期刊导航
期刊开放获取
上海教育软件发展有限公..
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
1
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于进化算法优化的CNN-EA-ConvLSTM水质预测模型
被引量：
2
1
作者
王红晨
马俊
陈博行
《水电能源科学》
北大核心
2023年第8期73-76,共4页
针对传统水质预测方法难以捕捉样本中时空特征的问题,提出建立基于CNN-EA-ConvLSTM水质预测模型,即首先通过卷积神经网络(CNN)对数据降维处理,提取样本特征,然后使用外部注意力机制探索样本间的隐藏信息,以卷积长短期记忆网络(ConvLSTM...
针对传统水质预测方法难以捕捉样本中时空特征的问题,提出建立基于CNN-EA-ConvLSTM水质预测模型,即首先通过卷积神经网络(CNN)对数据降维处理,提取样本特征,然后使用外部注意力机制探索样本间的隐藏信息,以卷积长短期记忆网络(ConvLSTM)进一步捕捉数据的空间特性,为使模型能达到最优效果,使用遗传算法优化模型中的超参数,最后以青海省的水质监测数据为样本对模型进行仿真验证。结果表明,该模型的平均绝对误差(M_(MAE))为0.063、均方根误差(R_(RMSE))为0.012、平均绝对百分比误差(M_(MAPE))为2.6%,与CNN-EA模型、CNN-LSTM模型相比M_(MAE)、R_(RMSE)、M_(MAPE)分别降低了18%和24%、14%和25%、16%和21%,模型可有效获取水质的时空特征,减弱不同样本间的影响,达到理想预测效果。
展开更多
关键词
水质预测
卷积神经网络(CNN)
外部注意力
ConvLSTM
遗传算法(GA)
在线阅读
下载PDF
职称材料
题名
基于进化算法优化的CNN-EA-ConvLSTM水质预测模型
被引量：
2
1
作者
王红晨
马俊
陈博行
机构
青海师范大学
物
理与电子信息工程学院
青海师范大学
高原
科学
与可持续发展
研究院
(
物
联网
重点
实验室
)
青海师范大学
计算机学院
出处
《水电能源科学》
北大核心
2023年第8期73-76,共4页
基金
青海省自然科学基金项目(2021-ZJ-916)。
文摘
针对传统水质预测方法难以捕捉样本中时空特征的问题,提出建立基于CNN-EA-ConvLSTM水质预测模型,即首先通过卷积神经网络(CNN)对数据降维处理,提取样本特征,然后使用外部注意力机制探索样本间的隐藏信息,以卷积长短期记忆网络(ConvLSTM)进一步捕捉数据的空间特性,为使模型能达到最优效果,使用遗传算法优化模型中的超参数,最后以青海省的水质监测数据为样本对模型进行仿真验证。结果表明,该模型的平均绝对误差(M_(MAE))为0.063、均方根误差(R_(RMSE))为0.012、平均绝对百分比误差(M_(MAPE))为2.6%,与CNN-EA模型、CNN-LSTM模型相比M_(MAE)、R_(RMSE)、M_(MAPE)分别降低了18%和24%、14%和25%、16%和21%,模型可有效获取水质的时空特征,减弱不同样本间的影响,达到理想预测效果。
关键词
水质预测
卷积神经网络(CNN)
外部注意力
ConvLSTM
遗传算法(GA)
Keywords
water quality prediction
CNN
external attention
ConvLSTM
GA
分类号
TV211.1 [水利工程—水文学及水资源]
TP391.9 [自动化与计算机技术—计算机应用技术]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于进化算法优化的CNN-EA-ConvLSTM水质预测模型
王红晨
马俊
陈博行
《水电能源科学》
北大核心
2023
2
在线阅读
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
