文献

J-GLOBAL ID：202102254660347295   整理番号：21A0667101

ニューラルネットワークモデルに基づく河川水質の予測【JST・京大機械翻訳】

Prediction of River Water Quality Based on Neural Network Model

著者 (6件)： Hu Yankun (Shenyang Institute of Computing Technology,Shenyang,China) ,  Wang Ning (Shenyang Institute of Computing Technology,Shenyang,China) ,  Liu Shu (Liaoning Ecological Environment Monitoring Center,Shenyang,China) ,  Jiang Qiuli (Liaoning Ecological Environment Monitoring Center,Shenyang,China) ,  Zhang Nan (Fuxin Ecological Environment Protection Center,Fuxin,China) ,  Liang Cao (Fuxin Ecological Environment Protection Center,Fuxin,China)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2020  号： ICCC  ページ： 2075-2079  発行年： 2020年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 河川水質予測は,河川水資源を保護する重要な方法であり,既存の水質予測モデルは,低い予測精度を持って,複雑な水環境変化を扱うのは難しい。河川汚染物質濃度の変動傾向をより正確に予測するために,CNNモデルとGRUネットワークモデルに基づいて,CNN-GRUハイブリッドモデルを確立して,河川汚染物質の濃度を予測した。CNNモデルの入力データとして汚染物質濃度,河川流および河川流速を取り上げて,特徴ベクトルをCNNによって抽出して,時系列の高次元ベクトルを構築した。次に,モデル訓練のためにGRUに入力して,注意機構を用いてモデルを最適化した。最後に,汚染物質濃度予測を完了した。同時に,GRUモデル,BPニューラルネットワークおよびARIMAモデルを用いて,同じ訓練セットを訓練し,予測した。実験結果は,CNN-GRUハイブリッドモデルの予測精度が,GRUモデル,BPニューラルネットワークおよびARIMAモデルより,それぞれ,3.15%,4.72%および10.81%高いことを示した。Copyright 2021 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 最適化 ,  ベクトル ,  *水質 ,  汚染物質 ,  河川汚濁 ,  河川流 ,  予測モデル
準シソーラス用語： *神経回路網モデル ,  ARIMAモデル ,  水環境 ,  特徴ベクトル ,  *ネットワークモデル ,  予測精度 ,  ハイブリッドモデル ,  *河川水質 , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (3件)： ニューラルネットワークモデル ,  河川水質 ,  予測