登录
 机构网站
  1. 首页
  2. 情报产品
  3. 快讯详情

《基于迁移学习LSTM和BP优化模型的水质预测》

  • 来源专题：水环境治理与保护
  • 编译者： 王阳1
  • 发布时间：2023-11-29

  • 基于迁移学习LSTM和BP优化模型的水质预测。结果明，提出的深度学习模型可将东关大桥断面LSTM和BP预测结果分别提高7%和9%，凉水河许各庄断面分别提高11%和17%，榆林庄断面分别提高16%和13%。研究探索了采用迁移融合学习增强BP和LSTM模型性能，一定程度上解决了模型过拟合问题，为缺资料流域或地区尤其是城市河流水质预测提供了新思路。

    构建的迁移融合学习增强BP和LSTM模拟一定程度上解决了模型过拟合问题。下一步将探索物理机理模型与机器学习的整合，有助于推进缺资料地区水质预测研究，并为水环境管理提供科技支撑。

388浏览量
原文链接
相关报告

  • 《基于迁移学习和临床实践的超声图像痛风识别》
    • 来源专题：重大慢性病
    • 编译者：黄雅兰
    • 发布时间：2023-10-12
    • 痛风是一种常见的代谢性疾病，其特征在于软组织中尿酸单钠盐一水合物晶体(痛风石)的沉积，引发剧烈急性关节炎，伴有无法忍受的疼痛以及关节和关节周围炎症。痛风石还可以促进慢性炎症和糜烂性关节炎。2015 ACR/EULAR痛风分类标准包括临床、实验室和影像学检查结果，其中痛风病例的阈值得分≥ 8。一些与影像学相关的发现，如超声中的双轮廓征，双能计算机断层扫描中的尿酸盐，或与痛风相关的放射影像学侵蚀，最高可得4分。显然，痛风的诊断在很大程度上是由影像学发现辅助的；然而，双能计算机断层扫描是昂贵的，并且使患者暴露在高水平的辐射下。虽然肌肉骨骼超声是非侵入性和廉价的，但结果的可靠性取决于专家的经验。在当前的研究中，我们应用迁移学习训练卷积神经网络来识别超声图像中的痛风石。预测的准确性随卷积神经网络模型而变化，如下:InceptionV3(0.871±0.020)、resnet 101(0.913±0.015)和vgg 19(0.918±0.020)。灵敏度如下:InceptionV3(0.507±0.060)，resnet 101(0.680±0.056)，vgg 19(0.747±0.056)。精度如下:InceptionV3(0.767±0.091)、resnet 101(0.863±0.098)和vgg 19(0.825±0.062)。我们的结果表明，有可能重新训练深度卷积神经网络，以高精度识别超声图像中痛风石的模式。
    215浏览量
    原文链接

  • 《基于机器学习技术开发电池寿命精确预测模型》
    • 来源专题：中国科学院文献情报先进能源知识资源中心 |领域情报网
    • 编译者：guokm
    • 发布时间：2019-06-05
    • 如何利用电池早期循环数据，实现对电池循环寿命预测的及时性、准确性一直是传统电池寿命预测研究中的难点。而将机器学习、大数据分析等先进数据分析技术引入电池寿命预测，将会更快、更及时、更准确地实现电池寿命预测，从而推动电池技术的快速发展。麻省理工学院的Richard D. Braatz教授课题组和劳伦斯伯克利国家实验室研究人员进行合作，在收集了124个电池组不同使用寿命的数据基础上，利用机器学习开发了全新的电池寿命预测模型，实现了对商业化的磷酸铁锂/石墨（LFP/Graphite）全电池的使用寿命更高精度的预测。由于电池的衰减过程是一个复杂的非线性过程，涉及很多参数（数据），因此要建立高精度预测模型就必须考量这一系列数据，即建立一个多参数高纬度预测模型，这意味着建立模型需要大量的数据基础。为此，研究人员使用商业化的LFP/Graphite全电池（代号A123，APR18650M1A，额定容量为1.1Ah）进行一系列电化学性能测试：在30℃温度下，使用不同的快速充放电条件（改变不同的充放电倍率）对电池进行循环测试，获得了大量的电池循环寿命基础数据信息（全电压曲线、电池阻抗以及电池工作温度等），循环寿命范围在150到2300圈之间，总计获得96700圈的电池数据，是目前已报道的文献中最大的商业化电池循环数据集。基于上述大量数据，作者使用机器学习方法开发了全新的电池寿命早期预测模型，模型主要建立放电容量与电压曲线的特征参数之间的关系（将电池容量视为电压函数）来预测电池的循环寿命。依据对数据不同处理方式，形成三种模型，分别是：（1）方差模型（Variance）；（2）放电模型（Discharge）；（3）引入温度、阻抗等额外参数数据全模型（Full）。在随后的所有的预测模型中，都只使用电池前一百次的循环数据。在Variance模型中，在主数据集上存在15%的平均百分比误差，在辅助数据集上存在11%的平均百分比误差；Discharge模型还考虑了前一百次循环的放电电压和电流信息，将误差分别降低到10.1%以及8.6%；Full模型综合考虑了放电过程中的各种可采集的数据信息，将误差分别降到了7.5%和10.7%，与其他的文献报道的预测模型相比，预测精度提高了25%。为了满足锂电池的生产需求（需要对电池进行循环寿命更加快速可靠分析），研究人员进一步设计了基于前5次电池循环数据的寿命预测模型。实验结果显示，Variance方差模型预测精度可以达到88.8%的预测精度，Full模型则获得了高达95.1%预测准确度。该项研究基于大量循环测试基础数据基础上，利用机器学习构建了基于放电容量的电压曲线特征的预测模型，实现了对电池寿命高效和准确的预测，对电池技术快速发展具有重大指导意义。相关研究成果发表在《Nature Energy》。
    493浏览量
    原文链接