水质异常检测方法基于注意门式液体神经网络
Hongling Liu1, Jiali Zhang2, Xiaoyuan He3
1School of Architecture and Art, Guangzhou Nanyang Polytechnic College.
Journal of visualized experiments : JoVE
|February 23, 2026
概括
这项研究引入了注意力封闭液体神经网络 (AG-LNN) 用于水质异常检测. 这种新型模型擅长识别复杂环境数据中的问题,改善水生环境保护.
科学领域:
- 环境科学 环境科学
- 数据科学数据科学数据科学
- 机器学习 机器学习
背景情况:
- 水源监测网络正在扩大,增加了对有效的时间序列异常检测的需求.
- 传统模型面临的挑战是不规则的数据,复杂的相关性和水质监测中的解释性.
研究的目的:
- 为大规模的水质异常检测开发一个强大且可解释的模型.
- 解决现有模型在处理现实世界水质数据方面的局限性.
主要方法:
- 提出了一个注意力封闭液态神经网络 (AG-LNN),将液态神经网络 (LNN) 与注意力机制集成在一起.
- 实现了输入注意力和时间常数门,以专注于相关变量并适应时间记忆.
- 利用来自13个省份的中国国家环境监测中心 (2019-2024) 的数据.
主要成果:
- AG-LNN的性能优于LSTM,TCN,变压器和GNN模型.
- 实现了0.95的精度回忆曲线下的区域 (PR-AUC) 和0.90.90的F1得分.
- 在跨区域和时间评估中证明了稳定性;AG-LNN-light提供了高效的边缘部署.
结论:
- 专注的连续时间建模为水质异常检测提供了一种强大的方法.
- AG-LNN为保护水生环境提供了强大,可解释和高效的解决方案.
- 该模型的适应性和性能突出显示了其在实际环境监测应用中的潜力.
