基于EEMD-NGO-LSTM神经网络耦合的月径流预测模型及应用OACSTPCD
Monthly Runoff Prediction Model Based on a Coupled EEMD-NGO-LSTM Neural Network and Its Application
为了提高径流序列的稳定度和精度,减小参数优化不当导致的非线性误差,研究将长短期记忆神经网络(LSTM)、集成经验模态分解(EEMD)和北方苍鹰优化算法(NGO)相结合,构建了 EEMD-NGO-LSTM 耦合预测模型.将此预测模型应用于模拟东辽河中下游的控制总站——王奔水文站 2012 年～2021 年逐月径流过程,并与鲸鱼算法(WOA)以及灰狼算法(GWO)优化的长短期记忆神经网络进行模型比较.结果表明,EEMD-NGO-LSTM 耦合预测模型…查看全部>>
In order to improve the stability and accuracy of runoff series and reduce the nonlinear error caused by improper parameter optimization the long-and short-term memory neural network (LSTM) integrated empirical modal decomposition (EEMD) and Northern Goshawk Optimization Algorithm (NGO) are combined to construct a coupled EEMD-NGO-LSTM prediction model.This prediction model is applied to simulate the month-by-month runoff process from 2012 to 2021 at Wangbun…查看全部>>
张冲;王千凤;齐新虎;王思宇;陈末
黑龙江大学水利电力学院, 黑龙江 哈尔滨 150080||黑龙江大学寒区地下水研究所, 黑龙江 哈尔滨 150080黑龙江大学水利电力学院, 黑龙江 哈尔滨 150080||黑龙江大学寒区地下水研究所, 黑龙江 哈尔滨 150080黑龙江大学水利电力学院, 黑龙江 哈尔滨 150080||黑龙江大学寒区地下水研究所, 黑龙江 哈尔滨 150080黑龙江大学水利电力学院, 黑龙江 哈尔滨 150080||黑龙江大学寒区地下水研究所, 黑龙江 哈尔滨 150080黑龙江大学水利电力学院, 黑龙江 哈尔滨 150080||黑龙江大学寒区地下水研究所, 黑龙江 哈尔滨 150080
水利科学
月径流预测集成经验模态分解北方苍鹰优化算法长短期记忆神经网络耦合模型预测精度
monthly runoff predictionintegrated empirical modal decomposition ( EEMD)Northern Goshawk Optimization (NGO)long- and short-term memory neural networkcoupled modelprediction accuracy
《水力发电》 2024 (1)
1-7,7
黑龙江省普通本科高等学校青年创新人才培养计划(UNPYSCT-2020012)
评论