-
公开(公告)号：CN109492830B
公开(公告)日：2021-08-31
申请号：CN201811541300.5
申请日：2018-12-17
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于深度学习的移动污染源排放浓度预测方法，本发明根据移动污染源污染物的区域时空分布特点，提出基于注意力机制的卷积长短期记忆神经网络预测方法。首先，通过分析站点之间的Granger因果关系并开发超参数高斯向量权重函数以确定空间自相关变量作为输入特征的一部分。其次，使用卷积神经网络来提取LSTM网络使用的数据的时空间特征，同时注意力模型分别用于加权特征图和通道以增强特征的有效性。最后，基于深度LSTM的时间序列预测器，用于学习大气污染物浓度的长期和短期依赖性。本发明从历史大气污染物数据中提取固有的有用特征，并将辅助数据纳入所提出的模型中以提高性能，从而浓度预测方法。
-
公开(公告)号：CN109492830A
公开(公告)日：2019-03-19
申请号：CN201811541300.5
申请日：2018-12-17
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于深度学习的移动污染源排放浓度预测方法，本发明根据移动污染源污染物的区域时空分布特点，提出基于注意力机制的卷积长短期记忆神经网络预测方法。首先，通过分析站点之间的Granger因果关系并开发超参数高斯向量权重函数以确定空间自相关变量作为输入特征的一部分。其次，使用卷积神经网络来提取LSTM网络使用的数据的时空间特征，同时注意力模型分别用于加权特征图和通道以增强特征的有效性。最后，基于深度LSTM的时间序列预测器，用于学习大气污染物浓度的长期和短期依赖性。本发明从历史大气污染物数据中提取固有的有用特征，并将辅助数据纳入所提出的模型中以提高性能，从而浓度预测方法。
-
公开(公告)号：CN108052793A
公开(公告)日：2018-05-18
申请号：CN201711434973.6
申请日：2017-12-26
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于模糊加权ELM的移动污染源排放浓度预测方法，本发明根据移动污染源污染物的时空分布特点，提出自适应模糊加权超限学习机模型；根据模糊系统的特点，利用移动污染源排放浓度数据集的部分输入数据，完成自适应模糊加权超限学习机初始化，即模糊化处理；由于模糊系统自学习、自调节的特点可以对超限学习机的输入权值和隐层偏置值进行优化，通过对加权超限学习机进行正则化处理，得到移动污染源排放浓度预测方法。
-
公开(公告)号：CN108052793B
公开(公告)日：2023-10-31
申请号：CN201711434973.6
申请日：2017-12-26
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于模糊加权ELM的移动污染源排放浓度预测方法，本发明根据移动污染源污染物的时空分布特点，提出自适应模糊加权超限学习机模型；根据模糊系统的特点，利用移动污染源排放浓度数据集的部分输入数据，完成自适应模糊加权超限学习机初始化，即模糊化处理；由于模糊系统自学习、自调节的特点可以对超限学习机的输入权值和隐层偏置值进行优化，通过对加权超限学习机进行正则化处理，得到移动污染源排放浓度预测方法。
-
-
-
Search Results
4
records
(took 0.021 seconds)
