN107271405A (zh) | 一种多模型协同的水质参数浓度反演方法和装置 | |
CN109583565A (zh) | 基于注意力模型长短时记忆网络的洪水预测方法 | |
CN115689008A (zh) | 基于集合经验模态分解的CNN-BiLSTM短期光伏功率预测方法及其系统 | |
CN115099500B (zh) | 基于权重修正和drsn-lstm模型的水位预测方法 | |
CN108985515A (zh) | 一种基于独立循环神经网络的新能源出力预测方法及系统 | |
CN108710974A (zh) | 一种基于深度置信网络的水体氨氮预测方法及装置 | |
CN109934422A (zh) | 一种基于时间序列数据分析的神经网络风速预测方法 | |
CN105654136A (zh) | 一种基于深度学习的大规模遥感影像目标自动识别方法 | |
CN114399073A (zh) | 一种基于深度学习的海洋表面温度场预测方法 | |
CN113359212A (zh) | 一种基于深度学习的储层特征预测方法及模型 | |
CN112733447A (zh) | 一种基于域自适应网络的水下声源定位方法及系统 | |
CN113554466A (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
CN116187210B (zh) | 一种lstm耦合机理模型的时空多源近岸海域水质时序预测方法 | |
CN114821296A (zh) | 地下病害探地雷达图像识别方法、系统、存储介质及终端 | |
CN114417693A (zh) | 一种基于深度学习的海洋三维温度场反演方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |