×
李国斌;崔青哲;魏胜南;王晓峰;徐丽香;何立新;Timothy C.H.Kwong。;唐元燕

基于长短期记忆网络的麻雀搜索算法污水水质预测模型。 （英语） Zbl 1522.92093号

国际小波多分辨率。信息处理。 21，第6号，文章ID 2350019，20 p.（2023）.
摘要：废水处理过程具有不确定性、非线性、时滞和复杂性，易受多种动态因素的影响。针对一些关键水质参数无法实时获取的问题，提出了一种基于麻雀搜索算法（SSA-LSTM）和注意机制的长短期记忆（LSTM）网络水质预测模型。在该模型中，我们以历史数据为输入，构建模型来学习内部动态变化的特征，引入注意机制，通过将权重与学习参数矩阵映射，为LSTM网络的隐藏状态分配不同的权重，并使用SSA选择最优超参数进行预测。由于高纬度特征向量受到维数诅咒的影响，进一步提出了一种PCA-LSTM模型，将主成分分析（PCA）方法应用于SSA-LSTM模式，以降低原始数据的维数。采用无PCA方法的SSA-LSTM模型（NPCA-LSTM）和PCA-LSTM模式对污水水质进行预测，PCA-LSDM模式具有较高的预测能力。

MSC公司：

92F05型 其他自然科学（数学处理）
92立方厘米 系统生物学、网络
62H25个 因子分析和主成分；对应分析
90 C59 数学规划中的近似方法和启发式

关键词：

水质预测;注意力机制;主成分分析;长短记忆网络;麻雀搜索算法
PDF格式BibTeX公司 XML格式引用
\textit{G.Li}等人，《国际小波多分辨率》。信息处理。21，第6号，文章ID 2350019，20 p.（2023；Zbl 1522.92093）
全文： DOI程序

参考文献：

[1] Abdolahpoor，A.和Kabiri，P.，《使用小波包变换和PCA的基于纹理的新泛锐化方法》，《国际小波多分辨率信息处理》，18（4）（2020）2050025:1-2050025:15·Zbl 1440.94001号
[2] Chen，J.W.，Cheng，M.H.，Lee，C.H.和Lin，H.L.，将gm（1,1）应用于台湾胶西温泉地区的地下水位补充，载于国际应用系统创新大会（IEEE，2017），第1-4页。
[3] Drozdov，I.Y.和Petrusevich，D.A.，水污染时间序列分析，IOP Conf.Ser.：马特。科学。工程1047（1）（2021）012095。
[4] Jin，L.，Li，S.和Hu，B.，《动态矩阵反演的Rnn模型：控制理论视角》，IEEE Trans。Ind.Inf.14（1）（2017）189-199。
[5] Kelotra，A.和Pandey，P.，用于银行NIFTY指数预测的基于自适应优化的深卷积长短期记忆，《国际小波多分辨率信息处理》，19（3）（2021）2050087:1-2050087:31。
[6] Kim，Y.S.和Lee，Y.S，《关于水资源再利用研发支持和水资源再生政策的认知研究》，Ind.Promot。决议1（1）（2016）143-149。
[7] Li，R.，Hu，Y.和Liang，Q.，长期交通量预测的T2F-LSTM方法，IEEE Trans。模糊系统28（12）（2020）3256-3264。
[8] Liu，C.，Li，H.和Zhang，Q.，基于无线传感器和支持向量机的污水监测和水质预测研究，Wirel。Commun公司。暴徒。计算日期：2020年，8852965:1-8852966:10。
[9] Liu，J.，Zhang，T.，Han，G.和Gou，Y.，TD-LSTM：用于海洋温度预测的基于时间相关性的LSTM网络，Sensors18（11）（2018）3797-3810。
[10] Pak，U.、Kim，C.、Ryu，U.，Sok，K.和Pak，S.，基于卷积神经网络和长短期记忆的臭氧浓度预测混合模型，空气质量。大气。健康11（2018）883-895。
[11] Pan，J.，Liu，D.和Zhou，G.，回归分析方法在河流水质动态预测中的应用，自然环境。波卢特。Technol.14（3）（2015）699-702。
[12] Prakaash，A.S.和Sivakumar，K.，《使用混合优化算法进行数据预测的带模糊分类器的优化递归神经网络：不同应用的范围》，《国际小波多分辨率Inf.过程》，19（2）（2021）2050074:1-2050074:47·Zbl 1493.68314号
[13] Qi，Y.，Li，Q.，Karimian，H.和Liu，D.，pm2时空预测的混合模型。基于图卷积神经网络和长短期记忆，Sci。总环境.664（2019）1-10。
[14] Sakar，C.O.、Polat，S.O.、Katircioglu，M.和Kastro，Y.，使用多层感知器和LSTM递归神经网络实时预测在线购物者的购买意愿，神经计算。申请31（10）（2019）6893-6908。
[15] Sepp，H.和Jurgen，S.，《长短期记忆，神经计算》，9（8）（1997）1735-1780。
[16] Houdt，G.V.、Mosquera，C.和Nápoles，G.，《长短期记忆模型综述》，Artif。智力。修订版53（8）（2020）5929-5955。
[17] Vörösmarty，C.、Mcintyre，P.、Gessner，M.、Dudgeon，D.、Prusevich，A.、Green，P.，Gliden，S.、Bunn，S.，Sullivan，C.和Liermann，C.，《人类水安全和河流生物多样性的全球威胁》，《自然》467（7315）（2010）555-561。
[18] Wan，Y.，Lau，R.Y.和Si，Y.从金融时间序列挖掘后续趋势模式，《国际小波多分辨率信息处理》18（3）（2020）2050010:1-2050010:38·Zbl 1458.91209号
[19] Wang，Y.，Zhou，J.，Chen，K.，Wang，Ye.和Liu，L.，基于LSTM神经网络的水质预测方法，2017年第12届国际智能系统与知识工程大会（ISKE），编辑Li，T.，Martínez-López，L.和Li，Y.（IEEE，2017），第1-5页。
[20] Wang，X.-F.，Wei，S.-N.，Xu，L.-X.，Pan，J.，Wu，Z.-Z.，T.C Kwong，H.和Tang，Y.-Y.，基于注意机制的LSTM废水质量预测，2021年国际小波分析与模式识别会议（ICWAPR）（IEEE，2021），第1-6页。
[21] Wen，C.，Liu，S.，Yao，X.，Peng，L.，Li，X.、Hu，Y.和Chi，T.，一种用于空气污染预测的新型时空卷积长短期神经网络，科学。Total Environ.654（2019）1091-1099。
[22] Xu，L.、Bai，L.，Jiang，X.、Tan，M.、Zhang，D.和Luo，B.，深rényi熵图核，模式识别111（2021）107668。
[23] Xu，L.、Bai，L.，Xiao，J.、Liu，Q.、Chen，E.、Wang，X.和Tang，Y.，基于GMDH型神经网络的多图核学习，Inf.Fusion66（2021）100-110。
[24] Xue，J.和Shen，B.，一种新的群体智能优化方法：麻雀搜索算法，系统。科学。控制工程8（1）（2020）22-34。
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。