首页|基于CEEMDAN-LSTM的陶岔渠首水深预测

基于CEEMDAN-LSTM的陶岔渠首水深预测

扫码查看
原文链接
  • 万方数据
  • 维普
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.
Research on Water Depth Prediction of Taocha Canal Headwork Based on CEEMDAN-LSTM Model

陈伟、吕学斌、梁雪春

展开 >

南京工业大学 数理科学学院,江苏 南京211816

南京工业大学 电气工程与控制科学学院,江苏 南京211816

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

国家自然科学基金青年基金江苏省研究生科研与实践创新计划

11801267SJCX21_0427

2022

10.3969/j.issn.1000-1379.2022.05.019

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
年,卷(期)：2022.44(5)
  • 3
  • 11