-
题名基于BiLSTM-NFC的地下水埋深预测方法研究
被引量：3
- 1
-
-
作者
刘鑫
韩宇平
刘中培
黄会平
-
机构
华北水利水电大学水利学院
华北水利水电大学测绘与地理信息学院
-
出处
《人民黄河》
CAS
北大核心
2021年第6期80-85,97,共7页
-
基金
国家自然科学基金资助项目(51679089)
水利部“948”项目(201328)。
-
文摘
为了提高地下水埋深预测的精度,提出了双向长短时记忆循环神经网络(BiLSTM)融合非全连接神经网络(NFC)的深度学习模型。使用自适应矩估计优化函数(Adam),耦合双曲正切(Tanh)、软最大逻辑回归(Softmax)和线性整流单元(ReLU)3个激活函数,且将学习率设置为动态的,以黄河下游人民胜利渠灌区1993—2018年的地下水埋深预测为例,将BiLSTM-NFC与BiLSTM、长短时记忆循环神经网络(LSTM)及LSTM-NFC的预测结果进行对比分析。结果表明:双向网络的性能优于单向网络,NFC可以防止过拟合,还能明显降低模型的均方误差(MSE);与BiLSTM、LSTM-NFC和LSTM相比,BiLSTM-NFC的学习能力、稳定性、可靠性及泛化能力最强;BiLSTM-NFC在测试集上的准确率(Acc)可以达到100%,最接近无偏估计,MSE比LSTM的减小96.60%,平均相对误差(MRE)减小85.63%,相关系数(r)增大34.81%;模型在图形处理单元(GPU)上比在中央处理单元(CPU)上训练时间明显缩短,合理设置多种激活函数可以解决单一激活函数的弊端;使用BiLSTM-NFC可以准确地预测地下水埋深的变化情况。
-
关键词
地下水埋深预测
双向长短时记忆循环神经网络
非全连接神经网络
深度学习模型
自适应矩估计优化函数
耦合激活函数
动态学习率
-
Keywords
groundwater depth prediction
bi-directional long short term memory recurrent neural network
non-fully connected neural network
deep learning model
adaptive moment estimation optimization function
coupled activation function
dynamic learning rate
-
分类号
TV211.1
[水利工程—水文学及水资源]
TV551.412
[水利工程—水利水电工程]
-
