其他
当前,深度学习作为人工智能的热门技术发展迅速,以其强大的非线性和不确定性处理能力在图像识别、语音识别、自然语言处理等领域取得了显著的成效。它是一种端到端的处理方法,在训练算法的指导下,深层神经网络自发地从原始数据中进行抽象,提炼关键特征,对结果做出预报,中间过程不需要人工干预,尤其适合解决样本和结论容易获取但样本导致结论的原因难以清晰界定的问题。水质综合评价和预测是水环境科学的重要研究内容,它以定量特征直观地描述水环境质量的状态,在此基础上开展对当前水质的综合评价和未来一段时间内水质状态的预测。在水质评价方面,传统方法主要有综合指数法、模糊综合评价法、灰色模式识别法等,这些方法都包含了一些主观因素,如隶属度函数和各指标的权重等,导致结果具有一定的主观性,适用性不强;在水质预测方面,传统方法主要有线性回归法、灰色模型预测法等,这些方法都不能很好地反应数据之间的内在关联和时间序列特征,在实际中预测效果欠佳。水文预报是防汛抗旱决策、水资源综合利用、生态环境保护以及水利水电工程运行管理的重要依据,它根据前期和现时已知的水文气象资料,对未来一定时间水文要素的状态作出定量的预测。传统方法主要研究流域产汇流以及洪水传播的原理进行预报,但是实际情况复杂,简化后的数学模型往往难以获取足够详细的数据或者存在较大的系统性误差。在水文水质领域,基于神经网络的深度学习方法则能弥补上述不足,它能自动寻找输入和输出数据之间的内在关联,不需要人工显式地给出原理,直接由算法在数据中学习评价和预测规则,适合当前大数据背景下的多种应用,且近年来深度学习技术在水文水质领域亦取得了丰硕的研究成果。虽然深度学习方法非常适合水文水质领域的许多问题,但该技术的数学理论往往难以理解和钻研。本次课程摒弃晦涩的数学理论和梯度公式的推导,重点讲解python系列软件包的基础知识、基于TensorFlow的模型实现方法以及不同模型的应用场景,旨在借助这些工具和软件包,使不同学科和知识背景的人员能使用深度学习技术解决实际工作中的问题。授课内容以水文水质领域的应用为背景,包括流量预报、水位预报、水质综合评价和水质预测任务,涉及的深度学习模型有前馈神经网络、卷积神经网络、循环神经网络(包括LSTM、GRU和Attention机制),对其中使用的重要函数的参数和输出均给出图示和应用小案例,方便大家学习。时间:2021年4月23日-25日