基于变分模态分解-长短时记忆网络-宽度学习系统混合模型的东海海温预测
海表温度(SST)是重要的海洋水文参数.对其进行精准预测在海洋相关领域中至关重要.深度学习强大的分析能力使其近年来广泛应用于SST预测中,但SST时间序列波动性和随机性的特点使其精准预测仍然具有挑战性.首先,采用变分模态分解(VMD)作为去噪模块,降低SST序列噪声对预测结果的影响.进而,为了解决深度模型在SST预测中存在的滞后现象,采用迁移学习的方法,将长短时记忆网络(LSTM)与宽度学习系统(BLS)相结合,使用LSTM作为BLS的特征映射结点,提高了预测精度.最终,提出了一种基于VMD-LSTM-BLS的SST预测模型.选取我国东海海温进行实例验证.通过与基准模型支持向量机、LSTM、门控循环单元以及现有的深度模型进行比较,证明了提出模型在SST预测中具有相对稳定、高效的优势,为SST预测的发展提供了新思路.
大气光学与海洋光学、海表温度、变分模态分解、长短时记忆网络、宽度学习系统
60
P731.3(海洋基础科学)
国家自然科学基金;南方海洋科学与工程广东省实验室珠海基金
2023-06-30(万方平台首次上网日期,不代表论文的发表时间)
共9页
49-57