本周阅读了一篇基于并行结构TCN-LSTM和Savitzky-Golay滤波器的混合深度学习模型在风电功率预测中的应用为题的论文,文章提出一种基于并行架构TCN - LSTM的混合深度学习模型用于风电预测，采用Savitzky - Golay滤波器处理输入风速时间序列。通过三组对比实验，验证了该模型的有效性和优越性，在减少训练参数和计算时间的同时提高了预测性能，为风电预测深度学习网络混合模型开发提

在深度学习领域，循环神经网络（Recurrent Neural Network, RNN）被广泛应用于处理序列数据，特别是在自然语言处理、时间序列预测等任务中。然而，传统的RNN在长序列数据学习过程中容易出现梯度消失和梯度爆炸问题，使得模型难以捕捉长时间依赖性。梯度消失问题源于RNN的反向传播算法中，多次矩阵相乘导致梯度指数级衰减，从而影响模型性能。为解决这一问题，长短期记忆网络（Long Sho

进一步学习了循环神经网络（RNN）原理、种类、优缺点，使用Pytorch中所提供的RNN模型，并根据公式进行了手写实现RNN的计算原理。继续补充学习pytorch中其他函数的使用对于通过手写RNN的计算原理，有了更深刻的印象，下周将继续手写双向RNN的计算原理，并对LSTM更深入的学习。

本周主要对前几周学过的知识进行了复习和相关基础知识的查缺补漏，主要包括深度学习的基础知识。以及学习了如何运用爱因斯坦标示法让PyTorch张量变换的代码更容易编写。在进行后续相关知识的学习中，发现前面的基础知识有缺漏，进行了简单的复习和查缺补漏确保后续学习的顺利进行。

本周阅读了一篇基于河岸空间结构和河流光谱特征的城市河流水质高精度反演的论文，目前主流的水质遥感监测方法主要依靠水体的光学特性来实现水质反演，而忽略了水质与河岸带的相关性。河岸带作为连接河流生态系统和陆地生态系统的中间地带，其空间结构和尺度变化对水质有重要影响。为此，该论文首次采用无人机搭载多光谱遥感技术，捕捉城市河流水质的细微变化，获取河岸带的详细空间信息。用Liang–Kleeman 信息流定量

本周阅读了题目为Attention-Based Spatiotemporal Graph Fusion Convolution Networks for Water Quality Prediction文章，文章提出了一种融合时空图卷积神经网络（Fusion Spatio-temporal Graph Convolution Neural Network，FSGCN）的时空预测模型，利用时间注意机

本周阅读了一篇基于深度分解结构和自相关的大规模水质预测的论文，文章介绍了一种大规模水质预测模型–SVD-Autoformer。该算法结合了Savitzky-Golay（SG）滤波器、变分模式分解（VMD）、自相关机制和深度分解结构，并在Transformer改造中实现。第一，SG滤波器去除噪声，同时保留有价值的数据特征。SVDAutoformer采用SG滤波器作为数据预处理工具，以减少噪声并防止非

本周阅读了题目为A Water Quality Prediction Model Based on Long Short-Term Memory Networks and Optimization Algorithms的文章，文章提出了一种基于AWPSO-LSTMAT的预测模型。与之前的SVR、LSTM、CNN-LSTM和CNN-GRU等预测模型相比，通过修改和优化原始算法，AWPSO-LSTMA

本周阅读了题目为Design of Prediction Framework Geo-TA Utilizing Spatial and Temporal Water Quality Data Integrating Meteorological Information文章。文章提出了地理-时间注意力与交叉注意力机制（Geo-TA）框架，该框架基于GATnet，其中包括水质站的地理坐标，并使用气象数

本周阅读了题目为An efficient data fusion model based on Bayesian model averaging for robust water quality prediction using deep learning strategies文章，文章提出了结合多种神经科学模型，提出一种新颖的基于贝叶斯模型平均（Bayesian Model Averaging，