CN112365093A - 一种基于gru深度学习的多特征因子赤潮预测模型 - Google Patents
一种基于gru深度学习的多特征因子赤潮预测模型 Download PDFInfo
- Publication number
- CN112365093A CN112365093A CN202011392717.7A CN202011392717A CN112365093A CN 112365093 A CN112365093 A CN 112365093A CN 202011392717 A CN202011392717 A CN 202011392717A CN 112365093 A CN112365093 A CN 112365093A
- Authority
- CN
- China
- Prior art keywords
- red tide
- prediction model
- gru
- characteristic
- factor
- 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
- 238000013135 deep learning Methods 0.000 title claims abstract description 14
- 238000012549 training Methods 0.000 claims abstract description 24
- 238000012544 monitoring process Methods 0.000 claims abstract description 19
- 238000000034 method Methods 0.000 claims abstract description 17
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 8
- 229930002875 chlorophyll Natural products 0.000 claims description 7
- 235000019804 chlorophyll Nutrition 0.000 claims description 7
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 claims description 7
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 5
- 238000003062 neural network model Methods 0.000 claims description 5
- 229910052760 oxygen Inorganic materials 0.000 claims description 5
- 239000001301 oxygen Substances 0.000 claims description 5
- 230000007613 environmental effect Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 229920006395 saturated elastomer Polymers 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000002790 cross-validation Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000013502 data validation Methods 0.000 claims description 2
- 238000012217 deletion Methods 0.000 claims description 2
- 230000037430 deletion Effects 0.000 claims description 2
- 239000006185 dispersion Substances 0.000 claims 1
- 238000010219 correlation analysis Methods 0.000 abstract description 3
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000002596 correlated effect Effects 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 241000288105 Grus Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- HAPOVYFOVVWLRS-UHFFFAOYSA-N ethosuximide Chemical compound CCC1(C)CC(=O)NC1=O HAPOVYFOVVWLRS-UHFFFAOYSA-N 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于GRU深度学习的多特征因子赤潮预测模型，包括以下步骤：S1、对采集到的监测要素进行预处理，得到标准化训练样本；S2，采用Pearson相关系数法分析标准化训练样本与赤潮的关联性，得到赤潮灾害形成的主要特征影响因子；S3、依据主要特征影响因子，形成多组合特征因子，构建GRU预测模型，通过多组合特征因子训练模型；S4、对训练好的GRU预测模型进行评估。通过采用Pearson相关系数方法开展各要素与赤潮间关联分析，得到赤潮灾害形成的主要特征影响因子，剔除与赤潮发生关联度较低特征影响因子，以多组合特征因子为输入变量，构建基于多特征因子组合的赤潮预测模型，形成基于多特征因子的GRU网络赤潮预测模型。
Description
技术领域
本发明涉及网络模型预测技术领域，更具体的说是涉及一种基于GRU深度学习的多特征因子赤潮预测模型。
背景技术
目前，随着计算机软件技术、人工智能的迅猛发展，已有多位学者利用各种数学模型、神经网络算法定量的开展赤潮预测研究。Suho Bak等提出了一种利用机器学***均(IOWA)算子与人工神经网络(LMBP)算法的赤潮组合预测模型。
但是，这些研究方法存在两个问题：首先基于传统BP神经网络建立赤潮预测模型的研究较多，然而BP神经网络存在学习过程收敛速度慢、学习率也不太稳定等问题；其次，目前的赤潮研究大多以水体叶绿素浓度预测来反映赤潮的发生，叶绿素虽然是影响赤潮发生的主要因子，但是直接用叶绿素单因子来表征赤潮不够全面。
因此，获得一种结构更简单、收敛速度更快、效果更好的赤潮预测模型是本领域技术人员亟需解决的问题。
发明内容
有鉴于此，本发明提供了一种基于GRU深度学习的多特征因子赤潮预测模型，通过采用Pearson相关系数方法开展各要素与赤潮间关联分析，得到赤潮灾害形成的主要特征影响因子，剔除与赤潮发生关联度较低特征影响因子，以多组合特征因子为输入变量，构建基于多特征因子组合的赤潮预测模型，形成基于多特征因子的GRU网络赤潮预测模型。
为了实现上述目的，本发明采用如下技术方案：
一种基于GRU深度学习的多特征因子赤潮预测模型，包括以下步骤：
S1、对采集到的监测要素进行预处理，得到标准化训练样本；
S2，采用Pearson相关系数法分析标准化训练样本与赤潮的关联性，得到赤潮灾害形成的主要特征影响因子；
S3、依据主要特征影响因子，形成多组合特征因子，构建GRU预测模型，通过多组合特征因子训练模型；
S4、对训练好的GRU预测模型进行评估。
优选的，所述步骤S1具体包括：
S11、对监测要素的缺失数据进行处理，采用删除法删除缺失值；
S12、对删除后的监测要素数据进行归一化处理，采用离查标准化进行数据转换，
其中，X为特征因子数据，Xmin为特征因子数据的最小值，Xmax为特征因子数据的最大值，X'为特征因子数据进行归一化后得到的数据。
优选的，所述步骤S2具体包括：
S21、输入海洋环境监测要素，包括温度、盐度、饱和溶解氧、溶解氧、叶绿素、浊度、PH值、潮汐、风速、风向、气温和气压；
S22、计算检测要素强弱相关程度，公式如下：
其中n为监测要素总数，i为数据中某一时刻书，xi和yi为第i个要素样本，r为关联系数，r的取值范围为[-1,+1]。
优选的，所述步骤S3具体包括：
S31、将筛选后的特征因子和赤潮是否发生数据整合；
S32、构建GRU网络模型，GRU网络向前传播计算公式为：
zt＝σ(WZ·[ht-1,xt]) (3)
rt＝σ(Wr·[ht-1,xt]) (4)
其中，WZ，
为权重矩阵，σ为激活函数，xt为当前时刻的单元输入，rt重置门的输出，zt为更新门的输出，
为候选隐藏层，ht为当前单元输出；
S33、对神经网络模型参数进行设置，确定损失函数、优化器的模型指标参数；
S34、对环境参数进行拟合训练，确定训练次数，批训练的数据个数和交叉验证参数。
优选的，所述步骤S4具体包括：
S41、对训练好的模型进行评估，验证模型预测精度；
S42、采用不同特征因子组合、不同神经网络模型，对训练好的模型进行对比验证。
经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种基于GRU深度学习的多特征因子赤潮预测模型，通过采用Pearson相关系数方法开展各要素与赤潮间关联分析，得到赤潮灾害形成的主要特征影响因子，剔除与赤潮发生关联度较低特征影响因子，以多组合特征因子为输入变量，构建基于多特征因子组合的赤潮预测模型，形成基于多特征因子的GRU网络赤潮预测模型。
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，下面将对实施例或现有技术描述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的前提下，还可以根据提供的附图获得其他的附图。
图1附图为本发明提供的流程结构示意图。
图2附图为本发明提供的网络模型结构示意图。
图3附图为本发明提供的实验样本归一化结果示意图。
图4附图为本发明提供的不同模型训练结果精度示意图。
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。
本发明实施例公开了一种基于GRU深度学习的多特征因子赤潮预测模型，包括以下步骤：
S1、对采集到的监测要素进行预处理，得到标准化训练样本；
S2，采用Pearson相关系数法分析标准化训练样本与赤潮的关联性，得到赤潮灾害形成的主要特征影响因子；
S3、依据主要特征影响因子，形成多组合特征因子，构建GRU预测模型，通过多组合特征因子训练模型；
S4、对训练好的GRU预测模型进行评估。
为进一步优化上述技术方案，所述步骤S1具体包括：
S11、实时监测采集的数据由于气象环境因素、网络传输因素、浮标仪器设备等各因素影响，导致部分要素值某一时间段数据空缺，采用删除法直接删除少量缺失值；
S12、对删除后的监测要素数据进行归一化处理，采用离查标准化进行数据转换，
其中，X为特征因子数据，Xmin为特征因子数据的最小值，Xmax为特征因子数据的最大值，X'为特征因子数据进行归一化后得到的数据，归一化后图像显示如图3。
为进一步优化上述技术方案，所述步骤S2具体包括：
S21、本实验基于厦门2009-2017年浮标监测数据，原始数据8773条，经过剔除异常点、去除为空的值等处理过程，有效数据为8734条。输入海洋环境监测要素，包括温度(Temp)，盐度(Salt)，饱和溶解氧(SDo)，溶解氧(Do)，叶绿素(Chl)，浊度(Turb)，PH值，潮汐(Tide)，风速(Wind-U)，风向(Wind-V)，气温(Air-temp)，气压(Press)；共12个时间序列环境特征因子，采样时间间隔为30min，每条样本都带有是否发生赤潮的标签。
S22、输入海洋环境监测资料，包括温度、盐度、饱和溶解氧、溶解氧、叶绿素等特征因子计算检测要素强弱相关程度，公式如下：
其中n为监测要素总数，i为数据中某一时刻书，xi和yi为第i个要素样本，r为关联系数，r的取值范围为[-1,+1]，结果见表1。
表1环境特征因子间的皮尔逊相关系数
依据表1中Pearson关联系数与相关程度划分，从表2可以直观看出Temp、SDO、Do、CHl、PH与赤潮发生呈正向相关，同时从表2中发现Temp与Air-temp，SDO、Do、PH值，PH与Press，Air-temp与Press之间的相关性较强，去除小于0.2极弱相关或无相关的要素，选取与赤潮发生相关性较高的要素，得到Temp、SDO、Do、CHl、PH值共5特征因子。
为进一步优化上述技术方案，所述步骤S3具体包括：
S31、将筛选后的Temp、SDO、Do、CHl、PH特征因子和赤潮是否发生数据整合到同一数据集中，作为网络模型的输入；
S32、对数据集进行拆分，其中70％数据作为训练集，30％数据作为测试集，构建GRU网络模型，GRU网络向前传播计算公式为：
zt＝σ(WZ·[ht-1,xt]) (3)
rt＝σ(Wr·[ht-1,xt]) (4)
其中，WZ，
为权重矩阵，σ为激活函数如Sigmoid、relu函数，xt为当前时刻的单元输入，rt重置门的输出，zt为更新门的输出，
为候选隐藏层，ht为当前单元输出；
S33、设置网络模型训练参数，其中均方误差MSE为损失函数获得模型输出误差，优化器采用adam优化函数，学习率为0.0001，指数衰减率为0.9；
S34、对环境参数进行拟合训练，训练次数epoch1000、批训练的数据个数batch_size为256，交叉验证参数validation_split为0.3
为进一步优化上述技术方案，所述步骤S4具体包括：
S41、对训练好的模型进行评估，采用均方误差、准确率等指标验证模型预测精度；
S42、采用分别选取卷积神经网络(CNN)、循环神经网络(RNN)、长短记忆网络(LSTM)的深度学习预测算法进行比对验证，实验对比尽量选取相同的超参数，以减少实验对比过程中不同超参数对结果带来的影响，具体测试结果如表2所示；
表2算法的测试结果
为了对比SDO、Do、PH三个强相关特征因子不同组合下GRU的实验效果，进行5组不同特征因子组合实验(5特征、7特征、9特征、12特征)，组合模式见表3，实验结果如表4所示。
表3特征因子组合模式
表4多特征组合下的GRU对比
测试分析：通过测试分析，本发明基于多特征因子的GRU网络赤潮预测模型在5特征因子情况下准确率和误差率等评价指标结果最优，说明本方案的有效性。此外，与传统神经网络模型相比，本方法具有高效性和自动化程度高等特点。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (5)
1.一种基于GRU深度学习的多特征因子赤潮预测模型，其特征在于，包括以下步骤：
S1、对采集到的监测要素进行预处理，得到标准化训练样本；
S2，采用Pearson相关系数法分析标准化训练样本与赤潮的关联性，得到赤潮灾害形成的主要特征影响因子；
S3、依据主要特征影响因子，形成多组合特征因子，构建GRU预测模型，通过多组合特征因子训练模型；
S4、对训练好的GRU预测模型进行评估。
2.根据权利要求1所述的一种基于GRU深度学习的多特征因子赤潮预测模型，其特征在于，所述步骤S1具体包括：
S11、对监测要素的缺失数据进行处理，采用删除法删除缺失值；
S12、对删除后的监测要素数据进行标准化处理，采用离差标准化进行数据转换，
其中，X为特征因子数据，Xmin为特征因子数据的最小值，Xmax为特征因子数据的最大值，X'为特征因子数据进行归一化后得到的数据。
3.根据权利要求1所述的一种基于GRU深度学习的多特征因子赤潮预测模型，其特征在于，所述步骤S2具体包括：
S11、输入海洋环境监测要素，包括温度、盐度、饱和溶解氧、溶解氧、叶绿素、浊度、PH值、潮汐、风速、风向、气温和气压；
S12、计算监测要素强弱相关程度，公式如下：
其中n为监测要素总数，i为数据中某一时刻数，xi和yi为第i个要素样本，r为关联系数，r的取值范围为[-1,+1]。
4.根据权利要求1所述的一种基于GRU深度学习的多特征因子赤潮预测模型，其特征在于，所述步骤S3具体包括：
S31、将筛选后的特征因子和赤潮是否发生数据整合；
S32、构建GRU网络模型，GRU网络向前传播计算公式为：
zt＝σ(WZ·[ht-1,xt]) (3)
rt＝σ(Wr·[ht-1,xt]) (4)
其中，WZ，
为权重矩阵，σ为激活函数，xt为当前时刻的单元输入，rt重置门的输出，zt为更新门的输出，
为候选隐藏层，ht为当前单元输出；
S33、对神经网络模型参数进行设置，确定损失函数、优化器的模型指标参数；
S34、对环境参数进行拟合训练，确定训练次数，批训练的数据个数和交叉验证参数。
5.根据权利要求1所述的一种基于GRU深度学习的多特征因子赤潮预测模型，其特征在于，所述步骤S4具体包括：
S41、对训练好的模型进行评估，验证模型预测精度；
S42、采用不同特征因子组合、不同神经网络模型，对训练好的模型进行对比验证。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011392717.7A CN112365093A (zh) | 2020-12-01 | 2020-12-01 | 一种基于gru深度学习的多特征因子赤潮预测模型 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011392717.7A CN112365093A (zh) | 2020-12-01 | 2020-12-01 | 一种基于gru深度学习的多特征因子赤潮预测模型 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112365093A true CN112365093A (zh) | 2021-02-12 |
Family
ID=74536574
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011392717.7A Pending CN112365093A (zh) | 2020-12-01 | 2020-12-01 | 一种基于gru深度学习的多特征因子赤潮预测模型 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112365093A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113077110A (zh) * | 2021-04-21 | 2021-07-06 | 国家海洋信息中心 | 一种基于gru的调和残差分段式潮位预测方法 |
| CN115330040A (zh) * | 2022-08-05 | 2022-11-11 | 江苏润和软件股份有限公司 | 基于深度学习的综合能源分布式风力发电预测方法及*** |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103678910A (zh) * | 2013-12-12 | 2014-03-26 | 河海大学 | 河道型水库支流库湾水华的云体系架构预警***及方法 |
| CN109002888A (zh) * | 2018-06-27 | 2018-12-14 | 厦门市海洋与渔业研究所 | 一种赤潮预警方法 |
| CN109856357A (zh) * | 2019-03-19 | 2019-06-07 | 广西科学院 | 一种基于浮标在线监测数据的赤潮短期预警方法及用途 |
| CN110046645A (zh) * | 2019-03-04 | 2019-07-23 | 三峡大学 | 一种基于主成分分析与bp神经网络的藻类水华预测方法 |
| CN111291937A (zh) * | 2020-02-25 | 2020-06-16 | 合肥学院 | 基于支持向量分类与gru神经网络联合的处理污水水质预测方法 |
| CN111415025A (zh) * | 2019-01-06 | 2020-07-14 | 刘泰麟 | 一种赤潮等级预测的方法 |
| CN111637874A (zh) * | 2020-05-08 | 2020-09-08 | 哈尔滨工程大学 | 一种赤潮海域多auv分层探测***及探测方法 |
-
2020
- 2020-12-01 CN CN202011392717.7A patent/CN112365093A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103678910A (zh) * | 2013-12-12 | 2014-03-26 | 河海大学 | 河道型水库支流库湾水华的云体系架构预警***及方法 |
| CN109002888A (zh) * | 2018-06-27 | 2018-12-14 | 厦门市海洋与渔业研究所 | 一种赤潮预警方法 |
| CN111415025A (zh) * | 2019-01-06 | 2020-07-14 | 刘泰麟 | 一种赤潮等级预测的方法 |
| CN110046645A (zh) * | 2019-03-04 | 2019-07-23 | 三峡大学 | 一种基于主成分分析与bp神经网络的藻类水华预测方法 |
| CN109856357A (zh) * | 2019-03-19 | 2019-06-07 | 广西科学院 | 一种基于浮标在线监测数据的赤潮短期预警方法及用途 |
| CN111291937A (zh) * | 2020-02-25 | 2020-06-16 | 合肥学院 | 基于支持向量分类与gru神经网络联合的处理污水水质预测方法 |
| CN111637874A (zh) * | 2020-05-08 | 2020-09-08 | 哈尔滨工程大学 | 一种赤潮海域多auv分层探测***及探测方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113077110A (zh) * | 2021-04-21 | 2021-07-06 | 国家海洋信息中心 | 一种基于gru的调和残差分段式潮位预测方法 |
| CN115330040A (zh) * | 2022-08-05 | 2022-11-11 | 江苏润和软件股份有限公司 | 基于深度学习的综合能源分布式风力发电预测方法及*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113255848B (zh) | 基于大数据学习的水轮机空化声信号辨识方法 | |
| Yun | Prediction model of algal blooms using logistic regression and confusion matrix | |
| CN110636066B (zh) | 基于无监督生成推理的网络安全威胁态势评估方法 | |
| CN112365093A (zh) | 一种基于gru深度学习的多特征因子赤潮预测模型 | |
| CN115602337A (zh) | 一种基于机器学习的刺激隐核虫疾病预警方法及*** | |
| CN112504682A (zh) | 基于粒子群优化算法的底盘发动机故障诊断方法及*** | |
| CN114764682B (zh) | 一种基于多机器学习算法融合的大米安全风险评估方法 | |
| CN115470850A (zh) | 一种基于管网水质时空数据的水质异常事件识别预警方法 | |
| CN115982141A (zh) | 一种针对时序数据预测的特征优化方法 | |
| CN117056678B (zh) | 一种基于小样本的机泵设备运行故障诊断方法及装置 | |
| CN114897138A (zh) | 基于注意力机制和深度残差网络的***故障诊断方法 | |
| CN117315380B (zh) | 一种基于深度学习的肺炎ct图像分类方法及*** | |
| CN114217025A (zh) | 评估空气质量浓度预测中气象数据对其影响的分析方法 | |
| CN113743008A (zh) | 一种燃料电池健康预测方法及*** | |
| CN117115637A (zh) | 一种基于大数据技术的水质监测预警方法及*** | |
| CN116611580A (zh) | 一种基于多源数据与深度学习的海洋赤潮预测方法 | |
| CN117216522A (zh) | 一种基于机器学习的轴承故障类别诊断方法、装置及设备 | |
| CN113159088A (zh) | 一种基于多特征融合和宽度学习的故障监测与诊断方法 | |
| CN116680639A (zh) | 一种基于深度学习的深海潜水器传感器数据的异常检测方法 | |
| CN117113202A (zh) | 基于联合误差堆叠模型的电力回路能耗检测方法及设备 | |
| CN111275025A (zh) | 一种基于深度学习的车位检测方法 | |
| CN113151842B (zh) | 风光互补电解水制氢的转化效率的确定方法和确定装置 | |
| CN114387545A (zh) | 基于前馈网络的角膜生物力学特性的智能检测方法 | |
| CN110728292A (zh) | 一种多任务联合优化下的自适应特征选择算法 | |
| CN115288994B (zh) | 一种基于改进dcgan的压缩机异常状态检测方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210212 |
|
| RJ01 | Rejection of invention patent application after publication |