本周阅读了题为Large-scale water quality prediction with integrated deep neural network的论文。这项工作提出了一种基于长期短期记忆的编码器-解码器神经网络和 Savitzky-Golay 滤波器的混合模型。其中，Savitzky-Golay滤波器可以消除水质时间序列中的潜在噪声，长短期记忆可以研究复杂水环境中的非线性特性。这样就

本周对《An Attention-Based CNN-LSTM Method for Effluent Wastewater Quality Prediction》这篇关于污水处理的文章进一步阅读，并尝试使用代码复现。本文提出了一种基于注意力机制的CNN-LSTM混合模型（CLATT），用于预测污水处理厂（WWTP）出水水质，通过结合CNN、LSTM和注意力机制，成功提高了污水处理厂出水水质的预测精

本周对《An Attention-Based CNN-LSTM Method for Effluent Wastewater Quality Prediction》这篇关于污水处理的文章进一步阅读，并尝试使用代码复现。本文提出了一种基于注意力机制的CNN-LSTM混合模型（CLATT），用于预测污水处理厂（WWTP）出水水质，通过结合CNN、LSTM和注意力机制，成功提高了污水处理厂出水水质的预测精

本周使用LSTM，Transformer等基础模型对伶俐污水处理厂的数据进行预测，预测出水水质的一些参数，效果还可以，未来将用其他厂更多更合理的数据进行预测尝试。此外，还对基于人工智能技术在污水处理中的应用数学模型和变量进行系统性表达，以此全面描述污水处理过程的多维效率，并在实际运行中应用智能优化工具提升处理效果和效率。This week, LSTM, Transformer and other

本周对南宁伶俐工业园区污水处理厂进行调研，了解了该污水处理厂的详细工艺。又基于UCI水处理数据集，使用深度学习方法构建了预测模型，对水处理单元的进出水水质进行预测分析。数据预处理包括数据清洗、PCA降维、滑动窗口数据增强等，以提升模型的计算效率和准确性。模型采用卷积神经网络（CNN）、长短期记忆网络（LSTM）及注意力机制结合的CLATT模型，通过多层卷积、LSTM层、多头注意力机制及残差块提取特

本周阅读了一篇基于CNN-LSTM黄金价格时间序列预测模型的文章，文中提出了一种新的深度学习预测模型，用于准确预测黄金价格和走势。该模型利用卷积层提取有用知识和学习时间序列数据内部表示的能力，以及长短期记忆（LSTM）层识别短期和长期依赖关系的有效性。实验分析表明，利用LSTM层沿着额外的卷积层可以显著提高预测性能。此外，还使用LSTM以及GRU模型进行时间预测训练，并进行对比。定义GRU以及LS

一种改进污水处理厂实时出水水质预测的混合深度学习方法。

本周对南宁伶俐工业园区污水处理厂进行调研，了解了该污水处理厂的详细工艺。又基于UCI水处理数据集，使用深度学习方法构建了预测模型，对水处理单元的进出水水质进行预测分析。数据预处理包括数据清洗、PCA降维、滑动窗口数据增强等，以提升模型的计算效率和准确性。模型采用卷积神经网络（CNN）、长短期记忆网络（LSTM）及注意力机制结合的CLATT模型，通过多层卷积、LSTM层、多头注意力机制及残差块提取特

本周通过对自监督学习的一些案例进行学习从而了解了自监督学习的一些基础概念。自监督学习是无监督学习里面的一种，也被称作pretext task。自监督学习主要是利用辅助任务从大规模的无监督数据中挖掘自身的监督信息，通过这种构造的监督信息对网络进行训练，从而可以学习到对下游任务有价值的表征。找到合适的辅助任务（pretext）对于自监督学习是最需要解决的问题。与数据特点相比，辅助任务难一些有助于性能提