.png){kind=icon}
返回
Predicting shoreline changes using deep learning techniques with Bayesian Optimisation
.png){kind=icon}
PRE
AI
DOI：10.1016/j.coastaleng.2025.104856.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
• 深度学习技术（LSTM，CNN-LSTM）为海岸线变化预测提供了一种有前景的方法
• 自回归预测的表现略优于使用波浪驱动力输入训练的模型
• 贝叶斯优化提供了计算效率高的模型超参数优化方法
• 输入数据噪声的减少可改善海岸线变化预测，具体取决于感兴趣的时间尺度要求
• 一组深度学习模型试验的平均预测值比单个“最佳优化”深度学习模型的预测值更为可取
Keyword:
Deep Learning
Shoreline Change Prediction
LSTM
CNN-LSTM
Bayesian Optimisation
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
4.5
论文数:
3.1K
被引数:
1.2W
机构
引用论文
分享收藏Sub-annual to multi-decadal shoreline variability from publicly available satellite imagery.png)
COASTAL ENGINEERING
COASTAL ENGINEERINGIF4.5
PREAI
分享收藏分享收藏Data-driven modelling of coastal storm erosion for real-time forecasting at a wave-dominated embayed beachCOASTAL ENGINEERING
OAAI
COASTAL ENGINEERINGIF4.5
OAAI分享收藏A Survey of Ensemble Learning: Concepts, Algorithms, Applications, and Prospects集成学习综述: 概念、算法、应用与展望IEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏
查看更多内容