文章目录

  • 0 封面
  • 1 标题 title
  • 2 作者 author
  • 3 摘要 abstract
  • 4 关键字 keywords
  • 5 结论 conclusion
  • 6 引言 introduction
  • 7 时序卷积神经网络



写在前面：计算机应用；主办方：中国科学院成都分院、四川省计算机学会；中文核心期刊；月刊；C类

0 封面

Python水文模型开发模块 水文模型论文_机器学习

  • 这篇文章采用【精读】：
  • 阅读顺序：title - author - abstract - keyword - conclusion - introduction - fugures and results - method - references

1 标题 title

  • 基于时域卷积神经网络的水文模型
  • 浅看标题，这篇文章应该是用卷积神经网络做的模型，水位属于水文信息，所以叫做水文模型！
  • 那么时域卷积神经网络的话，就是考虑了“时域信息”！（拿捏住了）

2 作者 author

应该是研究生论文吧，一作是研究生，盲猜是学硕小论文；
二作是导师，后面的都是领域大牛…

Python水文模型开发模块 水文模型论文_Python水文模型开发模块_02

3 摘要 abstract

Python水文模型开发模块 水文模型论文_深度学习_03

  • 通过阅读摘要，这篇文章的要点应该是在 一种结合改进灰狼优化算法、时域卷积神经网络（TCN）的预测模型。
  • 灰狼优化算法：①引入差分进化算法（DE）;②改进收敛因子和变异算子
  • 时域卷积神经网络（TCN），利用灰狼优化算法，来对重要的超参数进行优化

4 关键字 keywords

水位预测；灰狼优化算法；时域卷积神经网络；差分进化算法；收敛因子

5 结论 conclusion

Python水文模型开发模块 水文模型论文_pytorch_04


所以说，这篇文章写得还是很清晰的：

① MGWO-TCN就是标题中的水文模型。这个模型的本质是时域卷积神经网络，但是其中对于超参数的优化算法采用的是一种改进了的灰狼优化算法。

② 未来工作：考虑将改进的灰狼优化算法的搜索扩展至更多维度，对多个参数同时寻优，提升算法的计算效率。（就是说，现在一次只能优化一个超参数，未来想要一次性优化多个超参数）

6 引言 introduction

  1. 对于时序问题的建模，常用的是基于循环神经网络以及相关变体的方法，例如王、PAN、刘等人的工作。
  2. 经典的卷积神经网络，由于卷积核的限制，很少用于时序问题的处理。但是目前，很多研究工作发现特定的卷积结构可以在序列处理任务上达到甚至超过循环神经网络，例如张、L、武、SONG等人的工作。

    【下一次应该就是会阅读这些文章了】

7 时序卷积神经网络

  • 想要学习这个神经网络的小伙伴可以搜索一下下面这篇论文！