內(nèi)河航道水位是指導船舶合理配載和保障船舶安全航行的重要因素。合理地預測水位短期變化趨勢,對于提升航道通行能力、保障船舶航行安全和科學開展航道養(yǎng)護至關重要。為提高內(nèi)河航道水位預測精度,本文基于深度學習方法,利用門控循環(huán)神經(jīng)網(wǎng)絡(GRU)和卷積神經(jīng)網(wǎng)絡(CNN),深入研究了內(nèi)河水位的智能預測模型,并針對航道信息綜合服務的需求,研發(fā)了智能水位預測服務系統(tǒng),實現(xiàn)了水位預測模型的應用。本文的主要工作包括:(1)研究循環(huán)神經(jīng)網(wǎng)絡在內(nèi)河水位預測中的應用,建立了基于GRU的單水位站預測模型,并與基于長短時記憶(LSTM)的模型進行對比,分析出更適合水位預測的循環(huán)神經(jīng)網(wǎng)絡結構—GRU。(2)通過水位站時空關系分析,進一步建立了基于GRU的多水位站聯(lián)動預測模型和基于CNN+GRU的多水位站聯(lián)動預測模型。在長江下游多個水位站30年8時水位觀測數(shù)據(jù)集上的實驗結果表明,基于CNN+GRU的多站聯(lián)動水位預測模型能夠減小了單水位站數(shù)據(jù)隨機性的影響,并更好地綜合利用上下游水位站間的水位值關聯(lián)性,因此具更高的預測精確度。而且,通過納什效率系數(shù)(Nash-Sutcliffe efficiency coefficient,...

【文章頁數(shù)】：68 頁

【學位級別】：碩士

【部分圖文】：

圖２．２水位樣本數(shù)據(jù)散點圖??Ｆｉｇ．?２．２?Ｗａｔｅｒ?ｌｅｖｅｌ?ｓａｍｐｌｅ?ｄａｔａ?ｓｃａｔｔｅｒ?ｐｌｏｔ??

?基于深度學習的水位智能預測技術與應用???概念如下：先將一組數(shù)據(jù)升序排列，然后四等分。一組數(shù)據(jù)被分為四等分需要有三個點，??分別被稱為：第一四分位數(shù)（下四分位數(shù)，記為Ｑ１）、第二四分位數(shù)（中位數(shù)）、第三??四分位數(shù)（上四分位數(shù)，記為Ｑ３）。Ｑ１和Ｑ３之間的差距被稱為四分位距，記....

圖２．３水位數(shù)據(jù)箱形圖??Ｆｉｇ．?２．３?Ｗａｔｅｒ?ｌｅｖｅｌ?ｄａｔａ?ｂｏｘ?ｐｌｏｔ??

?大連海事大學碩士學位論文???Ｉ??８．２?？??８．０?■??５?７８－??ａ??Ｂ）??〇?７．６?■??７ａ－??７．２?■??７．０?■?〇?！??１＿??圖２．３水位數(shù)據(jù)箱形圖??Ｆｉｇ．?２．３?Ｗａｔｅｒ?ｌｅｖｅｌ?ｄａｔａ?ｂｏｘ?ｐｌｏｔ??圖２．３中，兩個....

圖２．４?２００日水位樣本數(shù)據(jù)??Ｆｉｇ．?２．４?Ｗａｔｅｒ?ｌｅｖｅｌ?ｓａｍｐｌｅ?ｄａｔａ?ｆｏｒ?２００－ｄａｙ??

?基于深度學習的水位智能預測技術與應用???７?—原始數(shù)據(jù)?廣??“：?＾??１Ｊ?ｒｗｊＪ??：?ｒ??１??０」?，???，?，?，?，?，?，?，???０?２５?５０?７５?ｌｏｏ?１２５?１５０?１７５?２０Ｃ??Ｄａｙｓ??圖２．４?２００日水位樣本數(shù)據(jù)??Ｆｉｇ．?２....

圖２．５水位樣本數(shù)據(jù)在ＳＧ濾波前后的對比??Ｆｉｇ．?２．５?Ｃｏｍｐａｒｉｓｏｎ?ｏｆ?ｗａｔｅｒ?ｌｅｖｅｌ?ｓａｍｐｌｅ?ｄａｔａ?ｂｅｆｏｒｅ?ａｎｄ?ａｆｔｅｒ?ＳＧ?ｆｉｌｔｅｒｉｎｇ??

?大連海事大學碩士學位論文???Ｊ?—原始數(shù)據(jù)?廣??１???ＳＧ；慮；皮?／??６?Ｉ??－５?５］??ＩＪ??＼?／ＶｙＶ??ｒ?．??１?＾ｗ＼／ｖＶ??〇＼?，?：?，?，?，?，?，?，?，?！??０?２５?５０?７５?１００?１２５?１５０?１７５?２００??Ｄａｙｓ....

本文編號：3959864