CN114818486A - 一种基于长短期记忆模型的海底边界层波动预测方法 - Google Patents
一种基于长短期记忆模型的海底边界层波动预测方法 Download PDFInfo
- Publication number
- CN114818486A CN114818486A CN202210409205.XA CN202210409205A CN114818486A CN 114818486 A CN114818486 A CN 114818486A CN 202210409205 A CN202210409205 A CN 202210409205A CN 114818486 A CN114818486 A CN 114818486A
- Authority
- CN
- China
- Prior art keywords
- data
- boundary layer
- input
- function
- model
- 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
- 238000000034 method Methods 0.000 title claims abstract description 60
- 230000007787 long-term memory Effects 0.000 title claims abstract description 18
- 230000006403 short-term memory Effects 0.000 title claims abstract description 18
- 238000012795 verification Methods 0.000 claims abstract description 36
- 230000007613 environmental effect Effects 0.000 claims abstract description 29
- 230000000694 effects Effects 0.000 claims abstract description 6
- 238000012549 training Methods 0.000 claims description 49
- 230000006870 function Effects 0.000 claims description 48
- 230000015654 memory Effects 0.000 claims description 27
- 230000008569 process Effects 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 9
- 239000013535 sea water Substances 0.000 claims description 7
- 238000010200 validation analysis Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 230000001131 transforming effect Effects 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 230000000306 recurrent effect Effects 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000007634 remodeling Methods 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- 238000012937 correction Methods 0.000 abstract description 2
- 238000012806 monitoring device Methods 0.000 abstract description 2
- 239000013589 supplement Substances 0.000 abstract description 2
- 238000011160 research Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- NMJORVOYSJLJGU-UHFFFAOYSA-N methane clathrate Chemical compound C.C.C.C.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O NMJORVOYSJLJGU-UHFFFAOYSA-N 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 239000013049 sediment Substances 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000004062 sedimentation Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于长短期记忆模型的海底边界层波动预测方法,用以解决海底边界层环境要素监测设备传感器损坏后数据缺失或不合理的问题。通过本发明的技术方案,对已观测到的海底边界层温度、压力、浊度、盐度数据转化为监督数据之后再进行长短期记忆模型的训练,应用后期观测到的以上环境要素数据中的三种作为输入,得到另外一种环境要素的预测结果,以预测和验证结果的损失趋势线来表征模型的拟合效果,以均方根误差来表征预测准确程度。采用本发明可较准确地实现对海底边界层环境要素观测中传感器损坏后未测得数据的补充或不合理数据的校正。
Description
技术领域
本发明涉及海底工程环境预测技术领域,具体而言,特别涉及一种基于长短期记忆模型的海底边界层波动预测方法。
背景技术
海底边界层是指海床界面两侧水体与沉积物有着强烈的物质、能量交换的区域。一般来说,海底边界层的具体范围既包含海床界面以上1~2m 的底层海水,也包括海床浅表沉积物层。人类在海洋上的工程和科研活动大都绕不开海底边界层。海底边界层水体的温度和压力直接影响着天然气水合物的稳定性,因此海底边界层环境要素的观测对于天然气水合物的研究和开发有着重要意义。海水悬浮颗粒物浓度主要由海水浊度表征,而悬浮颗粒物浓度又是泥沙运移、沉积和再悬浮等运动过程的间接体现,因此边界层的海水浊度也极具研究价值。
目前,海洋环境要素观测设备的研制已经相对成熟,许多设备都能够实现对海底边界层水体的温度、压力、浊度以及盐度等环境要素的直接观测,但对于设备某一传感器损坏后造成的数据缺失或者某一段数据明显不合理的问题,仍然没有较好的方法对其进行准确的数据补齐或者数据校正。目前,先进的海洋环境要素观测设备一般都集成了温度、压力、浊度以及盐度传感器,在海底边界层长期观测过程中,设备传感器难免会出现一些无法预知的问题造成数据缺失或者测量数据明显不合理的情况,这种情况下这一时间段测得的数据就无法使用,可能会对科研或工程进程造成不利影响。
发明内容
为了弥补现有技术的不足,本发明提供了一种基于长短期记忆模型的海底边界层波动预测方法,用以解决海底边界层环境要素监测设备传感器损坏后数据缺失或不合理的问题。
本发明是通过如下技术方案实现的:一种基于长短期记忆模型的海底边界层波动预测方法,其特征在于,具体包括以下步骤:
步骤1:利用read.csv()函数读取测得的海底边界层观测到的海水环境要素包括温度、压力、浊度及盐度,并调用matplotlib包中的pyplot()函数进行绘图,得到海底边界层温度、压力、浊度以及盐度的数据图;
步骤2:利用MinMix方法及fit_transform()函数对步骤1中加载的数据进行特征标准化处理,得到处理后的大小在[0,1]的归一化数据;
步骤3:利用append()方法将所需要的输入和输出数据按照顺序拼接成监督学习数据的形式,并利用drop()方法多余的数据列删除,得到一组监督学习格式的数据;
步骤4:对步骤3中得到的监督数据进行切分为训练数据和验证数据,也可将训练数据和验证数据手动分割为两个不同的csv文件,划分监督数据的输入和输出,得到一组训练集和一组验证集;
步骤5:将步骤4中得到的训练集以及验证集均利用reshape()函数进行重塑型,得到具有样本、时间步长和特征三维向量的训练集和测试集;
步骤6:构建长短期记忆模型并进行参数调整,将训练集代入模型对模型进行训练,得到权重模型;
长短期记忆模型是循环神经网络的一种,其基于门控系统和记忆细胞完成工作,包括;
步骤7:将步骤5中得到的验证集输入步骤6得到的权重模型,对海底边界层欲进行预测的环境要素进行预测,得到输出数据的预测值,调用长短期记忆模型并利用验证集中的输入数据进行输出结果预测得到归一化的预测结果;
步骤8:利用pyplot()方法绘制步骤7中的模型损失趋势线,得到训练集和验证集的损失趋势线;
步骤9:利用inverse_transform()方法对预测值和实际验证值进行反转缩放,得到反归一化后的预测值和实际验证值,并利用 sqrt(mean_squared_error()) 函数计算出预测值和实际值之间的均方根误差;
步骤10:利用pyplot()方法绘制反归一化后的预测数据和验证集中的输出列进行对比。
作为优选方案,步骤1中,使用for循环将每一环境要素都绘制在一张图上,使用subplot() 函数设置图像的行数和列数,使用show() 函数展示图像并观察。
作为优选方案,步骤2中MinMax方法和fit_transform() 函数对特征进行标准化,归一化,可加快求解速度;数据经转化后会被收敛到[0,1]之间,具体转换公式为:
式中:max(x)和min(x)分别是训练集和测试集中的最大值和最小值,x是输入值,z是x的转换后的归一化值。
作为优选方案,步骤3中具体包括以下步骤:先定义监督学习函数series_to_supervised(),给定输入、输出序列的长度,该函数可自动将时间序列数据转型为适用于监督学习的数据,它的返回值为转型后适用于监督学习的数据帧,我们可以用新的数据帧来进行不同时间步长的时间序列预测;调用上述监督学习函数将数据转换为适用于监督学习的数据并用drop()函数将非输入列和非输出列删除。
作为优选方案,步骤4中训练数据指准确观测的海底边界层环境要素数据,验证数据指欲预测时间范围内的环境要素数据;输入为前一时间步的温度、压力、浊度及盐度的监督数据,输出为后一时间步的欲预测环境要素的监督数据;所述步骤5中样本大小为输入监督数据的行数;时间步长为两数据帧之间的时间间隔,可自行设计大小;特征为输入特征的个数。
作为优选方案,步骤8中调用pyplot() 函数绘制训练期间的训练和测试损失趋势线,验证模型训练效果,若训练损失和验证损失之间差距很大,意味着模型过拟合;若训练损失很大,意味着模型欠拟合;若训练损失和验证损失重叠或彼此接近,则意味着模型现在适合预测。
作为优选方案,步骤9中反转缩放是利用inverse_transform() 方法将归一化后的数据转换为实际数据;
方根误差是利用 sqrt(mean_squared_error()) 函数计算预测值和实测值之间的均方差,其计算过程如下:
作为优选方案,步骤10中将反归一化后的预测列和观测到的这一部分数据绘制在一张图上进行对比,若单纯进行预测而无这一部分观测数据则省略步骤10。
本发明由于采用了以上技术方案,与现有技术相比使其具有以下有益效果:本发明对已观测到的海底边界层温度、压力、浊度、盐度数据转化为监督数据之后再进行长短期记忆模型的训练,应用后期观测到的以上环境要素数据中的三种作为输入,得到另外一种环境要素的预测结果,以预测和验证结果的损失趋势线来表征模型的拟合效果,以均方根误差来表征预测准确程度。采用本发明可较准确地实现对海底边界层环境要素观测中传感器损坏后未测得数据的补充或不合理数据的校正。
本发明的附加方面和优点将在下面的描述部分中变得明显,或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1为本发明基于长短期记忆模型的海底边界层波动预测方法的流程图;
图2为长短期记忆模型简单结构图;
图3为已获取的海底边界层环境要素的训练集图像;
图4为海底边界层环境要素的验证集图像;
图5为训练集和验证集在模型训练期间的损失趋势线图;
图6为预测特征与验证集中测得的准确数据的对比图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
下面结合图1至图6对本发明的实施例的基于长短期记忆模型的海底边界层波动预测方法进行具体说明。
本发明提出了一种基于长短期记忆模型的海底边界层波动预测方法,如图1所示,具体包括以下步骤:
步骤1:利用read.csv()函数读取测得的海底边界层观测到的海水环境要素包括温度、压力、浊度及盐度,并调用matplotlib包中的pyplot()函数进行绘图,得到如图3和图4所示的海底边界层温度、压力、浊度以及盐度的数据图;以突出数据的波动特征;使用for循环将每一环境要素都绘制在一张图上,使用subplot() 函数设置图像的行数和列数,使用show() 函数展示图像并观察。
步骤2:利用MinMix方法及fit_transform()函数对步骤1中加载的数据进行特征标准化处理,得到处理后的大小在[0,1]的归一化数据;MinMax方法和fit_transform()函数对特征进行标准化,归一化,可加快求解速度;数据经转化后会被收敛到[0,1]之间,具体转换公式为:
式中:max(x)和min(x)分别是训练集和测试集中的最大值和最小值,x是输入值,z是x的转换后的归一化值。
步骤3:利用append()方法将所需要的输入和输出数据按照顺序拼接成监督学习数据的形式,并利用drop()方法多余的数据列删除,得到一组监督学习格式的数据;具体包括以下步骤:先定义监督学习函数series_to_supervised(),给定输入、输出序列的长度,该函数可自动将时间序列数据转型为适用于监督学习的数据,它的返回值为转型后适用于监督学习的数据帧,我们可以用新的数据帧来进行不同时间步长的时间序列预测;调用上述监督学习函数将数据转换为适用于监督学习的数据并用drop()函数将非输入列和非输出列删除。
步骤4:对步骤3中得到的监督数据进行切分为训练数据和验证数据,也可将训练数据和验证数据手动分割为两个不同的csv文件,划分监督数据的输入和输出,得到一组训练集和一组验证集;训练数据指准确观测的海底边界层环境要素数据,验证数据指欲预测时间范围内的环境要素数据;输入为前一时间步的温度、压力、浊度及盐度的监督数据,输出为后一时间步的欲预测环境要素的监督数据;
步骤5:将步骤4中得到的训练集以及验证集均利用reshape()函数进行重塑型,得到具有样本、时间步长和特征三维向量的训练集和测试集;样本大小为输入监督数据的行数;时间步长为两数据帧之间的时间间隔,可自行设计大小,但不宜过大;特征为输入特征的个数。
步骤6:构建长短期记忆模型并进行参数调整,将训练集代入模型对模型进行训练,得到权重模型;
长短期记忆模型是循环神经网络的一种,是普通循环神经网络的改进模型,能够有效解决循环神经网络中信息的长期依赖以及梯度爆炸问题,其基于门控系统和记忆细胞完成工作,基本结构如图2所示,包括;
步骤7:将步骤5中得到的验证集输入步骤6得到的权重模型,对海底边界层欲进行预测的环境要素进行预测,得到输出数据的预测值,调用长短期记忆模型并利用验证集中的输入数据进行输出结果预测得到归一化的预测结果;
步骤8:利用pyplot()方法绘制步骤7中的模型损失趋势线,得到训练集和验证集的损失趋势线,如图5所示;调用pyplot() 函数绘制训练期间的训练和测试损失趋势线,验证模型训练效果,若训练损失和验证损失之间差距很大,意味着模型过拟合;若训练损失很大,意味着模型欠拟合;若训练损失和验证损失重叠或彼此接近,则意味着模型现在适合预测。
步骤9:利用inverse_transform()方法对预测值和实际验证值进行反转缩放,得到反归一化后的预测值和实际验证值,并利用 sqrt(mean_squared_error()) 函数计算出预测值和实际值之间的均方根误差;
反转缩放是利用inverse_transform() 方法将归一化后的数据转换为实际数据;
方根误差是利用 sqrt(mean_squared_error()) 函数计算预测值和实测值之间的均方差,其计算过程如下:
步骤10:利用pyplot()方法绘制反归一化后的预测数据和验证集中的输出列进行对比,如图6所示。将反归一化后的预测列和观测到的这一部分数据绘制在一张图上进行对比,若单纯进行预测而无这一部分观测数据则省略步骤10。
在本发明的描述中,术语“多个”则指两个或两个以上,除非另有明确的限定,术语“上”、“下”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制;术语“连接”、“安装”、“固定”等均应做广义理解,例如,“连接”可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是直接相连,也可以通过中间媒介间接相连。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
在本说明书的描述中,术语“一个实施例”、“一些实施例”、“具体实施例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或实例。而且,描述的具体特征、结构、材料或特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于长短期记忆模型的海底边界层波动预测方法,其特征在于,具体包括以下步骤:
步骤1:利用read.csv()函数读取测得的海底边界层观测到的海水环境要素包括温度、压力、浊度及盐度,并调用matplotlib包中的pyplot()函数进行绘图,得到海底边界层温度、压力、浊度以及盐度的数据图;
步骤2:利用MinMix方法及fit_transform()函数对步骤1中加载的数据进行特征标准化处理,得到处理后的大小在[0,1]的归一化数据;
步骤3:利用append()方法将所需要的输入和输出数据按照顺序拼接成监督学习数据的形式,并利用drop()方法多余的数据列删除,得到一组监督学习格式的数据;
步骤4:对步骤3中得到的监督数据进行切分为训练数据和验证数据,也可将训练数据和验证数据手动分割为两个不同的csv文件,划分监督数据的输入和输出,得到一组训练集和一组验证集;
步骤5:将步骤4中得到的训练集以及验证集均利用reshape()函数进行重塑型,得到具有样本、时间步长和特征三维向量的训练集和测试集;
步骤6:构建长短期记忆模型并进行参数调整,将训练集代入模型对模型进行训练,得到权重模型;
所述长短期记忆模型是循环神经网络的一种,其基于门控系统和记忆细胞完成工作,包括;
步骤7:将步骤5中得到的验证集输入步骤6得到的权重模型,对海底边界层欲进行预测的环境要素进行预测,得到输出数据的预测值,调用长短期记忆模型并利用验证集中的输入数据进行输出结果预测得到归一化的预测结果;
步骤8:利用pyplot()方法绘制步骤7中的模型损失趋势线,得到训练集和验证集的损失趋势线;
步骤9:利用inverse_transform()方法对预测值和实际验证值进行反转缩放,得到反归一化后的预测值和实际验证值,并利用 sqrt(mean_squared_error()) 函数计算出预测值和实际值之间的均方根误差;
步骤10:利用pyplot()方法绘制反归一化后的预测数据和验证集中的输出列进行对比。
2.根据权利要求1所述的一种基于长短期记忆模型的海底边界层波动预测方法,其特征在于,所述步骤1中,使用for循环将每一环境要素都绘制在一张图上,使用subplot()函数设置图像的行数和列数,使用show() 函数展示图像并观察。
4.根据权利要求1所述的一种基于长短期记忆模型的海底边界层波动预测方法,其特征在于, 所述步骤3中具体包括以下步骤:先定义监督学习函数series_to_supervised(),给定输入、输出序列的长度,该函数可自动将时间序列数据转型为适用于监督学习的数据,它的返回值为转型后适用于监督学习的数据帧,我们可以用新的数据帧来进行不同时间步长的时间序列预测;调用上述监督学习函数将数据转换为适用于监督学习的数据并用drop()函数将非输入列和非输出列删除。
5.根据权利要求1所述的一种基于长短期记忆模型的海底边界层波动预测方法,其特征在于,所述步骤4中训练数据指准确观测的海底边界层环境要素数据,验证数据指欲预测时间范围内的环境要素数据;输入为前一时间步的温度、压力、浊度及盐度的监督数据,输出为后一时间步的欲预测环境要素的监督数据;所述步骤5中样本大小为输入监督数据的行数;时间步长为两数据帧之间的时间间隔,可自行设计大小;特征为输入特征的个数。
7.根据权利要求1所述的一种基于长短期记忆模型的海底边界层波动预测方法,其特征在于, 所述步骤8中调用pyplot() 函数绘制训练期间的训练和测试损失趋势线,验证模型训练效果,若训练损失和验证损失之间差距很大,意味着模型过拟合;若训练损失很大,意味着模型欠拟合;若训练损失和验证损失重叠或彼此接近,则意味着模型现在适合预测。
9.根据权利要求1所述的一种基于长短期记忆模型的海底边界层波动预测方法,其特征在于,所述步骤10中将反归一化后的预测列和观测到的这一部分数据绘制在一张图上进行对比,若单纯进行预测而无这一部分观测数据则省略步骤10。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210409205.XA CN114818486A (zh) | 2022-04-19 | 2022-04-19 | 一种基于长短期记忆模型的海底边界层波动预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210409205.XA CN114818486A (zh) | 2022-04-19 | 2022-04-19 | 一种基于长短期记忆模型的海底边界层波动预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114818486A true CN114818486A (zh) | 2022-07-29 |
Family
ID=82506482
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210409205.XA Pending CN114818486A (zh) | 2022-04-19 | 2022-04-19 | 一种基于长短期记忆模型的海底边界层波动预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114818486A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116486305A (zh) * | 2023-04-27 | 2023-07-25 | 中国海洋大学 | 一种基于图像识别的深海悬浮颗粒物浓度预测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111222677A (zh) * | 2019-10-22 | 2020-06-02 | 浙江运达风电股份有限公司 | 一种基于长短期记忆时间神经网络的风速预测方法及系统 |
CN111563706A (zh) * | 2020-03-05 | 2020-08-21 | 河海大学 | 一种基于lstm网络的多变量物流货运量预测方法 |
US20210117796A1 (en) * | 2020-12-01 | 2021-04-22 | Harbin Engineering University | Ship Motion Prediction Method Based on Long Short-Term Memory Network and Gaussian Process Regression |
-
2022
- 2022-04-19 CN CN202210409205.XA patent/CN114818486A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111222677A (zh) * | 2019-10-22 | 2020-06-02 | 浙江运达风电股份有限公司 | 一种基于长短期记忆时间神经网络的风速预测方法及系统 |
CN111563706A (zh) * | 2020-03-05 | 2020-08-21 | 河海大学 | 一种基于lstm网络的多变量物流货运量预测方法 |
US20210117796A1 (en) * | 2020-12-01 | 2021-04-22 | Harbin Engineering University | Ship Motion Prediction Method Based on Long Short-Term Memory Network and Gaussian Process Regression |
Non-Patent Citations (1)
Title |
---|
冯春健 等: "波致海床瞬态液化对再悬浮贡献率的深度学习预测方法", 《工程地质学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116486305A (zh) * | 2023-04-27 | 2023-07-25 | 中国海洋大学 | 一种基于图像识别的深海悬浮颗粒物浓度预测方法 |
CN116486305B (zh) * | 2023-04-27 | 2023-11-21 | 中国海洋大学 | 一种基于图像识别的深海悬浮颗粒物浓度预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101630376B (zh) | 多模型神经网络的生物发酵过程软测量建模方法及软仪表 | |
CN107944648B (zh) | 一种大型船舶航速油耗率预测方法 | |
CN110781592B (zh) | 一种设备剩余寿命的预测方法及系统 | |
CN113547919B (zh) | 一种燃料电池车远程故障监测方法及系统 | |
CN114818486A (zh) | 一种基于长短期记忆模型的海底边界层波动预测方法 | |
CN113505926B (zh) | 一种基于阻抗预测模型自更新的燃料电池故障预测方法 | |
CN115169733B (zh) | 基于深度学习的内孤立波对深海沉积物再悬浮量预测方法 | |
CN115983084A (zh) | 一种燃料电池剩余使用寿命预测方法、系统、设备及终端 | |
CN110780164A (zh) | 基于yolo的绝缘子红外故障定位诊断方法及装置 | |
CN112132394B (zh) | 一种电厂循环水泵预测性状态评估方法及系统 | |
CN114519311A (zh) | 全港池波浪有效波高的预测方法、系统、存储介质、应用 | |
Li et al. | An LSTM and ANN fusion dynamic model of a proton exchange membrane fuel cell | |
CN111044926A (zh) | 质子交换膜燃料电池寿命预测方法 | |
CN112348290A (zh) | 河流水质预测方法、装置、存储介质及设备 | |
CN116341358A (zh) | 一种结合深度学习的大型浮标运动响应与锚泊张力预测方法 | |
CN115291124A (zh) | 一种容量预测方法及装置 | |
CN115982534A (zh) | 一种江河水文监测数据的处理方法 | |
Klass et al. | Lifelong performance monitoring of PEM fuel cells using machine learning models | |
Ma et al. | Remaining useful life transfer prediction and cycle life test optimization for different formula Li-ion power batteries using a robust deep learning method | |
CN113408190A (zh) | 基于Bayes-LSTM模型的公路隧道施工期围岩变形预测方法 | |
CN117372854A (zh) | 一种大坝深水结构隐患病害实时检测方法 | |
CN115618732B (zh) | 核反应堆数字孪生关键参数自主优化数据反演方法 | |
CN112132324A (zh) | 一种基于深度学习模型的超声波水表数据修复方法 | |
CN112215421A (zh) | 一种基于生成对抗网络的深度学习水质指标预测方法 | |
CN114715331B (zh) | 一种浮式海洋平台动力定位控制方法及系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220729 |