ACISCgydF4y2Ba 应用计算智能和软计算gydF4y2Ba 1687 - 9732gydF4y2Ba 1687 - 9724gydF4y2Ba HindawigydF4y2Ba 10.1155 / 2020/8685724gydF4y2Ba 8685724gydF4y2Ba 研究文章gydF4y2Ba 狮子Algorithm-Optimized长期短期记忆网络在Udupi区地下水位预测,印度gydF4y2Ba https://orcid.org/0000 - 0001 - 9540 - 0442gydF4y2Ba SupreethagydF4y2Ba b S。gydF4y2Ba 1gydF4y2Ba 谢诺gydF4y2Ba 纳拉gydF4y2Ba 2gydF4y2Ba NayakgydF4y2Ba 角色gydF4y2Ba 1gydF4y2Ba 李gydF4y2Ba 阳明gydF4y2Ba 1gydF4y2Ba 部门ECEgydF4y2Ba 技术学院gydF4y2Ba 576104年印度麦利普gydF4y2Ba 印度gydF4y2Ba manipal.edugydF4y2Ba 2gydF4y2Ba 技术学院印度麦利普高等教育学院gydF4y2Ba 印度麦利普高等教育学院(马埃)gydF4y2Ba 印度麦利普gydF4y2Ba 印度gydF4y2Ba manipal.edugydF4y2Ba 2020年gydF4y2Ba 13gydF4y2Ba 3gydF4y2Ba 2020年gydF4y2Ba 2020年gydF4y2Ba 06gydF4y2Ba 09年gydF4y2Ba 2019年gydF4y2Ba 29日gydF4y2Ba 11gydF4y2Ba 2019年gydF4y2Ba 04gydF4y2Ba 12gydF4y2Ba 2019年gydF4y2Ba 13gydF4y2Ba 3gydF4y2Ba 2020年gydF4y2Ba 2020年gydF4y2Ba 版权©2020 b s Supreetha et al。gydF4y2Ba 这是一个开放的文章在知识共享归属许可下发布的,它允许无限制的使用,分布和繁殖在任何媒介,提供最初的工作是正确的引用。gydF4y2Ba

地下水是一种宝贵的自然资源。地下水位(长城航空)预测在水资源管理领域是至关重要的。从observation-wells长城航空的测量原理的信息来源对含水层和对它的评价至关重要。大部分在印度卡纳塔克邦的Udupi区包括地质构造:红壤的地形和片麻岩的复杂。由于地形险峻和降雨量的不一致性,长城航空Udupi地区不断下降,大多数水井枯竭在夏天。因此,目前的研究旨在开发一个地下水位预测模型通过使用混合长短期memory-lion算法(LSTM-LA)。长城航空的历史和降雨数据从一个观察井Udupi区,位于卡纳塔克邦,印度,被用来开发模型。混合LSTM-LA模型的预测精度优于前馈神经网络(FFNN)和孤立LSTM模型。混合LSTM-LA-based预测模型是有前途的一个更大的数据集。gydF4y2Ba

 印度麦利普高等教育学院gydF4y2Ba 技术学院gydF4y2Ba 1。介绍gydF4y2Ba

地下水(GW)调查报告的2018年新印度快报显示,地下水位长城航空()在印度南部州很差。调查报告,调查在卡纳塔克邦1421口井,985年长城航空显示下降。长城航空调查还报道,连续下降Udupi地区(gydF4y2Ba 1gydF4y2Ba]。至关重要,能够用一个合适的模型预测GW资源使用先进的算法。长城航空预报系统拥有超过60年的历史gydF4y2Ba 2gydF4y2Ba]。大量的研究文献中,已达到一定程度的成熟。gydF4y2Ba

长城航空的水文地质预测模型是概率,确定性和随机GW的评估系统。传统的GW流模型是偏微分方程,对含水层性质与简化嵌入式假设和边界条件gydF4y2Ba 3gydF4y2Ba]。这些天然地下水系统是复杂的,有大量的参数,是高度在时间和空间变量,如含水层参数形成的导水率、存储、地下水含水层的维度,和其他参数与地质构造有关。长城航空简化预测,研究人员试图探索各种参数长城航空发展预测模型(gydF4y2Ba 4gydF4y2Ba]。gydF4y2Ba

水文模型的重要性环境和水资源管理增长与城市化和气候变化。大致分为概念性水文模型,物理和数学模型gydF4y2Ba 5gydF4y2Ba]。数学模型进一步分为经验集中概念和physical-based模型。Physical-based模型使用物理上可测量的静态输入变量,需要广泛的研究区域的信息。测量物理性质是困难的,特别是对于预测模型,输入值随时间变化(gydF4y2Ba 6gydF4y2Ba]。物理模型,准确预测,不是很实用,因为他们是低效率的预测不规则不同模式的数据(gydF4y2Ba 7gydF4y2Ba]。克服这个限制,快速增加的计算能力,最近使用定量数据驱动的模型是采用历史数据预测未来趋势(gydF4y2Ba 8gydF4y2Ba),成为水资源管理部门的标准工具(gydF4y2Ba 9gydF4y2Ba]。基于机器学习的方法是有前途的水文时间序列预测。然而,许多的技术依赖于优化的人工神经网络(ANN)权重或架构。数据驱动的模型开发与现有的数据和信息的输入和输出参数之间的关系。这些模型是特定于位置的,输出值是只适用于它开发的位置gydF4y2Ba 10gydF4y2Ba]。统计、模糊、回归和安是数学方法通常用于这些数据驱动模型。ANN模型得到的兴趣最近文献[gydF4y2Ba 11gydF4y2Ba]。研究人员已经实现的功能数量(ann模型地表水和地下水gydF4y2Ba 12gydF4y2Ba]。反向传播神经网络(BP)广泛用于训练。然而,ANN方法的结果被发现不一致和不稳定gydF4y2Ba 8gydF4y2Ba]。因此,选择和先进的数据驱动的模型是长城航空所需的实时预测更准确。gydF4y2Ba

开发不同类型的安架构和算法在文献中使用多层前馈,复发性网络和径向基网络(gydF4y2Ba 13gydF4y2Ba]。王妃Sethi et al。gydF4y2Ba 14gydF4y2Ba]研究了多层前馈BP学习算法开发地下水位深度预测模型。探索影响地下水位波动的重要参数,他们雇佣了月降雨量,蒸散,水位深度作为输入参数。他们预测地下水位深度在坚硬的岩石含水层提前了一个月。模型校准有限的输入数据集在研究期间监测。模型的性能可以进一步提高足够的数据集和不同的体系结构。传统的人工神经网络不能有效地处理连续数据,这是一个主要的缺点[gydF4y2Ba 15gydF4y2Ba]。较长的预测模型需要更换模具已开发利用深度学习技术与多个隐藏层。gydF4y2Ba

深度学习技术与多个隐藏层之间的输入和复发性神经网络(RNNs)近年来被广泛使用gydF4y2Ba 16gydF4y2Ba,gydF4y2Ba 17gydF4y2Ba]。然而,标准RNN架构不易捕捉长期变量之间的依赖关系,也由于消失和梯度爆炸问题,可以克服RNN的一种变体,称为长期短期记忆(LSTM)。LSTM最近才被用于水文时间序列预测(gydF4y2Ba 18gydF4y2Ba]。Bowes et al。gydF4y2Ba 19gydF4y2Ba]相比与LSTM RNN预测GW表在诺福克洪涝的沿海城市,维吉尼亚州。他们探索两个机器学习算法LSTM RNN模型和预测GW表响应风暴事件,使用GW表,降雨,从2010年到2018年海平面作为输入参数进行训练和测试模型。根据他们的研究,LSTM网络被发现有更多的预测比RNN的技能。Kratzert et al。gydF4y2Ba 20.gydF4y2Ba]探索应用LSTM作为地区降雨径流模型的集雨免费骆驼数据集。他们测试了他们的方法和比较的结果与著名的萨克拉门托土壤水分会计模型(SAC-SMA),取得了更好的模型性能,这突显出LSTM水文模型应用的潜力。的LSTM RNN的内部状态和可能学会预测不同系列具有良好的长期记忆,这是一个最具吸引力和强大的功能与传统前馈神经网络(FFNN)。gydF4y2Ba

有几个缺点使用LSTM网络隔离。学习LSTM模型大量记忆细胞变得计算昂贵。它也遭受缺乏解释能力模型获得的最终决定(gydF4y2Ba 21gydF4y2Ba]。为了克服这个限制,混合的方式被使用。穆罕默德Nawi et al。gydF4y2Ba 22gydF4y2Ba)调查数据分类问题,采用重量优化RNN使用布谷鸟搜索混合动力技术。收敛速度和局部最小值问题得到解决布谷鸟搜索算法。这个模型的性能比较与ABC使用摘要算法和其他混合变异。结果表明,传统RNN高度的计算效率提高时加上混合方法。钟和胫骨gydF4y2Ba 23gydF4y2Ba]研究小说的股市预测模型使用可用的金融数据。他们采用了深度学习技术LSTM与遗传算法相结合的混合方法。他们使用一个系统的方法来确定时间窗口的大小和拓扑LSTM网络使用遗传算法(GA)。实验结果表明,该混合LSTM网络优于基准模型。拉希德et al。gydF4y2Ba 24gydF4y2Ba)开发了一个结构良好的LSTM解决困难与传统RNN网络。他们用四个不同的优化器基于metaheuristic算法,和谐搜索(HS),灰太狼优化器(拥有),正弦余弦算法(SCA),狮子蚂蚁优化算法(ALOA)。由于长期依赖的学习速度和准确度LSTM RNN架构探讨和比较。他们建议LSTM的分类精度优于传统RNN架构和增加了复杂性的训练可以解决这些网络使用替代,强大,产品表面算法。gydF4y2Ba

需要有一个效率计算模型,该模型可以预测水位以最小的参数化。同时,这样一个模型应该能够应对气候变化。克服弱点,改善传统方法的收敛速度(预测精度),一个更先进、简单、健壮、高效和精确的模型是必需的。狮子自然算法算法(LA)是一个由拉库马2012年,模仿社会领土狮子育种及其防御其他游牧狮子。可以使用此拉结合LSTM找到最优的解决方案。目前的研究旨在开发一种新的混合metaheuristic方法使用优化LSTM网络的权重。研究还旨在分析的性能提出了混合LSTM-LA方法在选定数据集通过比较与标准前馈结构。gydF4y2Ba

 2。材料和方法gydF4y2Ba

研究开发和测试一种混合LSTM-LA模型。本节描述研究区和所使用的数据集,FFNN的描述模型,该模型的体系结构及其实现。gydF4y2Ba

2.1。研究区和数据集gydF4y2Ba

长城航空的一个挑战在预测是地下水的流动是独特的地质结构。因此,GW分析站点的特定区域。没有标准指标可用于预测长城航空的构建模型的优势。所以有必要开发地区长城航空预测通过收集特定区域的数据。这项研究是基于二级政府机构收集的数据从一个观察井位于Udupi地区的印度卡纳塔克邦(图gydF4y2Ba 1gydF4y2Ba)。卡纳塔克邦的地质情况非常复杂,不同的参数在其形成红土、片麻岩花岗岩、辉绿岩堤坝,沿海沉积岩类型(gydF4y2Ba 25gydF4y2Ba]。研究中的观察井认为位于红壤的地形(gydF4y2Ba 26gydF4y2Ba]。gydF4y2Ba

位置地图Udupi区。gydF4y2Ba

 2.2。前馈神经网络的地下水位预测的方法gydF4y2Ba

长城航空的FFNN结构预测GW的研究已经广泛应用。最常用的含水层模型算法神经网络域是梯度下降算法。在这部作品中,FFNN权重的优化使用梯度下降的方法。传统的梯度descent-based算法作用于一个单一的权向量。FFNN结构有两个输入,三个隐藏和一个输出节点与梯度下降训练图所示gydF4y2Ba 2gydF4y2Ba。gydF4y2Ba

FFNN重量优化使用梯度下降的方法。gydF4y2Ba

FFNN配置学习以随机的顺序,只流在前进方向的信息在每一层的网络。由于没有循环,它只预测连续目标变量。因此,为了了解逐步深入学习算法,特殊类型的RNN叫LSTM方法与self-connected盖茨在隐藏层实现。gydF4y2Ba

 2.3。混合长短期Memory-Lion算法(LSTM-LA)的方法gydF4y2Ba

[][的LSTMs,由Hochreiter引入和。施密德胡贝尔表示gydF4y2Ba 21gydF4y2Ba),特殊的RNNs有能力学习的长期依赖。LSTMs选择性地长时间记住模式与传统FFNN相比。LSTMs能够删除或添加信息到细胞状态通过仔细监管盖茨忘记门等gydF4y2Ba fgydF4y2Ba、输入门gydF4y2Ba 我gydF4y2Ba、输入调制门gydF4y2Ba ggydF4y2Ba 和输出门(图gydF4y2Ba 3gydF4y2Ba)。gydF4y2Ba

LSTM盖茨的结构。gydF4y2Ba

忘记门有助于流程之前的输出状态gydF4y2Ba hgydF4y2Ba tgydF4y2Ba−1gydF4y2Ba,忘记了不必要的信息作出决定。忘记和乙状结肠层函数表示在方程(gydF4y2Ba 1gydF4y2Ba)。输入门以适当的比例添加新信息,乙状结肠激活函数更新值,和双曲正切函数创建新的候选值(方程(gydF4y2Ba 2gydF4y2Ba)和(gydF4y2Ba 3gydF4y2Ba))。更新的新的候选值通过适当的扩展也给出了方程(gydF4y2Ba 4gydF4y2Ba):gydF4y2Ba (1)gydF4y2Ba fgydF4y2Ba tgydF4y2Ba =gydF4y2Ba σgydF4y2Ba WgydF4y2Ba fgydF4y2Ba ⋅gydF4y2Ba hgydF4y2Ba tgydF4y2Ba −gydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba xgydF4y2Ba tgydF4y2Ba +gydF4y2Ba bgydF4y2Ba fgydF4y2Ba ,gydF4y2Ba (2)gydF4y2Ba 我gydF4y2Ba tgydF4y2Ba =gydF4y2Ba σgydF4y2Ba WgydF4y2Ba 我gydF4y2Ba ⋅gydF4y2Ba hgydF4y2Ba tgydF4y2Ba −gydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba xgydF4y2Ba tgydF4y2Ba +gydF4y2Ba bgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba (3)gydF4y2Ba ĆgydF4y2Ba tgydF4y2Ba =gydF4y2Ba 双曲正切gydF4y2Ba WgydF4y2Ba CgydF4y2Ba ⋅gydF4y2Ba hgydF4y2Ba tgydF4y2Ba −gydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba xgydF4y2Ba tgydF4y2Ba +gydF4y2Ba bgydF4y2Ba CgydF4y2Ba ,gydF4y2Ba (4)gydF4y2Ba CgydF4y2Ba tgydF4y2Ba =gydF4y2Ba fgydF4y2Ba tgydF4y2Ba ∗gydF4y2Ba CgydF4y2Ba tgydF4y2Ba −gydF4y2Ba 1gydF4y2Ba +gydF4y2Ba 我gydF4y2Ba tgydF4y2Ba ∗gydF4y2Ba CgydF4y2Ba tgydF4y2Ba 。gydF4y2Ba

最后,乙状结肠的相关输出函数反映在以下方程:gydF4y2Ba (5)gydF4y2Ba ogydF4y2Ba tgydF4y2Ba =gydF4y2Ba σgydF4y2Ba WgydF4y2Ba ogydF4y2Ba hgydF4y2Ba tgydF4y2Ba −gydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba xgydF4y2Ba tgydF4y2Ba +gydF4y2Ba bgydF4y2Ba ogydF4y2Ba ,gydF4y2Ba (6)gydF4y2Ba hgydF4y2Ba tgydF4y2Ba =gydF4y2Ba ogydF4y2Ba tgydF4y2Ba ∗gydF4y2Ba 双曲正切gydF4y2Ba CgydF4y2Ba tgydF4y2Ba 。gydF4y2Ba

基本LSTM神经元有一个单独的细胞状态跟踪长期连续的信息。然而,学习LSTM模型大量记忆细胞变得计算昂贵。因此,采用混合LSTM-LA方法在当前的研究中,流程图(图所示gydF4y2Ba 4gydF4y2Ba)。gydF4y2Ba

代表混合LSTM-LA方法流程图。gydF4y2Ba

在混合LSTM-LA模型中,狮子是交配特征的数学建模优化LSTM网络的权重。随机生成的人口组称为狮子是初始化的解决方案。可能的解决方案是LSTM网络的权值和偏差。gydF4y2Ba

2的人口gydF4y2Ba ngydF4y2Ba狮子被分配到两组候选人人口。最好的重量和偏见是初始化与洛杉矶第一时代和传递给LSTM网络。第二步算法交配过程中保证狮子的生存以及不同成员之间的信息交换平台。后产生的新宝宝选择男性和女性狮子交配运营商使用的线性组合的父母使用如下方程给出:gydF4y2Ba (7)gydF4y2Ba 后代gydF4y2Ba jgydF4y2Ba 1gydF4y2Ba =gydF4y2Ba αgydF4y2Ba ×gydF4y2Ba 女gydF4y2Ba 狮子gydF4y2Ba jgydF4y2Ba +gydF4y2Ba ∑gydF4y2Ba 1gydF4y2Ba −gydF4y2Ba αgydF4y2Ba ∑gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba 全国抵抗运动gydF4y2Ba 年代gydF4y2Ba 我gydF4y2Ba ×gydF4y2Ba 男性gydF4y2Ba 狮子gydF4y2Ba jgydF4y2Ba 我gydF4y2Ba ×gydF4y2Ba 年代gydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba (8)gydF4y2Ba 后代gydF4y2Ba jgydF4y2Ba 2gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba −gydF4y2Ba αgydF4y2Ba ×gydF4y2Ba 女gydF4y2Ba 狮子gydF4y2Ba jgydF4y2Ba +gydF4y2Ba ∑gydF4y2Ba αgydF4y2Ba ∑gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba 全国抵抗运动gydF4y2Ba 年代gydF4y2Ba 我gydF4y2Ba ×gydF4y2Ba 男性gydF4y2Ba 狮子gydF4y2Ba jgydF4y2Ba 我gydF4y2Ba ×gydF4y2Ba 年代gydF4y2Ba 我gydF4y2Ba 。gydF4y2Ba 全国抵抗运动=数量的居民在骄傲和男性gydF4y2Ba αgydF4y2Ba=随机生成的数字和gydF4y2Ba (9)gydF4y2Ba 年代gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba 如果男性gydF4y2Ba 我gydF4y2Ba 被选中的交配gydF4y2Ba ,gydF4y2Ba 0gydF4y2Ba ,gydF4y2Ba 否则gydF4y2Ba 。gydF4y2Ba

变异率为0.2的变异算子是应用随机在每个基因的后代。最后阶段在洛杉矶是国防运营商,由防御新成熟男性和抵御游牧居民狮子。这个国防操作符中扮演一个重要的角色在洛杉矶通过协助保留强大的雄狮的解决方案。游牧狮子一样领土狮子和生成新的领土之间的生存斗争狮子和游牧狮子执行。雄性狮子占据的领土捍卫和保护幼崽,然后新的解决方案是用来攻击的雄狮。如果游牧狮子是优于其他解决方案的骄傲,雄狮被游牧狮子取代。领土收购是最后一步,在遗传算法的选择过程是一样的。在这一步中,找到最优解替换下的交配过程将反复进行,直到达到100年时代的终止条件。洛杉矶将更新权重与最佳解决方案在下一周期,和搜索过程是持续的。gydF4y2Ba

因此,所有层的权值和阈值随机LSTM模型初始化,和洛杉矶搜索最优权重。如果终止判据,即。,the maximum iteration number is reached, the optimal parameters are obtained or else the optimization steps are repeated until the conditions are satisfied. Then, the optimised LSTM model is used to forecast the GWL.

混合LSTM-LA、LSTM FFNN长城航空的模型被用来预测未来的趋势。2000年- 2018年期间的数据集被用来训练和测试的LSTM-LA模型预测不同的视野。80%的数据集作为训练集,剩下的20%将作为测试集。2018年的长城航空的月度预测结果相比LSTM和FFNN混合LSTM-LA模型方法。gydF4y2Ba

 3所示。结果与讨论gydF4y2Ba

长城航空的预估2018年使用混合LSTM-LA LSTM, FFNN方法如下所示(图gydF4y2Ba 5gydF4y2Ba)。预测结果验证对观察到的结果。FFNN建立预测显示大错误premonsoon时期相比,混合LSTM-LA方法。是观察到的混合LSTM-LA模型结果与原始数据相比更好的关联LSTM FFNN和其他方法。因此,LSTM-LA方法相比传统的前馈方法更准确地预测。gydF4y2Ba

比较使用FFNN长城航空的月度预测,LSTM, LSTM-LA。gydF4y2Ba

我们考虑了两种性能指标评估预测的准确性。图gydF4y2Ba 6gydF4y2Ba显示所有三个软计算方法的性能使用统计指标的均方根误差(RMSE)和平均绝对误差(MAE)。RMSE是更敏感的大偏差的平方误差之间的预测和实绩。美另一方面平均绝对误差是一个更合适的措施。美和RMSE值较低的混合LSTM-LA方法与FFNN和LSTM方法相比,表明混合LSTM-LA方法优于单独的方法,LSTM FFNN。gydF4y2Ba

情节的RMSE、MSE和混合LSTM-LA美,LSTM, FFNN模型。gydF4y2Ba

长城航空的月度预测2019年使用混合LSTM-LA LSTM, FFNN方法呈现在图gydF4y2Ba 7gydF4y2Ba。图显示了一个增加的趋势不分季节,由于降雨的不一致。gydF4y2Ba

使用LSTM-LA情节的预测地下水位,LSTM, FFNN模型。gydF4y2Ba

时间序列图(图gydF4y2Ba 8gydF4y2Ba长城航空)显示未来使用提出了混合LSTM-LA模型预测。模型训练使用数据在一段时间内216个月(18岁)从2000年1月至2017年12月开始。模型能够准确地预测未来趋势的最大一年更换模具。gydF4y2Ba

为预测地下水位的阴谋。gydF4y2Ba

交叉验证重采样过程是用来评估不同的机器学习算法在有限样本数据。交叉验证主要用于估计对看不见的数据机器学习算法的准确性。在5倍交叉验证,我们最初的训练数据集分割成5等于子集称为折叠。机器学习算法的准确性估计精度的平均值得到交叉验证的所有5例。这个盒子,晶须(图绘图gydF4y2Ba 9gydF4y2Ba)显示的传播预测准确性分数为每个算法在每个验证褶皱。gydF4y2Ba

盒子,须情节比较模型的预测精度。gydF4y2Ba

预测的准确性,由中值,表示FFNN, LSTM,和混合LSTM-LA方法是72%,88%,和97.5%,分别。基于混合LSTM-LA模型与传统FFNN相比网络基于结构模型。从上面的图在图gydF4y2Ba 9gydF4y2Ba,它可以观察到,LSTM-LA方法与FFNN-based模型相比具有较高的精度。gydF4y2Ba

 4所示。结论gydF4y2Ba

稀缺的纯饮用水是全球性问题。长城航空提供有用的信息来评估地下水资源。当前的研究开发了一种新的混合metaheuristic方法使用狮子算法优化LSTM长城航空预测网络的权重。长城航空的先例和降水数据集从2000年到2018年从政府机构访问。观察井位于Udupi地区红壤的地形,卡纳塔克邦,印度。从提出LSTM-LA模型获得的结果与基本FFNN和LSTM模型。学徒FFNN模型在随机顺序,而反馈回路在LSTM学习逐步启用。有几个缺点利用独立LSTM网络。它从一个不同寻常的输入变量的分布测试集与训练数据。因此,狮子算法用于优化LSTM和发展LSTM-LA模型的权重。 The lion algorithm looks for optimal point through different strategies by balancing exploration and exploitation. The hybrid LSTM-LA model is preferred over traditional FFNN and LSTM on its own, in terms of prediction accuracy and convergence rate. This research work concludes that GWL forecasting with systematically configured LSTM model surpasses the traditional FFNN model with higher efficiency.

 数据可用性gydF4y2Ba

使用的数据来支持本研究的发现可以从相应的作者。gydF4y2Ba

 的利益冲突gydF4y2Ba

作者声明没有利益冲突有关的出版。gydF4y2Ba

 确认gydF4y2Ba

作者感谢Nagaraj Rao,统计部门,Udupi区,卡纳塔克邦政府和Niranjan先生和Dinakar Shetty先生,高级地质学家,Udupi区,提供有价值的降雨和长城航空研究期间的数据。作者也感谢印度麦利普高等教育学院(马希)和技术学院(麻省理工学院)研究工作的支持。gydF4y2Ba

 SripadgydF4y2Ba a . M。gydF4y2Ba 卡纳塔克邦看到地下水位下降gydF4y2Ba 2018年gydF4y2Ba 金奈,印度gydF4y2Ba 新印度快报gydF4y2Ba EienengydF4y2Ba m . N。gydF4y2Ba 艾尔沙德gydF4y2Ba M。gydF4y2Ba 地下水的规模问题,地下水综合管理gydF4y2Ba 2016年gydF4y2Ba 雷斯顿,弗吉尼亚州,美国gydF4y2Ba 美国地质调查局gydF4y2Ba 哈雷gydF4y2Ba D。gydF4y2Ba 贾特人gydF4y2Ba m·K。gydF4y2Ba MishragydF4y2Ba p K。gydF4y2Ba 地下水水文:概述,整体水资源可持续管理气候变化gydF4y2Ba 2017年gydF4y2Ba 4.1gydF4y2Ba 4.26gydF4y2Ba 耆那教的兄弟,新德里,印度gydF4y2Ba 库马尔gydF4y2Ba c·P。gydF4y2Ba 辛格gydF4y2Ba 年代。gydF4y2Ba 地下水系统的概念和建模gydF4y2Ba 国际期刊的创新科学、工程和技术gydF4y2Ba 2015年gydF4y2Ba 2gydF4y2Ba 2gydF4y2Ba 262年gydF4y2Ba 271年gydF4y2Ba DeviagydF4y2Ba g·K。gydF4y2Ba GanasrigydF4y2Ba b P。gydF4y2Ba DwarakishgydF4y2Ba g S。gydF4y2Ba 对水文模型审查gydF4y2Ba 水生ProcediagydF4y2Ba 2015年gydF4y2Ba 4gydF4y2Ba 1001年gydF4y2Ba 1007年gydF4y2Ba 10.1016 / j.aqpro.2015.02.126gydF4y2Ba El阿飞gydF4y2Ba M。gydF4y2Ba 地下水数值模拟是一种有效的干旱地区水资源管理的工具gydF4y2Ba 水文科学杂志gydF4y2Ba 2014年gydF4y2Ba 59gydF4y2Ba 6gydF4y2Ba 1259年gydF4y2Ba 1274年gydF4y2Ba 10.1080 / 02626667.2013.836278gydF4y2Ba 2 - s2.0 - 84903616083gydF4y2Ba 解结的人gydF4y2Ba M。gydF4y2Ba 比尔肯斯gydF4y2Ba m·f·P。gydF4y2Ba 时间序列模型的物理基础水位深度gydF4y2Ba 水资源研究gydF4y2Ba 2000年gydF4y2Ba 36gydF4y2Ba 1gydF4y2Ba 181年gydF4y2Ba 188年gydF4y2Ba 10.1029/1999 wr900288gydF4y2Ba 2 - s2.0 - 0033986571gydF4y2Ba NouranigydF4y2Ba V。gydF4y2Ba MogaddamgydF4y2Ba 答:一个。gydF4y2Ba NadirigydF4y2Ba a . O。gydF4y2Ba 一个ANN-based时空地下水位预报模型gydF4y2Ba 水文过程gydF4y2Ba 2008年gydF4y2Ba 22gydF4y2Ba 26gydF4y2Ba 5054年gydF4y2Ba 5066年gydF4y2Ba 10.1002 / hyp.7129gydF4y2Ba 2 - s2.0 - 67649122251gydF4y2Ba ShirmohammadigydF4y2Ba B。gydF4y2Ba VafakhahgydF4y2Ba M。gydF4y2Ba MoosavigydF4y2Ba V。gydF4y2Ba MoghaddamniagydF4y2Ba 一个。gydF4y2Ba 应用程序的几个数据驱动技术预测地下水位gydF4y2Ba 水资源管理gydF4y2Ba 2013年gydF4y2Ba 27gydF4y2Ba 2gydF4y2Ba 419年gydF4y2Ba 432年gydF4y2Ba 10.1007 / s11269 - 012 - 0194 - ygydF4y2Ba 2 - s2.0 - 84871721755gydF4y2Ba 田gydF4y2Ba J。gydF4y2Ba 李gydF4y2Ba C。gydF4y2Ba 贾gydF4y2Ba lgydF4y2Ba 地下水深度预测使用数据驱动模型的协助下伽马测试gydF4y2Ba 可持续性gydF4y2Ba 2016年gydF4y2Ba 8gydF4y2Ba 1076年gydF4y2Ba 1gydF4y2Ba 17gydF4y2Ba 10.3390 / su8111076gydF4y2Ba 2 - s2.0 - 85000460203gydF4y2Ba CoulibalygydF4y2Ba P。gydF4y2Ba AnctilgydF4y2Ba F。gydF4y2Ba AravenagydF4y2Ba R。gydF4y2Ba BobeegydF4y2Ba B。gydF4y2Ba 人工神经网络建模的水位深度波动gydF4y2Ba 水资源研究gydF4y2Ba 2001年gydF4y2Ba 37gydF4y2Ba 4gydF4y2Ba 885年gydF4y2Ba 896年gydF4y2Ba 10.1029/2000 wr900368gydF4y2Ba 2 - s2.0 - 0034993945gydF4y2Ba 陶尔米纳gydF4y2Ba R。gydF4y2Ba 洲gydF4y2Ba K.-W。gydF4y2Ba 塞提gydF4y2Ba R。gydF4y2Ba 每小时人工神经网络模拟地下水位在沿海含水层系统的威尼斯泻湖gydF4y2Ba 人工智能技术的工程应用gydF4y2Ba 2012年gydF4y2Ba 25gydF4y2Ba 8gydF4y2Ba 1670年gydF4y2Ba 1676年gydF4y2Ba 10.1016 / j.engappai.2012.02.009gydF4y2Ba 2 - s2.0 - 84868367414gydF4y2Ba 高gydF4y2Ba Y。gydF4y2Ba 呃gydF4y2Ba m·J。gydF4y2Ba NARMAX时间序列模型预测:前馈和递归模糊神经网络方法gydF4y2Ba 模糊集和系统gydF4y2Ba 2005年gydF4y2Ba 150年gydF4y2Ba 2gydF4y2Ba 331年gydF4y2Ba 350年gydF4y2Ba 10.1016 / j.fss.2004.09.015gydF4y2Ba 2 - s2.0 - 11244305511gydF4y2Ba 王妃塞提gydF4y2Ba R。gydF4y2Ba 库马尔gydF4y2Ba 一个。gydF4y2Ba 沙玛gydF4y2Ba s P。gydF4y2Ba 时gydF4y2Ba h . C。gydF4y2Ba 预测地下水位深度的硬摇滚盆地使用人工神经网络gydF4y2Ba 国际水资源与环境工程杂志》上gydF4y2Ba 2010年gydF4y2Ba 2gydF4y2Ba 4gydF4y2Ba 95年gydF4y2Ba 102年gydF4y2Ba AbiodungydF4y2Ba o . I。gydF4y2Ba JantangydF4y2Ba 一个。gydF4y2Ba OmolaragydF4y2Ba 答:E。gydF4y2Ba 构造背景gydF4y2Ba k V。gydF4y2Ba 默罕默德gydF4y2Ba n A.E.gydF4y2Ba 艾尔沙德gydF4y2Ba H。gydF4y2Ba 最先进的人工神经网络的应用程序:一个调查gydF4y2Ba HeliyongydF4y2Ba 2018年gydF4y2Ba 4gydF4y2Ba 1gydF4y2Ba 41gydF4y2Ba 10.1016 / j.heliyon.2018.e00938gydF4y2Ba 2 - s2.0 - 85057050483gydF4y2Ba ShresthagydF4y2Ba 一个。gydF4y2Ba 马哈茂德gydF4y2Ba 一个。gydF4y2Ba 审查深度学习算法和架构gydF4y2Ba IEEE访问gydF4y2Ba 2019年gydF4y2Ba 7gydF4y2Ba 53040年gydF4y2Ba 53065年gydF4y2Ba 10.1109 / access.2019.2912200gydF4y2Ba 2 - s2.0 - 85066863382gydF4y2Ba 塔拉尔gydF4y2Ba R。gydF4y2Ba 塔里克gydF4y2Ba Z。gydF4y2Ba 默罕默德gydF4y2Ba z . T。gydF4y2Ba 培训复发性神经网络混合PSO-cuckoo搜索算法的优化问题gydF4y2Ba 国际期刊的计算机应用程序gydF4y2Ba 2017年gydF4y2Ba 159年gydF4y2Ba 3gydF4y2Ba 32gydF4y2Ba 38gydF4y2Ba 10.5120 / ijca2017912891gydF4y2Ba 肖gydF4y2Ba Y。gydF4y2Ba 阴gydF4y2Ba Y。gydF4y2Ba 短期交通流生产混合LSTM NNgydF4y2Ba 信息gydF4y2Ba 2019年gydF4y2Ba 10gydF4y2Ba 105年gydF4y2Ba 1gydF4y2Ba 22gydF4y2Ba 10.3390 / info10030105gydF4y2Ba 2 - s2.0 - 85063864063gydF4y2Ba BowesgydF4y2Ba B。gydF4y2Ba 萨德勒gydF4y2Ba j . M。gydF4y2Ba MorsygydF4y2Ba M . M。gydF4y2Ba 玛德behl和乔纳森·L。goodal, forecasting groundwater table in a flood prone coastal city with long short term memory and recurrent neural networks 水gydF4y2Ba 2019年gydF4y2Ba 11gydF4y2Ba 1gydF4y2Ba 38gydF4y2Ba 10.3390 / w11051098gydF4y2Ba 2 - s2.0 - 85066330367gydF4y2Ba KratzertgydF4y2Ba F。gydF4y2Ba 克洛茨gydF4y2Ba D。gydF4y2Ba 布伦纳gydF4y2Ba C。gydF4y2Ba 舒尔茨gydF4y2Ba K。gydF4y2Ba HerrneggergydF4y2Ba M。gydF4y2Ba 降雨径流模型使用长期短期记忆(LSTM)网络gydF4y2Ba 水文和地球系统科学gydF4y2Ba 2018年gydF4y2Ba 22gydF4y2Ba 11gydF4y2Ba 6005年gydF4y2Ba 6022年gydF4y2Ba 10.5194 /赫斯- 22 - 6005 - 2018gydF4y2Ba 2 - s2.0 - 85055852255gydF4y2Ba HochreitergydF4y2Ba 年代。gydF4y2Ba SchmidhubergydF4y2Ba J。gydF4y2Ba 长时间的短期记忆gydF4y2Ba 神经计算gydF4y2Ba 1997年gydF4y2Ba 9gydF4y2Ba 8gydF4y2Ba 1735年gydF4y2Ba 1780年gydF4y2Ba 10.1162 / neco.1997.9.8.1735gydF4y2Ba 2 - s2.0 - 0031573117gydF4y2Ba 穆罕默德NawigydF4y2Ba N。gydF4y2Ba 汗gydF4y2Ba 一个。gydF4y2Ba 拉赫曼gydF4y2Ba m Z。gydF4y2Ba Haruna Chiroma和Tutut HerawangydF4y2Ba 在复发性神经网络权重优化混合metaheuristic布谷鸟搜索技术进行数据分类gydF4y2Ba 数学问题在工程gydF4y2Ba 2015年gydF4y2Ba 2015年gydF4y2Ba 12gydF4y2Ba 868375年gydF4y2Ba 10.1155 / 2015/868375gydF4y2Ba 2 - s2.0 - 84945288449gydF4y2Ba 钟gydF4y2Ba H。gydF4y2Ba 胫骨gydF4y2Ba K.-S。gydF4y2Ba 遗传算法优化长期短期记忆网络股市pedictiongydF4y2Ba 可持续性gydF4y2Ba 2018年gydF4y2Ba 10gydF4y2Ba 3765年gydF4y2Ba 2gydF4y2Ba 18gydF4y2Ba 10.3390 / su10103765gydF4y2Ba 2 - s2.0 - 85055111230gydF4y2Ba 拉希德gydF4y2Ba t。gydF4y2Ba 法塔赫gydF4y2Ba P。gydF4y2Ba AwlagydF4y2Ba d·K。gydF4y2Ba 使用测量精度提高的培训与metaheuristic LSTM算法gydF4y2Ba Procedia计算机科学gydF4y2Ba 2018年gydF4y2Ba 140年gydF4y2Ba 324年gydF4y2Ba 333年gydF4y2Ba 10.1016 / j.procs.2018.10.307gydF4y2Ba 2 - s2.0 - 85061979818gydF4y2Ba RadhakrishnagydF4y2Ba b P。gydF4y2Ba Vaidya内森gydF4y2Ba R。gydF4y2Ba 地质的卡纳塔克邦gydF4y2Ba 2011年gydF4y2Ba 印度班加罗尔gydF4y2Ba 印度地质学会gydF4y2Ba 印度政府gydF4y2Ba 地下水信息小册子,Udupi区,卡纳塔克邦gydF4y2Ba 2013年gydF4y2Ba 新德里,印度gydF4y2Ba 印度政府、水利部、中央地下水gydF4y2Ba