一种基于动态图网络的水质预测方法

    公开(公告)号:CN118228160A

    公开(公告)日:2024-06-21

    申请号:CN202410432828.8

    申请日:2024-04-11

    申请人: 淮阴工学院

    摘要: 本发明公开了一种基于动态图网络的水质预测方法。包括:获取历史水质数据以及跨领域多源异构数据;建立总模型,包括输入层、DGTCN模型、输出层,所述DGTCN模型包括GCN模块、TCN模块;其中,输入层将历史水质数据以及跨领域多源异构数据转化为动态图网络;GCN模块基于图卷积提取并更新动态图网络的图结构特征,TCN模块基于因果卷积和扩张卷积优化图结构特征后输入至输出层;输出层输出水质预测结果。本发明综合考虑了与水质相关的多种因素以及变量,从时间角度对水质采用动态图网络的形式进行分析预测,具有精确度高、实用性强的特点。

    一种基于GS_YOLOv7的火灾检测方法
    8.
    发明公开

    公开(公告)号:CN117292216A

    公开(公告)日:2023-12-26

    申请号:CN202310400563.9

    申请日:2023-04-14

    申请人: 淮阴工学院

    摘要: 本发明公开了一种基于GS_YOLOv7的火灾检测方法,包括改进了模型Backbone与Head部分,引入了Shuffle Attention Module;引入了GSConv模块;在Head层中引入VoVGSCSP module;在训练策略方面,将YOLOv7网络模型CBS模块改进为效率更高的CBF模块;将模型损失函数改为EIoU loss,一张640*640的特征图输入到网络的Backbone层,经过CBF,E‑ELAN以及MP模块后输出三张不同的特征图,将20*20*1024大小的特征图输入到Head层经过VoVGSCSP module中可提高网络的推理速度,特征图经过GSConv模块,模型可以提取更加丰富的语义信息,在特征提取后的非线性激活阶段,Funnel激活函数增强了模型的空间感知能力,引入了EIoU loss使得模型的收敛速度更快。本发明通过优化模型结构,引入新的激活函数和损失函数,提高了模型的效率和泛用性。

    基于CEEMDAN和AE-TCN的多维碳价预测方法

    公开(公告)号:CN116823313A

    公开(公告)日:2023-09-29

    申请号:CN202310741114.0

    申请日:2023-06-21

    申请人: 淮阴工学院

    摘要: 本发明公开了基于CEEMDAN和AE‑TCN的多维碳价预测方法,包括:获取碳市场价格影响因素多维时间序列变量;对多维时间序列变量进行CEEMDAN分解,得到由多个IMFs构成的IMF集合;利用AE模型对IMF集合进行降维,获取特征序列;将降维得到的特征序列与历史碳价数据序列进行重构,得到重构后的时序序列;构建用于碳价预测的神经网络预测模型TCN,TCN模型中引入非线性变换以更好地拟合数据;利用重构后的时序序列对神经网络预测模型TCN进行训练,得到训练好的神经网络预测模型TCN;利用训练好的神经网络预测模型TCN进行碳价预测,评估预测结果。本发明能够提升碳价预测准确性,简化模型,提升运算速度。

    一种基于深层神经网络的PM2.5的全覆盖预测方法

    公开(公告)号:CN116432850A

    公开(公告)日:2023-07-14

    申请号:CN202310423066.0

    申请日:2023-04-19

    申请人: 淮阴工学院

    摘要: 本发明公开了一种基于深层神经网络的PM2.5的全覆盖预测方法,对预先获取的空气污染浓度、气象数据及土地利用数据进行预处理,并划分为训练数据和测试数据;构建深层神经网络预测模型STA‑ConvLSTM并对其进行训练;STA‑ConvLSTM以CNN网络作为底层,通过卷积提取网格数据的空间相关性;以堆叠多层具有时空记忆单元与空间记忆单元的STA‑LSTM作为预测模型的中间层,用于提取时间相关性和空间相关性的特征;最后一层使用CNN层结合STA‑LSTM单元提取的特征进行解码。本发明融合了多源异构的数据,考虑了更多的影响因素,并且考虑时空相关性、降低过拟合、避免梯度消失和梯度爆炸的问题,考虑区域的全覆盖预测的问题,使用时间注意力机制与空间注意力机制,提高了预测精度等优点。