基于R-OSELM的海洋环境数据在线预测

为及时辨识海洋环境的变化趋势和降低长期累积的海洋环境数据对预测模型的影响,提出一种基于循环在线顺序极限学习机(Recurrent Online Sequential Extreme Learning Machine R-OSELM)的海洋环境数据在线预测模型.采用完全在线的方法初始化海洋环境数据训练集,通过在线顺序极限学习机算法对已有的海洋环境数据进行逐块输入,利用极限学习机的自动编码技术与一种归一化方法对输入权重循环处理,实现预测模型的在线更新,最后完成对海洋环境数据的在线预测.使用该模型对溶解氧、叶绿素a、浊度、蓝绿藻进行预测,结果表明R-OSELM模型的预测精度高于对比模型,确定其具备海洋环境数据在线预测能力,可为海洋水域水体富营养化与海洋环境污染预警提供参考.     

基于CRQA-DBN-ELM空气质量数据预测模型

对空气质量影响因素进行分析与预测是确定关键因素和追溯污染源的简单而有效的途径。针对当前空气质量预测方法预测精度不高,且极易陷入局部最优值的问题,本文提出了一种基于交叉递归定量分析（Cross Recurrence Quantification Analysis, CRQA）与深度置信网络-极限学习机（Deep Belief Network-Extreme Learning Machine, DBN-ELM）的空气质量数据预测方法。首先,采用CRQA对多种空气质量影响因素间的关联度进行分析,筛选出影响空气质量的重要因素。然后,将获取的空气质量主要影响因素输入到DBN-ELM模型中进行预测。其中,DBN用于提取空气质量主要因素的关键特征,ELM用于最终空气质量时序数据的非线性逼近。实验结果表明,在北京奥体中心站点空气质量数据集上,该模型的RMSE值为1.7759,R2为0.9833,优于其他对比模型。进一步,采用散点图与分位比较图方法验证了所提出模型的有效性。     

基于动态高效网络的花粉图像识别模型

针对花粉图像清晰度不足、形状相近等特性所导致的识别精度低、人工识别低效的问题，提出一种基于动态高效网络的花粉图像识别模型。在ImageNet数据集上使用Noisy Student方法对EfficientNet进行预训练；将训练后的权重迁移到花粉识别模型中；引入动态学习率提升模型的识别精度。采用MixUp和GridMask的方法用于花粉图像数据增强。仿真结果与其它模型进行比较，验证了提出模型具有更好的分类效果。