CN115828758B - 基于改进烟花算法优化网络的海水三维预测方法及系统 - Google Patents
基于改进烟花算法优化网络的海水三维预测方法及系统 Download PDFInfo
- Publication number
- CN115828758B CN115828758B CN202211601892.1A CN202211601892A CN115828758B CN 115828758 B CN115828758 B CN 115828758B CN 202211601892 A CN202211601892 A CN 202211601892A CN 115828758 B CN115828758 B CN 115828758B
- Authority
- CN
- China
- Prior art keywords
- water quality
- network
- variable
- deep learning
- seawater
- 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.)
- Active
Links
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A20/00—Water conservation; Efficient water supply; Efficient water use
- Y02A20/152—Water filtration
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于改进烟花算法优化网络的海水三维预测方法及系统,包括,获取原始水质数据,通过主成分分析算法对原始水质数据进行降维,得到主成分变量,通过互信息分析对主成分变量进行分析,得到水质变量;构建深度学习网络,其中所述深度学习网络包括BLSTM网络及transformer模块;通过改进烟花算法对BLSTM网络进行初始化,得到初始深度学习网络,通过水质变量对初始深度学习网络进行训练及学习,得到优化后的深度学习网络;通过优化后的深度学习网络对实测海水水质数据进行预测,得到未来海水水质数据以实现海水三维预测。
Description
技术领域
本发明涉及深度学习技术领域,特别涉及基于改进烟花算法优化网络的海水三维预测方法及系统。
背景技术
在陆地资源不足,特别是能源紧张的情况下,人类渔业生产必须依赖于水域环境的自然资源,特别是海洋。随着人类社会快速发展,海洋污染情况越来越严重,海水养殖是世界水产品的需求。我国水产养殖发展迅速,养殖产量连续二十多年居世界第一,占全球产量近七成,为我国人民提供了1/3的优质动物蛋白。以湛江养殖水质为例,程海鸥等对湛江湾水质富营养化进行了全方位的深入研究,发现无机氮和活性磷酸盐磷含量迅速上升间接导致海水富营养化异常严重,这对海水养殖危害极大。同时,近几年工业污染导致水质变差,严重影响水产品数量和质量。因此,建立一种精准水质三维预测模型,为养殖户揭示不同水层的水质变化趋势以及水质监测提供指导,对提高水质质量和水产品产量具有重要工程意义。
目前,已有部分研究学者构建三维海水水质预测模型,对不同层水质参数含量进行预测。Chen等分别提出了K-means-SC-RBF预测模型和PSO-BP-Kriging预测模型对次表层溶解氧含量进行预测,前一个预测模型较后一个预测模型具有较高的预测精准度,运行时间为1.028s,这也表明该模型具有较高的训练效率,对气象因素加以考虑,但不作为模型的输入参数,揭示了次表层不同区域溶解氧含量的变化。Cao等构建RS-GBRT预测模型,对次表层溶解氧含量进行预测,实验结果表明,该模型的MSE、MAE和RMSE分别为0.121,0.219和0.348,揭示了次表层的20cm、40cm和60cm的溶解氧变化,20m处的溶解氧变化与气象因素相关,溶解氧含量较高,40m处的溶解氧变化与天气和水生植物的光合作用密切相关,60m处的溶解氧变化与水生植物光合作用相关。Liu等构建三维循环模型,对水表层水温进行三维预测,研究结果表明,三维循环模型对表层水温的预测精准度达到97%,RMSE和MAE分别为0.44和0.39,对水表以下水温的预测精准度达到90%,RMSE和MAE分别为0.48和0.42。表层水温呈现日变化,由于阳光无法透过深层水层,水表以下1m、2m和3m处水温变化不大。上述研究仅对淡水水质参数含量进行三维预测,还未对气象等因素加以考虑,所研究目标参数为单一参数,而水质受多个参数影响。为了构建海水水质三维预测模型,Zhang等为了解决传统方法仅限于某些孤立点的时间序列预测以及不同方向空间联系的相关问题,构建M-ConvLSTM预测模型对水表层、次表层和水中层的三维海洋温度进行预测,实验结果表明,M-ConvLSTM预测模型对表层海洋温度的预测精度达到99.94%,深层海洋温度预测精度达到84.48%,上层的水质预测精准度优于深层,这可能是由于深层的变化小于上层的变化。水表层海洋温度在5-25范围之间变化,次表层海洋温度在4-12范围之间变化,水中层的1000m处的海洋温度在3-4.5的范围之间变化,位于2 000m处的海洋温度在1.8-2.2范围之间变化。
研究学者解决了部分不同层海水水质三维预测研究的相关问题,但还存在一些有待完善的几个方面,如各个时间序列水质多参数三维预测、气象因素的加入、预测精准度的提高等。
发明内容
为解决上述现有技术中所存在的模型对不同层水质的预测精准不足的问题,本发明提供了基于改进烟花算法优化网络的海水三维预测方法及系统,提高海水水质三维预测精准度,将对输出参数影响的外部属性纳入到模型中,对输入参数数据进行处理,剔除不相关水质参数和气象参数,优化深度学习网络中超参数来提高不同层海水水质三维预测精准度。
为了实现上述技术目的,本发明提供了如下技术方案:基于改进烟花算法优化网络的海水三维预测方法,包括:
获取原始水质数据,通过主成分分析算法对原始水质数据进行降维,得到主成分变量,通过互信息分析对主成分变量进行分析,得到水质变量;
构建深度学习网络,其中所述深度学习网络包括BLSTM网络及transformer模块;通过改进烟花算法对BLSTM网络进行初始化,得到初始深度学习网络,通过水质变量对初始深度学习网络进行训练及学习,得到优化后的深度学习网络;通过优化后的深度学习网络对实测海水水质数据进行预测,得到未来海水水质数据以实现海水三维预测。
可选的,所述原始水质数据包括气象参数、水质参数及三维坐标数据。
可选的,水质变量的获取过程包括:将所述主成分变量转换为线性不相关变量,将线性不相关变量进行正交,对正交后的变量进行筛选,得到保留变量,统计所述保留变量与深度学习网络的输出参数的互信息,基于互信息评价所述保留变量与输出参数间的非线性关系,基于非线性关系,对保留变量进行筛选,得到水质变量。
可选的,所述改进烟花算法为在标准烟花算法基础上引入微分分量的算法,通过改进烟花算法对所述BLSTM网络中的隐藏层数神经元数、学习率及训练次数的超参数进行初始化。
可选的,transformer模块包括编码器及解码器,其中编码器包括基于掩码的多头注意力层、正则化层、多头注意力层及全连接神经网络和正则化层;所述解码器包括多头注意力层、全连接神经网络和正则化层,解码器的全连接神经网络和正则化层的输出连接于编码器的多头注意力层,所述编码器的输出连接有全连接输出层,所述解码器的输入为BLSTM网络的输出。
为了更好的实现上述技术目的,本发明还提供了基于改进烟花算法优化网络的海水三维预测系统,包括:
预处理模块、计算模块、优化模块、预测模块;
预处理模块用于获取原始水质数据,通过主成分分析算法对原始水质数据进行降维,得到主成分变量;
计算模块用于通过互信息分析对主成分变量进行分析,得到水质变量;
预测模块用于构建深度学习网络,其中所述深度学习网络包括BLSTM网络及transformer模块;并采用优化模块通过改进烟花算法对BLSTM网络进行初始化,得到初始深度学习网络,通过水质变量对初始深度学习网络进行训练及学习,得到优化后的深度学习网络;通过优化后的深度学习网络对实测海水水质数据进行预测,得到未来海水水质数据以实现海水三维预测。
可选的,预处理模块中,所述原始水质数据包括气象参数、水质参数及三维坐标数据。
可选的,计算模块包括第一计算模块,其中第一计算模块用于将所述主成分变量转换为线性不相关变量,将线性不相关变量进行正交,对正交后的变量进行筛选,得到保留变量,统计所述保留变量与深度学习网络的输出参数的互信息,基于互信息评价所述保留变量与输出参数间的非线性关系,基于非线性关系,对保留变量进行筛选,得到水质变量。
可选的,优化模块中的所述改进烟花算法为在标准烟花算法基础上引入微分分量的算法,通过改进烟花算法对所述BLSTM网络中的隐藏层数神经元数、学习率及训练次数的超参数进行初始化。
可选的,预测模块中的transformer模块包括编码器及解码器,其中编码器包括基于掩码的多头注意力层、正则化层、多头注意力层及全连接神经网络和正则化层;所述解码器包括多头注意力层、全连接神经网络和正则化层,解码器的全连接神经网络和正则化层的输出连接于编码器的多头注意力层,所述编码器的输出连接有全连接输出层,所述解码器的输入为BLSTM网络的输出。
本发明具有如下技术效果:
1)提高对不同层海水水质时间序列和空间序列参数特征信息提取率。
2)将气象因素和其他水质因素加以考虑,利用PCA算法结合互信息对输入参数数据进行处理,能够降低水质参数维度,筛选出与输出参数相关性强的参数作为模型的训练和学习,能够获得最佳预测性能。
3)利用智能算法优化网络中超参数,使网络获得超参数最优值,从而提高模型的预测性能。
4)提高对不同层水质时间序列和空间序列多参数的预测精准度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的预测模型流程示意图;
图2为本发明实施例提供的输入模块示意图;
图3为本发明实施例提供的特征提取模块和优化模块示意图;
图4为本发明实施例提供的输出模块示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
针对现有技术中不同层海水水质三维预测待完善的几个方面,本发明进一步提出基于改进烟花算法优化transformer-BLSTM网络的海水水质三维预测模型来解决上述不足。在现有研究学者已有研究成果基础上,将PCA算法和互信息结合来对水质进行降维和特征选择,对烟花算法进行改进(IFWA)以及融合transformer和BLSTM网络,能够很好的优化网络超参数和提取多参数之间的特征,为提高不同层海水水质多参数三维预测模型的预测精准度提供思路,揭示不同层水质参数含量在时间序列和空间序列的变化趋势。
如图1所述,本发明提供了基于改进烟花算法优化transformer-BLSTM的海水三维预测模型,包括:
1.利用PCA算法对原始水质数据Xe Rn×p进行预处理,生成的主成分P将水质变量转化为几个线性不相关的变量,再将这些主成分进行正交,保留包含原始水质大部分信息的变量,运用互信息来评价所保留的水质参数与输出参数的非线性关系,选择相关性较大的水质变量作为模型的输入,即为X′。
2.将处理后的原始数据X′作为BLSTM的输入,BLSTM网络对水质数据进行训练和学习,在学习过程总通过融合层(fusion layer)与之前隐藏状态拼接之后,得到的Hlsmt。
3.在BLSTM网络训练之前,利用改进烟花算法对BLSTM中隐藏层数神经元数h、学习率lr、训练次数bt的超参数进行初始化,通过网络训练和学习,并对比目标函数是否达到预期结果,最后获得网络中超参数的最优值。
4.利用优化模块中输出的隐藏层数神经元数h、学习率lr、训练次数bt所构建的BLSTM对水质数据进行训练和学习得出Hlstm,将其输入到transformer编码器,transformer编码器所获得编码信息矩阵C应用于tansformer编码器的第二个多头注意力机制所需要向量V和K,来对水质关键参数进行预测。tansformer编码器与解码器不同在于多加了第一个掩码多头注意力层,该层主要为了使得解码器不能看见未来信息,由于训练的时候每次都是将目标数据完整的输入到解码层,因此,需要增加该层来把当前序列之后信息隐藏起来,来对未来信息进行预测。
目前研究学者对海水三维预测模型的相关研究不足,特别是模型对不同层水质的预测精准问题,本发明主要目的是为了提高海水水质三维预测精准度,将对输出参数影响的外部属性纳入到模型中,对输入参数数据进行处理,剔除不相关水质参数和气象参数,优化深度学习网络中超参数来提高不同层海水水质三维预测精准度。一种基于改进烟花算法优化transformer-BLSTM的海水三维预测模型,如图1、2、3、4所示,包括PCA算法模块、互信息算法模块、改进烟花算法模块、BLSTM网络模块、trandfomer模块;
所述PCA算法用于筛选海水水质关键参数,以及分析出气象因素与输出参数的相关性,减少与水质关键参数相关性不大的其他物理、气象因素或水质因素的干扰;
所述互信息算法用于分析水质关键参数与输出参数的非线性关系,将选择相关性大的水质参数作为模型的训练和学习。
所述改进烟花算法用于优化BLSTM中超参数,获得超参数最优值。
所述BLSTM模块用于对水质参数特征的学习和训练,从而获得隐藏状态H。
所述transformer模块用于关注隐藏状态H更多的水质信息,将训练好的模型对不同层水质参数序列进行预测。
作为一些实施例,改进烟花算法主要在标准烟花算法的基础上引入微分分量。
作为一些实施例,水质关键参数和输出参数为海水水质参数。
作为一些实施例,海水水质指定为湛江徐闻某海域水质。
作为一些实施例,不同层水质分为水表层、水中层和水深层。
作为一些实施例,海水水质关键参数为化学需氧量、氨氮、盐度、硝酸盐氮、铅、非离子氮、水温和砷,输出参数为无机氮、pH值和活性磷酸盐,气象因素为降雨、风速、风向、太阳辐射、空气温度、湿度和气压,预测序列为时间序列和空间序列。
实施例二
为了更好的实现上述技术目的,本发明还提供了基于改进烟花算法优化网络的海水三维预测系统,包括:
预处理模块、计算模块、优化模块、预测模块;
预处理模块用于获取原始水质数据,通过主成分分析算法对原始水质数据进行降维,得到主成分变量,
计算模块用于通过互信息分析对主成分变量进行分析,得到水质变量;
预测模块用于构建深度学习网络,其中所述深度学习网络包括BLSTM网络及transformer模块;并采用优化模块通过改进烟花算法对BLSTM网络进行初始化,得到初始深度学习网络,通过水质变量对初始深度学习网络进行训练及学习,得到优化后的深度学习网络;通过优化后的深度学习网络对实测海水水质数据进行预测,得到未来海水水质数据以实现海水三维预测。该系统与方法内容相对应此处不做赘述。
以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (8)
1.基于改进烟花算法优化网络的海水三维预测方法,其特征在于,包括:
获取原始水质数据,通过主成分分析算法对原始水质数据进行降维,得到主成分变量,通过互信息分析对主成分变量进行分析,得到水质变量;其中,水质变量的获取过程包括:将所述主成分变量转换为线性不相关变量,将线性不相关变量进行正交,对正交后的变量进行筛选,得到保留变量,统计所述保留变量与深度学习网络的输出参数的互信息,基于互信息评价所述保留变量与输出参数间的非线性关系,基于非线性关系,对保留变量进行筛选,得到水质变量;
构建深度学习网络,其中所述深度学习网络包括BLSTM网络及transformer模块;其中,所述BLSTM网络对水质数据进行训练和学习,从而获得隐藏状态H;所述transformer模块用于关注隐藏状态H更多的水质信息,将训练好的模型对不同层水质参数序列进行预测;
通过改进烟花算法对BLSTM网络进行初始化,得到初始深度学习网络,通过水质变量对初始深度学习网络进行训练及学习,得到优化后的深度学习网络;通过优化后的深度学习网络对实测海水水质数据进行预测,得到未来海水水质数据以实现海水三维预测,所述改进烟花算法为在标准烟花算法基础上引入微分分量的算法。
2.根据权利要求1所述的海水三维预测方法,其特征在于:
所述原始水质数据包括气象参数、水质参数及三维坐标数据。
3.根据权利要求1所述的海水三维预测方法,其特征在于:
通过改进烟花算法对所述BLSTM网络中的隐藏层数神经元数、学习率及训练次数的超参数进行初始化。
4.根据权利要求1所述的海水三维预测方法,其特征在于:
transformer模块包括编码器及解码器,其中编码器包括基于掩码的多头注意力层、正则化层、多头注意力层及全连接神经网络和正则化层;所述解码器包括多头注意力层、全连接神经网络和正则化层,解码器的全连接神经网络和正则化层的输出连接于编码器的多头注意力层,所述编码器的输出连接有全连接输出层,所述解码器的输入为BLSTM网络的输出。
5.基于改进烟花算法优化网络的海水三维预测系统,其特征在于,包括:
预处理模块、计算模块、优化模块、预测模块;
预处理模块用于获取原始水质数据,通过主成分分析算法对原始水质数据进行降维,得到主成分变量;
计算模块用于通过互信息分析对主成分变量进行分析,得到水质变量;其中,计算模块包括第一计算模块,第一计算模块用于将所述主成分变量转换为线性不相关变量,将线性不相关变量进行正交,对正交后的变量进行筛选,得到保留变量,统计所述保留变量与深度学习网络的输出参数的互信息,基于互信息评价所述保留变量与输出参数间的非线性关系,基于非线性关系,对保留变量进行筛选,得到水质变量;
预测模块用于构建深度学习网络,其中所述深度学习网络包括BLSTM网络及transformer模块,其中,所述BLSTM网络对水质数据进行训练和学习,从而获得隐藏状态H;所述transformer模块用于关注隐藏状态H更多的水质信息,将训练好的模型对不同层水质参数序列进行预测;
并采用优化模块通过改进烟花算法对BLSTM网络进行初始化,得到初始深度学习网络,通过水质变量对初始深度学习网络进行训练及学习,得到优化后的深度学习网络;通过优化后的深度学习网络对实测海水水质数据进行预测,得到未来海水水质数据以实现海水三维预测,所述改进烟花算法为在标准烟花算法基础上引入微分分量的算法。
6.根据权利要求5所述的海水三维预测系统,其特征在于:
预处理模块中,所述原始水质数据包括气象参数、水质参数及三维坐标数据。
7.根据权利要求5所述的海水三维预测系统,其特征在于:
所述优化模块中的所述改进烟花算法为在标准烟花算法基础上引入微分分量的算法,通过改进烟花算法对所述BLSTM网络中的隐藏层数神经元数、学习率及训练次数的超参数进行初始化。
8.根据权利要求5所述的海水三维预测系统,其特征在于:
所述预测模块中的transformer模块包括编码器及解码器,其中编码器包括基于掩码的多头注意力层、正则化层、多头注意力层及全连接神经网络和正则化层;所述解码器包括多头注意力层、全连接神经网络和正则化层,解码器的全连接神经网络和正则化层的输出连接于编码器的多头注意力层,所述编码器的输出连接有全连接输出层,所述解码器的输入为BLSTM网络的输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211601892.1A CN115828758B (zh) | 2022-12-13 | 2022-12-13 | 基于改进烟花算法优化网络的海水三维预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211601892.1A CN115828758B (zh) | 2022-12-13 | 2022-12-13 | 基于改进烟花算法优化网络的海水三维预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115828758A CN115828758A (zh) | 2023-03-21 |
CN115828758B true CN115828758B (zh) | 2023-08-25 |
Family
ID=85547103
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211601892.1A Active CN115828758B (zh) | 2022-12-13 | 2022-12-13 | 基于改进烟花算法优化网络的海水三维预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115828758B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117455718A (zh) * | 2023-11-24 | 2024-01-26 | 广东海洋大学 | 基于ae-ics优化cnn-rbf的水质预测方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20180065498A (ko) * | 2016-12-08 | 2018-06-18 | 한국항공대학교산학협력단 | 딥 신경망 학습 방법 및 그를 이용한 다음 예측 영상 생성 방법 |
CN109388774A (zh) * | 2018-07-06 | 2019-02-26 | 国家电投集团河南电力有限公司技术信息中心 | 一种基于对比法的火电厂NOx预测模型变量特征提取方法 |
CN111310968A (zh) * | 2019-12-20 | 2020-06-19 | 西安电子科技大学 | 一种基于互信息的lstm神经网络循环水文预报方法 |
CN112653142A (zh) * | 2020-12-18 | 2021-04-13 | 武汉大学 | 优化深度Transformer网络的风电功率预测方法及系统 |
CN112884056A (zh) * | 2021-03-04 | 2021-06-01 | 河北工程大学 | 基于优化的lstm神经网络的污水水质预测方法 |
CN113971424A (zh) * | 2020-07-22 | 2022-01-25 | 中国科学院沈阳计算技术研究所有限公司 | 一种基于自编码器降维结合聚类的水质点位优化的方法 |
CN114218870A (zh) * | 2021-12-22 | 2022-03-22 | 大连理工大学 | 一种基于变分模态分解与注意力机制的风速预测方法 |
CN114662788A (zh) * | 2022-04-19 | 2022-06-24 | 广东海洋大学 | 一种海水水质三维时空序列多参数精准预测方法及系统 |
CN115455817A (zh) * | 2022-09-06 | 2022-12-09 | 云南大学 | 基于深度学习的短期径流量水文预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7059151B2 (ja) * | 2018-09-12 | 2022-04-25 | 株式会社日立製作所 | 時系列データ分析装置、時系列データ分析方法、および時系列データ分析プログラム |
-
2022
- 2022-12-13 CN CN202211601892.1A patent/CN115828758B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20180065498A (ko) * | 2016-12-08 | 2018-06-18 | 한국항공대학교산학협력단 | 딥 신경망 학습 방법 및 그를 이용한 다음 예측 영상 생성 방법 |
CN109388774A (zh) * | 2018-07-06 | 2019-02-26 | 国家电投集团河南电力有限公司技术信息中心 | 一种基于对比法的火电厂NOx预测模型变量特征提取方法 |
CN111310968A (zh) * | 2019-12-20 | 2020-06-19 | 西安电子科技大学 | 一种基于互信息的lstm神经网络循环水文预报方法 |
CN113971424A (zh) * | 2020-07-22 | 2022-01-25 | 中国科学院沈阳计算技术研究所有限公司 | 一种基于自编码器降维结合聚类的水质点位优化的方法 |
CN112653142A (zh) * | 2020-12-18 | 2021-04-13 | 武汉大学 | 优化深度Transformer网络的风电功率预测方法及系统 |
CN112884056A (zh) * | 2021-03-04 | 2021-06-01 | 河北工程大学 | 基于优化的lstm神经网络的污水水质预测方法 |
CN114218870A (zh) * | 2021-12-22 | 2022-03-22 | 大连理工大学 | 一种基于变分模态分解与注意力机制的风速预测方法 |
CN114662788A (zh) * | 2022-04-19 | 2022-06-24 | 广东海洋大学 | 一种海水水质三维时空序列多参数精准预测方法及系统 |
CN115455817A (zh) * | 2022-09-06 | 2022-12-09 | 云南大学 | 基于深度学习的短期径流量水文预测方法 |
Non-Patent Citations (1)
Title |
---|
Xie Z,et al..A PCA-EEMD-CNN-Attention-GRU-Encoder-Decoder Accurate Prediction Model for Key Parameters of Seawater Quality in Zhanjiang Bay.Materials.2022,第1-17页. * |
Also Published As
Publication number | Publication date |
---|---|
CN115828758A (zh) | 2023-03-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hu et al. | A method overview in smart aquaculture | |
CN110059758B (zh) | 一种基于语义分割的遥感影像养殖塘检测方法 | |
JP2022191176A (ja) | Steof-lstmに基づく海洋環境要素予測方法 | |
CN115293415A (zh) | 计及时间演变和空间相关的多风电场短期功率预测方法 | |
CN107169621A (zh) | 一种水体溶解氧预测方法及装置 | |
CN106855957A (zh) | 基于相似日和最小二乘支持向量机的工厂母线负荷预测 | |
CN115828758B (zh) | 基于改进烟花算法优化网络的海水三维预测方法及系统 | |
CN110751318A (zh) | 一种基于ipso-lstm的超短期电力负荷预测方法 | |
Liu et al. | Prediction of dissolved oxygen content in aquaculture of Hyriopsis cumingii using Elman neural network | |
Cao et al. | Prediction of dissolved oxygen content in aquaculture based on clustering and improved ELM | |
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 | |
CN114297907A (zh) | 温室环境空间分布预测方法及装置 | |
CN113011397A (zh) | 基于遥感图像4D-FractalNet的多因素蓝藻水华预测方法 | |
CN110119086A (zh) | 一种基于anfis神经网络的番茄温室环境参数智能监测装置 | |
CN116822381B (zh) | 一种基于人工智能的海洋温盐结构反演方法 | |
CN115456245A (zh) | 一种感潮河网区溶解氧预测方法 | |
CN114077931A (zh) | 一种养殖池塘中溶解氧含量的预测方法 | |
CN109726857A (zh) | 基于GA-Elman网络的蓝藻水华预测方法 | |
Mu et al. | PIRT: A physics-informed red tide deep learning forecast model considering causal-inferred predictors selection | |
CN114782740A (zh) | 结合遗传优化与极端梯度提升的遥感水质监测方法 | |
CN116611580A (zh) | 一种基于多源数据与深度学习的海洋赤潮预测方法 | |
CN116703638A (zh) | 大棚蔬菜种植管理系统及其方法 | |
Xia et al. | Environmental factor assisted chlorophyll-a prediction and water quality eutrophication grade classification: A comparative analysis of multiple hybrid models based on a SVM | |
Li et al. | Smoothed deep neural networks for marine sensor data prediction | |
Mendigoria et al. | In Situ Indirect Measurement of Nitrate Concentration in Outdoor Tilapia Fishpond Based on Physico-limnological Sensors |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |