典型文献
一种基于深度学习的海表温度混合预测方法
文献摘要：
海表温度(SST)是海洋水文的重要参数,准确预测SST对海洋经济发展与极端天气的预防都有重大意义.首先,针对SST序列数据的多噪声特点,采用变分模态分解方法(VMD)预处理,以减少噪声对预测结果的影响.其次,将卷积神经网络(CNN)与长短时记忆网络(LSTM)结合,同时提取SST序列的空间与时间特征,以提高预测精度.最后,本文提出了一种基于深度学习并融合了去噪模块的SST预测模型,选取我国东海海域的SST进行实证研究.通过与基线模型、现有模型的对比,证明了本文模型不但在SST的预测精度方面提升明显,而且具有较好的鲁棒性.
文献关键词：
海表温度;变分模态分解;长短时记忆网络;卷积神经网络
中图分类号：
作者姓名：
韩莹;孙凯强;张栋;王乐豪;谈昊然
作者机构：
南京信息工程大学自动化学院,江苏南京210044
文献出处：
引用格式：
[1]韩莹;孙凯强;张栋;王乐豪;谈昊然-.一种基于深度学习的海表温度混合预测方法)[J].海洋环境科学,2022(05):791-798
A类：
B类：
海表温度,混合预测,SST,洋水,重要参数,准确预测,海洋经济发展,极端天气,序列数据,变分模态分解,分解方法,VMD,长短时记忆网络,同时提取,空间与时间,时间特征,去噪模块,东海,海海,海域,基线模型,现有模型
AB值：
0.319078
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
