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
摘要
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。
引用本文（GB/T 7714）
韩莹 Han Ying, 孙凯强 Sun Kaiqiang, 闫加宁 Yan jianing, 等. 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[J]. Laser & Optoelectronics Progress, 2023.
引文网络
本站仅收录题录与摘要供学习参考，全文版权归属出版方；如有侵权请联系我们删除。