RF-BiLSTM神经网络在海浪预测中的应用

由于风浪数据的随机性,复杂性,影响因素多,多为时间序列的特点,造成了传统预测模型预测难度大,精确率低,构建了基于随机森林的注意力机制与双向长短期记忆神经网络相结合的海浪预测模型.该模型对输入进行优化,可以使用过去和未来的数据信息进行预测,提高了海浪波高的预测精度.该模型利用随机森林对输入变量筛选优化,降低网络复杂度,然后将注意力机制与双向长短期记忆神经网络相结合建立预测模型,并利用实际数据进行验证.结果显示,和BP, LSTM, BiLSTM模型比较, RF-BiLSTM模型的预测精度更高,拟合程度更好,在海浪数值的预测预报中有重要意义.

基于改进1DCNN-SAGRU模型的渔船作业方式识别

海洋渔业领域中渔船轨迹数据具有时空性和非平稳性的特点,针对目前渔船作业方式识别方法存在对数据信息提取不充分及识别精度低的问题,提出了一种基于一维卷积神经网络(one-dimensional convolutional neural network,1DCNN)和加入自注意力(self-attention)的门控循环单元网络(gated recurrent unit,GRU)的渔船作业方式识别模型(1DCNN-SAGRU).模型利用一维CNN和GRU充分提取渔船轨迹数据的局部空间特征和时序上的依赖关系,并引入自注意力机制强化模型对关键信息的关注能力.最后引入dropout方法和RAdam优化器对模型进行改进和优化,防止模型过拟合的同时加快网络的收敛速度和输出准确性.经实验和分析表明,相较于其他对比模型,该模型在准确率上最高可提升4.4个百分点,说明该模型能更准确地识别渔船拖网、围网和刺网作业,有利于加强渔船监管能力和渔业资源的保护.