人民黄河2022，Vol.44Issue(5) ：89-94.DOI:10.3969/j.issn.1000-1379.2022.05.019

基于CEEMDAN-LSTM的陶岔渠首水深预测

Research on Water Depth Prediction of Taocha Canal Headwork Based on CEEMDAN-LSTM Model

陈伟 吕学斌 梁雪春
人民黄河2022，Vol.44Issue(5) ：89-94.DOI:10.3969/j.issn.1000-1379.2022.05.019
✕
  • 维普
  • 万方数据

基于CEEMDAN-LSTM的陶岔渠首水深预测

Research on Water Depth Prediction of Taocha Canal Headwork Based on CEEMDAN-LSTM Model

陈伟 1吕学斌 1梁雪春2
扫码查看

作者信息

  • 1. 南京工业大学 数理科学学院,江苏 南京211816
  • 2. 南京工业大学 电气工程与控制科学学院,江苏 南京211816
  • 折叠

摘要

采用基于自适应噪声的完全经验模态分解-长短期记忆神经网络模型(CEEMDAN⁃LSTM)对水深进行预测.首先利用中位值平均滤波法对数据进行预处理,再采用CEEMDAN方法对历史水深序列进行分解获得历史水深的高、低频以及残差序列,然后对得到的各个分量使用LSTM神经网络预测,最后叠加各分量预测值重构水深预测结果.以陶岔渠首为研究对象,CEEMDAN⁃LSTM模型测试结果表明:该模型相比支持向量机回归、BP神经网络、长短期记忆神经网络、经验模态分解-长短期记忆神经网络模型有更强的预测性能.

关键词

水深预测/中位值平均滤波法/CEEMDAN分解/LSTM神经网络模型/陶岔渠首

引用本文复制引用

基金项目

国家自然科学基金青年基金(11801267)

江苏省研究生科研与实践创新计划(SJCX21_0427)

出版年

2022
人民黄河
水利部黄河水利委员会

人民黄河

CSTPCD北大核心
影响因子：0.494
ISSN：1000-1379
被引量3
参考文献量11
段落导航相关论文