- · 《中国测试》编辑部征稿[10/30]
- · 《中国测试》杂志社刊物[10/30]
- · 《中国测试》期刊栏目设[10/30]
- · 《中国测试》数据库收录[10/30]
- · 《中国测试》投稿方式[10/30]
- · 中国测试版面费是多少[10/30]
来稿应自觉遵守国家有关著作权法律法规，不得侵犯他人版权或其他权利，如果出现问题作者文责自负，而且本刊将依法追究侵权行为给本刊造成的损失责任。本刊对录用稿有修改、删节权。经本刊通知进行修改的稿件或被采用的稿件，作者必须保证本刊的独立发表权。 一、投稿方式： 1、 请从 我刊官网 直接投稿 。 2、 请 从我编辑部编辑的推广链接进入我刊投审稿系统进行投稿。 二、稿件著作权： 1、 投稿人保证其向我刊所投之作品是其本人或与他人合作创作之成果，或对所投作品拥有合法的著作权，无第三人对其作品提出可成立之权利主张。 2、 投稿人保证向我刊所投之稿件，尚未在任何媒体上发表。 3、 投稿人保证其作品不含有违反宪法、法律及损害社会公共利益之内容。 4、 投稿人向我刊所投之作品不得同时向第三方投送，即不允许一稿多投。 5、 投稿人授予我刊享有作品专有使用权的方式包括但不限于：通过网络向公众传播、复制、摘编、表演、播放、展览、发行、摄制电影、电视、录像制品、录制录音制品、制作数字化制品、改编、翻译、注释、编辑，以及出版、许可其他媒体、网站及单位转载、摘编、播放、录制、翻译、注释、编辑、改编、摄制。 6、 第5条所述之网络是指通过我刊官网。 7、 投稿人委托我刊声明，未经我方许可，任何网站、媒体、组织不得转载、摘编其作品。
环境科学与资源利用论文_基于CNN-LSTM混合神经
作者:网站采编关键词:
摘要：文章摘要:为了充分挖掘电站锅炉NOx排放数据中时序性特征联系，提高NOx排放预测精度，提出一种基于卷积神经网络（CNN）和长短期记忆网络（LSTM）的NOx排放预测方法。以某300MW电站锅炉
文章摘要:为了充分挖掘电站锅炉NOx排放数据中时序性特征联系，提高NOx排放预测精度，提出一种基于卷积神经网络（CNN）和长短期记忆网络（LSTM）的NOx排放预测方法。以某300MW电站锅炉历史数据为样本，采用k-means聚类方法对NOx排放训练样本集进行分组，再基于CNN网络的卷积层和池化层提取NOx排放变量的高维映射关系，构造高维时序特征向量，将抽象化的特征集输入到LSTM网络，通过训练LSTM网络参数建立基于CNN-LSTM的NOx排放预测模型。通过某电站锅炉实际数据验证，所提预测模型对训练和测试样本的平均相对百分比误差分别为1.76%和3.85%，远低于其他模型。结果表明所提模型在预测精度和泛化能力方面具有显著优势。
文章关键词:
论文分类号:X773;TM621.2;TP183
文章来源：《中国测试》 网址: http://www.zgcszzs.cn/qikandaodu/2022/0125/2173.html