基于R-OSELM的海洋环境数据在线预测
DOI:
作者:
作者单位:

1.华北理工大学;2.唐山市就业服务中心

作者简介:

通讯作者:

中图分类号:

基金项目:

国家重点研发计划项目(2017YFE0135700),河北省高等学校科学技术研究项目资助(ZD2021088),唐山市科技计划项目(19150230E)。


ONLINE PREDICTION OF MARINE ENVIRONMENTAL DATA BASED ON R-OSELM
Author:
Affiliation:

1.North China University of Science and Technology;2.Tangshan Employment Service Center

Fund Project:

  • 摘要
  • |
  • 图/表
  • |
  • 访问统计
  • |
  • 参考文献
  • |
  • 相似文献
  • |
  • 引证文献
  • |
  • 资源附件
  • |
  • 文章评论
    摘要:

    为及时辨识海洋环境的变化趋势和降低长期累积的海洋环境数据对预测模型的影响,提出了一种基于循环在线顺序极限学习机(recurrent online sequential extreme learning machine R-OSELM)的海洋环境数据在线预测模型。采用完全在线的方法初始化海洋环境数据训练集,通过在线顺序极限学习机算法对已有的海洋环境数据进行逐块的输入,利用极限学习机的自动编码技术与一种归一化方法对输入权重循环处理,实现预测模型的在线更新。最后完成对海洋环境数据的在线预测。使用该模型对溶解氧、叶绿素a、浊度、蓝绿藻进行预测。结果表明R-OSELM模型的预测精度都强于对比模型,确定其具备海洋环境数据在线预测能力,可为海洋水域水体富营养化与海洋环境污染预警提供参考。

    Abstract:

    In order to timely identify the changing trend of marine environment and reduce the influence of long-term accumulated marine environment data on the prediction model, an online prediction model of marine environment data based on cyclic online sequential extreme learning machine was proposed. The marine environment data training set is initialized by online method, the existing marine environment data is input block by block by online sequential extreme learning machine algorithm, and the input weight is cyclically processed by automatic coding technology of extreme learning machine and a normalized method, and the prediction model is updated online. Finally, online prediction of marine environmental data is completed. The model was used to predict dissolved oxygen, chlorophyll A, turbidity, and blue-green algae. The results show that the prediction accuracy of R-OSELM model is better than that of the comparison model. It is confirmed that R-OSELM model has the online prediction ability of marine environmental data, which can provide reference for marine eutrophication and marine environmental pollution early warning.

    参考文献
    相似文献
    引证文献
引用本文
分享
文章指标
  • 点击次数:
  • 下载次数:
  • HTML阅读次数:
  • 引用次数:
历史
  • 收稿日期:2022-02-09
  • 最后修改日期:2022-07-16
  • 录用日期:2022-07-22
  • 在线发布日期:
  • 出版日期:

地址:江苏南京,宁六路219号,南京信息工程大学    邮编:210044

联系电话:025-58731025    E-mail:nxdxb@nuist.edu.cn

南京信息工程大学学报 ® 2022 版权所有  技术支持:北京勤云科技发展有限公司