本文主要研究内容
作者涂吉昌,陈超波,王景成,王召,叶强强（2019）在《基于深度学习的水质预测模型研究》一文中研究指出：水环境中水质参数存在非线性、随机性以及依赖性,传统水质预测模型预测精度及鲁棒性普遍不高,为了优化与提高水质预测模型的预测精度,该文提出了一种基于深度学习的门控型循环神经网络的水质预测模型。通过探究循环神经网络的最佳网络结构数以及隐含层存储单元个数,结合上海市金泽水库真实监测数据,建立基于门控型循环神经网络(GRU)的水质预测模型。结果表明,与传统的ARIMA和SVR等水质预测模型相比,基于GRU网络的水质预测模型显著提高了水质预测的精确度,能够更好地逼近水质数据真实值,是一种预测精度高且鲁棒性好的水质预测模型。
Abstract
shui huan jing zhong shui zhi can shu cun zai fei xian xing 、sui ji xing yi ji yi lai xing ,chuan tong shui zhi yu ce mo xing yu ce jing du ji lu bang xing pu bian bu gao ,wei le you hua yu di gao shui zhi yu ce mo xing de yu ce jing du ,gai wen di chu le yi chong ji yu shen du xue xi de men kong xing xun huan shen jing wang lao de shui zhi yu ce mo xing 。tong guo tan jiu xun huan shen jing wang lao de zui jia wang lao jie gou shu yi ji yin han ceng cun chu chan yuan ge shu ,jie ge shang hai shi jin ze shui ku zhen shi jian ce shu ju ,jian li ji yu men kong xing xun huan shen jing wang lao (GRU)de shui zhi yu ce mo xing 。jie guo biao ming ,yu chuan tong de ARIMAhe SVRdeng shui zhi yu ce mo xing xiang bi ,ji yu GRUwang lao de shui zhi yu ce mo xing xian zhe di gao le shui zhi yu ce de jing que du ,neng gou geng hao de bi jin shui zhi shu ju zhen shi zhi ,shi yi chong yu ce jing du gao ju lu bang xing hao de shui zhi yu ce mo xing 。
论文参考文献
论文详细介绍
论文作者分别是来自自动化与仪表的涂吉昌,陈超波,王景成,王召,叶强强，发表于刊物自动化与仪表2019年06期论文，是一篇关于预测模型论文,水质预测论文,网络论文,循环神经网络论文,深度学习论文,自动化与仪表2019年06期论文的文章。本文可供学术参考使用，各位学者可以免费参考阅读下载，文章观点不代表本站观点，资料来自自动化与仪表2019年06期论文网站，若本站收录的文献无意侵犯了您的著作版权，请联系我们删除。
标签：预测模型论文; 水质预测论文; 网络论文; 循环神经网络论文; 深度学习论文; 自动化与仪表2019年06期论文;