期刊导航
期刊开放获取
河南省图书馆
退出
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
1
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式:
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于LSTM-GM神经网络模型的风暴潮增水预报方法
1
作者
苑希民
黄玉啟
+1 位作者
田福昌
曹鲁赣
《水资源保护》
EI
CAS
CSCD
北大核心
2023年第6期8-15,共8页
为充分挖掘风暴潮增水的时序关联特性,提高风暴潮增水的预报精度,综合考虑台风因素、气象要素和天文潮因素对风暴潮增水的影响,结合长短期记忆(LSTM)神经网络和灰色模型(GM)的优势,提出基于LSTM-GM神经网络模型的风暴潮增水预报方法。...
为充分挖掘风暴潮增水的时序关联特性,提高风暴潮增水的预报精度,综合考虑台风因素、气象要素和天文潮因素对风暴潮增水的影响,结合长短期记忆(LSTM)神经网络和灰色模型(GM)的优势,提出基于LSTM-GM神经网络模型的风暴潮增水预报方法。利用该方法采用12场历史台风数据对小清河入海口风暴潮增水进行模拟预报,并将预报结果与LSTM神经网络、BP神经网络的预报结果进行对比。结果表明:相较于LSTM神经网络和BP神经网络,LSTM-GM神经网络模型的纳什效率系数分别提高了6.5%和11.4%,均方根误差分别降低了70.6%和72.2%,平均相对误差分别降低了50%和69.2%;LSTM-GM神经网络模型可有效处理风暴潮增水与各影响因素间的非线性关系,提高风暴潮增水预报的精度。
展开更多
关键词
风暴潮增水
LSTM-
gm
神经网络模型
gm误差修正
小清河入海口
下载PDF
职称材料
题名
基于LSTM-GM神经网络模型的风暴潮增水预报方法
1
作者
苑希民
黄玉啟
田福昌
曹鲁赣
机构
天津大学水利工程仿真与安全国家重点实验室
浙江省水利水电勘测设计研究院有限责任公司
出处
《水资源保护》
EI
CAS
CSCD
北大核心
2023年第6期8-15,共8页
基金
国家重点研发计划项目(2018YFC1508403)
国家自然基金委创新团队项目(51621092)
+1 种基金
科技部重点领域创新团队项目(2014RA4031)
天津大学自主创新基金项目(2022XHX-0013,2022XSU-0019)。
文摘
为充分挖掘风暴潮增水的时序关联特性,提高风暴潮增水的预报精度,综合考虑台风因素、气象要素和天文潮因素对风暴潮增水的影响,结合长短期记忆(LSTM)神经网络和灰色模型(GM)的优势,提出基于LSTM-GM神经网络模型的风暴潮增水预报方法。利用该方法采用12场历史台风数据对小清河入海口风暴潮增水进行模拟预报,并将预报结果与LSTM神经网络、BP神经网络的预报结果进行对比。结果表明:相较于LSTM神经网络和BP神经网络,LSTM-GM神经网络模型的纳什效率系数分别提高了6.5%和11.4%,均方根误差分别降低了70.6%和72.2%,平均相对误差分别降低了50%和69.2%;LSTM-GM神经网络模型可有效处理风暴潮增水与各影响因素间的非线性关系,提高风暴潮增水预报的精度。
关键词
风暴潮增水
LSTM-
gm
神经网络模型
gm误差修正
小清河入海口
Keywords
storm surge
LSTM-
gm
neural network model
gm
error correction
Xiaoqing River Estuary
分类号
P731.34 [天文地球—海洋科学]
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于LSTM-GM神经网络模型的风暴潮增水预报方法
苑希民
黄玉啟
田福昌
曹鲁赣
《水资源保护》
EI
CAS
CSCD
北大核心
2023
0
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部