Kim、Sungwon;梅萨姆·阿里扎米尔;杨明秀（Seo，Youngmin）;萨利姆·赫达姆;伊尔-蒙钟;Kim、Young-Oh;奥兹古尔·基西;维杰·辛格。 基于机器学习和深度学习范式的孵化河流水质指标估算：BOD_5预测。 （英语） Zbl 1511.92096号 数学。Biosci公司。工程师。 19，第12号，12744-12773（2022）. MSC公司： 92D40型 生态学 68T07型 人工神经网络与深度学习 关键词：生化需氧量;小波变换;深回波状态网络;极限学习机;支持向量回归 PDF格式BibTeX公司 XML格式引用 \textit{S.Kim}等人，数学。Biosci公司。工程19，编号12，12744--12773（2022；Zbl 1511.92096） 全文： 内政部 参考文献： [1] S、 在韩国使用神经网络和集成树方法评估生化需氧量，J.Environ。管理。，270, 110834 (2020) ·doi:10.1016/j.envman.2020.110834 [2] S、 新的两阶段混合范式结合数据预处理方法预测生化需氧量浓度，J.Korea Water Resour。协会，54，1037-1051（2021）·doi:10.3741/JKWRA.2021.54.S-1.1037 [3] M、 使用机器学习方法预测天然河流中的五天生化需氧量和化学需氧量，环境。莫尼特。评估。，191, 1-21 (2019) ·doi:10.1007/s10661-019-7446-8 [4] S、 评估生化需氧量（BOD）的方法：综述，《水资源研究》，49，62-82（2014）·doi:10.1016/j.watres.2013.10.066 [5] S、 《河流水质指数预测和不确定性分析：机器学习模型的比较研究》，J.Environ。化学。工程师，9104599（2021）·doi:10.1016/j.jece.2020.104599 [6] 皇家污水处理委员会，污水处理和处置方法第五次报告英国，1908年。 [7] M、 科罗拉多州埃尔帕索县Foundation Creek，J.Environ，使用不同的神经网络技术对溶解氧浓度进行建模。工程，138654-662（2012）·doi:10.1061/（ASCE）EE.1943-7870.0000511 [8] B、 一种测量遗传特定神经元电活动的混合方法，Nat.Neurosci。，8, 1619-1626 (2005) ·doi:10.1038/nn1558 [9] J、 确定水质指标的混合软计算方法：幼发拉底河，神经网络。计算。申请。，31, 827-837 (2019) ·doi:10.1007/s00521-017-3112-7 [10] D、 使用新型混合机器学习算法改进水质指数预测，科学。Total Environ.公司。，721, 137612 (2020) ·doi:10.1016/j.scitotenv.2020.137612 [11] K、 基于大数据的不同机器学习模型对地表水水质预测性能和关键水参数识别的比较分析，water Res.，171，115454（2020）·doi:10.1016/j.watres.2019.115454 [12] V、 利用遥感监测内陆水质：光谱指数、生物光学模拟、机器学习和云计算的潜力和局限性，地球科学。版本205，103187（2020）·doi:10.1016/j.earscirev.2020.103187 [13] M、 基于极端学习机的新型数据智能模型的实现，该模型通过bat算法优化，用于估算每日叶绿素a浓度：美国河流和湖泊的案例研究，J.Clean。生产，285，124868（2021）·doi:10.1016/j.jclepro.2020.124868 [14] Y、 用于预测城市污水管网水质的多源数据融合的深度学习算法，J.Clean。生产，318128533（2021）·doi:10.1016/j.jclepro.2021.128533 [15] A、 自适应神经模糊推理系统（ANFIS）在苏尔马河生物化学需氧量（BOD）估计中的应用，J.King Saud大学工程科学。，29, 237-243 (2017) ·doi:10.1016/j.jksues.2015.02.001 [16] H、 半干旱河流环境生化需氧量和溶解氧的测定：软计算模型的应用，环境。科学。波卢特。研究，26923-937（2019）·数字对象标识码：10.1007/s11356-018-3663-x [17] J、 使用深度学习技术，利用稀疏矩阵软检测城市港口水中的5天BOD，water Res.，170，115350（2020）·doi:10.1016/j.watres.2019.115350 [18] B、 基于机器学习的软测量模型，用于使用边缘智能、复杂智能进行BOD估计。系统。，7, 961-976 (2021) ·doi:10.1007/s40747-020-00259-9 [19] F、 废水质量指标预测的机器学习算法，Water，9，105（2017）·doi:10.3390/w9020105 [20] A、 使用小波变换和PCA算法改进SVR和ANFIS性能，以建模和预测生化需氧量（BOD），Ecohydrol。水生生物。，17, 164-175 (2017) ·doi:10.1016/j.ecohyd.2017.02.002 [21] S、 使用深度学习Bi-LSTM方法对河流进行水质评估：预测和验证，环境。科学。波卢特。决议，29，12875-12889（2022）·doi:10.1007/s11356-021-13875-w [22] N、 使用新型混合机器学习算法Water Environ预测孟加拉国布里甘加河的5天生化需氧量。决议，94，e10718（2022）·doi:10.1002/wer.10718 [23] G、 极端学习机器：理论与应用，神经计算，70489-501（2006）·doi:10.1016/j.neucom.2005.12.126 [24] 五十、 使用极端学习机器集成遥感和墨西哥水质监测系统，Sensors，214118（2021）·doi:10.3390/s21124118 [25] S、 气候变化情景下降水量的降尺度：支持向量机方法，J.Hydrol。，330, 621-640 (2006) ·doi:10.1016/j.jhydrol.2006.04.030 [26] V.N.Vapnik，统计学习理论的本质，第2版，Springer-Verlag，纽约，2010年。 [27] S.Haykin，神经网络和学习机器第3版，新泽西州普伦蒂斯·霍尔，2009年。 [28] S、 利用神经计算方法对不同气候带的蒸发皿进行建模，水资源。管理。，2623231-3249（2012年）·doi:10.1007/s11269-012-0069-2 [29] S、 使用自举重采样和软计算方法评估蒸发皿模型，J.Compute。公民。工程师，29，04014063（2015）·doi:10.1061/（ASCE）CP.1943-5487.000367 [30] 十、 深信度回声状态网络及其在时间序列预测中的应用，Knowl。基于系统。，130, 17-29 (2017) ·doi:10.1016/j.knosys.2017.05.022 [31] M、 深度回波状态网络：一种新的机器学习方法，使用气象变量Hydrol对露点温度进行建模。科学。J.，65，1173-1190（2020）·doi:10.1080/02626667.2020.1735639 [32] M、 深度学习在台湾南部降水预测中的应用。代表，9，1-9（2019）·doi:10.1038/s41598-019-49242-6 [33] Y、 使用新型深回波状态网络Chemmeter对数据驱动传感器进行建模。智力。实验室系统。，206, 104062 (2020) ·doi:10.1016/j.chemolab.2020.104062 [34] S、 多分辨率信号分解理论：小波表示，IEEE Trans。模式分析。机器。智力。，11, 674-693 (1989) ·Zbl 0709.94650号 ·数字对象标识代码：10.1109/34.192463 [35] S、 使用数据驱动模型和小波分解评估降雨聚集和分解，Hydrol。决议，48，99-116（2017）·doi:10.2166/nh.2016.314 [36] M、 离散小波变换：结合a trous和Mallat算法，IEEE Trans。信号处理。，40, 2464-2482 (1992) ·兹比尔0825.94053 ·doi:10.1109/78.157290 [37] N、 关于决定系数一般定义的注释，Biometrika，78，691-692（1991）·兹比尔0741.62069 ·doi:10.1093/biomet/78.3.691 [38] P、 水文模型评估不同效率标准的比较。，5, 89-97 (2005) ·doi:10.5194/adgeo-5-89-2005年 [39] J、 通过概念模型进行河流流量预测。第1部分-原理讨论，J.Hydrol。，10, 282-290 (1970) ·doi:10.1016/0022-1694（70）90255-6 [40] J、 预测方法泛化的误差度量：实证比较，国际预测杂志。，8, 69-80 (1992) ·doi:10.1016/0169-2070（92）90008-W [41] T、 曝气稳定池中的固氮处理漂白硫酸盐厂废水，水环境。决议，69，1039-1046（1997）·doi:10.2175/106143097X125740 [42] J、 《小提琴绘图：盒子密度痕迹协同作用》，《美国统计》，52，181-184（1998）·doi:10.1080/00031305.1998.10480559 [43] K、 在一张图中总结模型性能的多个方面，地球物理杂志。Res.大气。，106, 7183-7192 (2001) ·doi:10.1029/2000JD900719 [44] M、 分解方法总是能够增强软计算模型吗？预测佛罗里达州圣约翰河的溶解氧浓度。科学。，9, 2534 (2019) ·doi:10.3390/app9122534 [45] M、 基于自适应模糊均值聚类和遗传算法的混合模糊小波神经网络模型在河流水质预测中的应用，复杂性，2018，：8241342（2018）·doi:10.1155/2018/8241342 [46] M、 伊朗不同气候下的水质变化：使用软计算技术模拟总溶解固体，Stoch。环境。Res.风险评估。，32, 2253-2273 (2018) ·doi:10.1007/s00477-018-1554-9 [47] Y、 数据缺失情况下河流水质的实时概率预测：深度学习和后处理技术，J.Hydrol。，589, 125164 (2020) ·doi:10.1016/j.jhydrol.2020.125164 [48] J、 基于混合深度学习神经网络的水质参数实时监测预测模型比较，water，13，1547（2021）·doi:10.3390/w13111547 [49] S、 使用基于神经网络的激活函数预测饮用水分配系统的水质指标，水资源。管理。，35, 535-553 (2021) ·doi:10.1007/s11269-020-02729-8 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。