-
公开(公告)号：CN110782093B
公开(公告)日：2022-05-27
申请号：CN201911026860.1
申请日：2019-10-26
Applicant: 福州大学
Abstract: 本发明涉及一种融合SSAE深度特征学习和LSTM网络的PM2.5小时浓度预测方法及系统，构建SSAE‑LSTM模型，将一定时间步长的空气污染物时间序列输入该模型，采用SSAE网络通过无监督的方法提取输入数据的抽象特征，将提取的特征作为LSTM网络的输入特征，获取一定时间步长内空气污染物信息的特征分布，最后结合全连接网络预测PM2.5小时浓度。本发明能够有效提高预测的准确率。
-
公开(公告)号：CN110213788B
公开(公告)日：2021-07-13
申请号：CN201910518513.4
申请日：2019-06-15
Applicant: 福州大学
Abstract: 本发明涉及基于数据流时空特征的WSN异常检测及类型识别方法，包括以下步骤：步骤S1:采用时空滑动窗口获取待测传感器目标节点及其邻居节点的实时数据流；步骤S2：将获取的实时数据流映射到对应的状态空间，并构建成Markov链的形式，基于Markov链计算状态转移概率矩阵和交叉状态转移概率矩阵提取实时数据流的时空特征；步骤S3：构建多分类卷积神经网络模型，并训练，得到训练好的多分类卷积神经网络模型模型；步骤S4：将实时数据流的时空特征输入至已训练好的多分类卷积神经网络模型模型中，通过前向传播，计算输出结果；步骤S5：根据模型输出结果判断数据流是否异常，并区分故障异常和事件异常。本发明可实现无线传感器网络的实时异常监测和异常类型识别。
-
公开(公告)号：CN110782093A
公开(公告)日：2020-02-11
申请号：CN201911026860.1
申请日：2019-10-26
Applicant: 福州大学
Abstract: 本发明涉及一种融合SSAE深度特征学习和LSTM网络的PM2.5小时浓度预测方法及系统，构建SSAE-LSTM模型，将一定时间步长的空气污染物时间序列输入该模型，采用SSAE网络通过无监督的方法提取输入数据的抽象特征，将提取的特征作为LSTM网络的输入特征，获取一定时间步长内空气污染物信息的特征分布，最后结合全连接网络预测PM2.5小时浓度。本发明能够有效提高预测的准确率。
-
-
Search Results
3
records
(took 0.015 seconds)
