CN104376361A - 一种基于bp神经网络算法的核事故源项反演方法 - Google Patents
一种基于bp神经网络算法的核事故源项反演方法 Download PDFInfo
- Publication number
- CN104376361A CN104376361A CN201410546881.7A CN201410546881A CN104376361A CN 104376361 A CN104376361 A CN 104376361A CN 201410546881 A CN201410546881 A CN 201410546881A CN 104376361 A CN104376361 A CN 104376361A
- Authority
- CN
- China
- Prior art keywords
- nuclear accident
- neural network
- source term
- network model
- term inversion
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Monitoring And Testing Of Nuclear Reactors (AREA)
Abstract
本发明公开了一种基于BP神经网络算法的核事故源项反演的方法,包括以下步骤:建立基于BP神经网络学习算法的核事故源项反演模型,确定输入、输出层的神经元个数;确定该模型中的隐含层数;对该模型初始化,训练该模型,确定最优参数;得到最终用于核事故源项反演的BP神经网络算法的模型。该方法综合考虑了核事故源项反演的重点核素以及影响源项的因素,选用双隐含层,提高神经网络的泛化能力,保证映射关系的正确实现,能够较准确的反演出核事故中碘-131和铯-137的释放率以及释放高度,为核事故后果评价及应急决策提供了更可靠的依据。
Description
技术领域
本发明涉及一种核事故源项反演方法,尤其是一种基于BP神经网络算法的核事故源项反演的方法。
背景技术
日本福岛第一核电站发生的严重核事故,造成大量放射性物质释放。这起事故说明:事故源项的不确定性会导致核事故级别难以确定,从而影响了应急措施决策的科学性,因此必须制定合理可行的源项反演方法。
在核事故应急响应过程中,为了更好的保护公众和环境,及时采取应急措施,首先需对事故过程中源项进行预判。而福岛第一核电厂受地震及海啸袭击后,机组设备及信息传输系统损伤严重,无法及时获取事故机组的重要安全参数,难以通过堆芯损伤状态进行事故释放源项的分析。但是,在核事故期间,周边环境监测设施能够正常运转,且事故发生几天后日本开展了大量的放射性核素空气浓度监测,这为利用环境监测数据反演核事故源项提供了条件。
目前,核事故源项反演方法有很多,例如,最优插值法,通常是针对线性系统的单变量进行分析,应用简单,但对复杂情况的处理能力不足;遗传算法,可简单地与其他扩散模式相结合,给出源强与浓度之间的直接关系,通用性强,但是在实际应用中,遗传算法容易产生早熟收敛的问题。采用何种选择方法既要使优良个体得以保留,又要维持群体的多样性,一直是遗传算法中较难解决的问题;卡尔曼滤波及由其发展得到的扩展卡尔曼滤波,需预先确定模式的预报误差和观测误差,但计算花费较大。
人工神经网络是近年来再度兴起的一种研究方法,应用误差反传算法的BP(Backpropagation)神经网络具有很强的处理非线性问题的能力,因其具有高度容错性、自组织、自适应和自学习功能,常用于研究复杂的非线性预测问题,如水库入库水量预测的非线性系统研究、每年煤炭需求的预测、煤与瓦斯突出预测问题等。
发明内容
发明目的:为了克服现有技术中存在的不足,本发明提供一种基于BP神经网络算法的核事故源项反演方法,能够快速的进行源项反演,准确的反演出核事故源项。
技术方案:为实现上述目的,本发明采用的技术方案为:
一种基于BP神经网络算法的核事故源项反演的方法,包括以下步骤:
1)核事故源项作为目标信号;根据核事故设施周围的监测数据以及国际辐射评价系统确定影响源项反演的因素,影响源项反演的因素作为输入特征变量;根据目标信号和输入特征变量构建基于BP神经网络算法的核事故源项反演的网络模型,所述目标信号作为所述网络模型的输出层,输入特征变量作为所述网络模型的输入层;
2)确定所述基于BP神经网络算法的核事故源项反演的网络模型中的隐含层数,并设定各隐含层的初始单元个数;
3)所述基于BP神经网络算法的核事故源项反演的网络模型初始化;根据核事故环境监测的历史数据得到训练样本和测试样本,训练样本和测试样本均进行数据预处理;
4)用预处理过后的训练样本对该网络模型进行训练,然后逐一增加隐含层的单元个数并重复训练,根据每次的训练结果比较模型中BP神经网络的训练所需的时间以及测试误差,确定最终隐含层的单元个数;
5)用测试样本对基于BP神经网络算法的核事故源项反演的网络模型进行源项反演的测试;
6)根据测试结束后得到的网络模型反演核事故源项。
进一步的,所述目标信号为释放高度、碘-131的释放率和铯-137的释放率,因此确定输出层的神经元数量为3;所述输入特征变量为核事故场外监测点的风速、大气稳定度、风向、降水类型、顺风距离和γ辐射剂量率b,因此确定输入层的神经元数量为6。
进一步的,在步骤2)中,所述隐含层数为两层。
进一步的,在步骤4)中,在该网络模型重复训练中加入动量因子。
进一步的,在步骤3)中,数据预处理包括采用premnmx函数对该网络模型中的输入层和输出层的数据进行归一化处理,使其分布在-1~1之间。
有益效果:
(1)核电站事故后果评价具有很多不确定性因素,其中释放源项及大气扩散是计算结果与真实值之间存在一定偏差的主要原因。而本发明的网络模型是基于BP神经网络模型建立的,不需要考虑大气扩散等复杂过程,可根据事故场外监测点得到的环境监测数据快速的进行源项反演。
(2)一种基于BP神经网络算法的核事故源项反演的网络模型中隐含层数为两层,双隐含层网络的估计误差比单隐含层网络小,双隐含层网络的泛化能力较高,保证了映射关系的正确实现。
(3)在基于BP神经网络算法的核事故源项反演的网络模型循环训练过程中网络容易陷入局部最小而不能达到预期的训练误差,因此加入动量因子来调节反馈,使网络重新震荡起来。
(4)数据预处理是为了减少对网络模型的训练的权值产生影响的奇异样本,从而减少奇异样本对本发明的网络模型的性能的影响,保证程序运行时收敛加快。
附图说明
图1为源项反演模型的设计流程图;
图2为神经网络模型的结构图;
图3为碘-131释放率的相对误差图;
图4为铯-137释放率的相对误差图;
图5为释放高度的相对误差图。
具体实施方式
下面结合附图对本发明作更进一步的说明。
本发明的设计流程图如图1所示,它包括以下步骤,具体实施如下:
1)核事故源项作为目标信号;根据核事故设施周围的监测数据以及国际辐射评价系统确定影响源项反演的因素,影响源项反演的因素作为输入特征变量;根据目标信号和输入特征变量构建基于BP神经网络算法的核事故源项反演的网络模型,目标信号作为所述网络模型的输出层,输入特征变量作为所述网络模型的输入层;
核电站事故后果评价具有很多不确定性因素,其中释放源项及大气扩散是计算结果与真实值之间存在一定偏差的主要原因。核源项反演本身是一个复杂的非线性问题,故可以应用BP神经网络来进行源项反演。其模型结构的确定,需考虑对核事故源项反演影响重要的变量因素,分析其应用BP神经网络进行反演的可行性。
源项是指放射性物质从一特定的源中释放的情况,包括释放的核素种类、数量、释放率和释放方式。在事故后果评价中考虑的是最终向环境释放的核素,因此,比较重要的核素是产额较高、中等半衰期、辐射生物效应比较明显、气态或易挥发的核素。通常我们较关心的挥发性元素包括碘的放射性同位素以及铯的放射性同位素。碘同位素碘-131释放量被用作度量事故严重程度的标准,例如,在国际核事件分级表中,严重事故均以碘-131的释放量作为分级判据。所以,考虑到源项反演模型的准确性和实际要求,本核事故源项反演的模型以核事故释放源项中释放高度、碘-131的释放率和铯-137的释放率为研究对象,即释放高度、碘-131的释放率和铯-137的释放率以及为目标信号。因此输出层采用3个神经网络单元。
事故发生后根据核事故设施周围的监测数据来估计事故源项,监测数据包括:探测器的位置、γ辐射剂量率a、事故发生时的气象条件(风向、风速、大气稳定度、降水类型等)。考虑到核事故应急的时间紧急性,其中探测点的γ辐射剂量率a为核事故发生1h后计算所得,实际监测数据较少,因此,可以利用国际辐射评价系统(internationalradiological assessment system,InterRAS)得到事故发生时的γ辐射剂量率b。确定影响源项反演的因素包括:监测点的风速、大气稳定度、风向、降水类型、顺风距离、γ辐射剂量率。综上,本发明将监测点的风速、大气稳定度、风向、降水类型、顺风距离、γ辐射剂量率b作为本核事故源项反演模型的输入特征变量,分别用X1,X2,……,X6表示,即基于BP神经网络算法的核事故源项反演模型的输入层包括6个神经网络单元。
2)确定所述基于BP神经网络算法的核事故源项反演的网络模型中的隐含层数,并设定各隐含层的初始单元个数;经过大量的试验可知双隐含层网络的估计误差比单隐含层网络有所减小,双隐含层网络的泛化能力较高,保证了映射关系的正确实现,因此本核事故源项反演的网络模型采用双隐含层结构。
3)基于BP神经网络算法的核事故源项反演的网络模型初始化;根据核事故环境监测的历史数据得到训练样本和测试样本,训练样本和测试样本均进行数据预处理;
本发明以2011年福岛核事故中碘-131的释放率以及铯-137的释放率为例,将实际风速、风向、大气稳定度、降水类型、顺风距离、γ辐射剂量率a输入InterRAS,得到在1.0,2.0,5.0,25.0和50.0km处的γ辐射剂量率b,以此作为核事故发生1h后在场外(相同位置处)监测到的γ辐射剂量率。大气稳定度分为A,B,C,D,E,F6类,由于在Matlab中数据以矩阵形式输入,所以为了后期处理方便,分别用1,2,3,4,5,6代替大气稳定度。按照InterRAS中降水类型,将降水状况分为无降水、小雨、中雨、大雨、小雪、中雪、大雪7种;同理,分别用1,2,3,4,5,6,7代替降水类型。部分数据见表1。
表1 InterRAS产生的源项反演数据(部分数据)
本发明利用InterRAS结合福岛核事故环境监测数据,产生15000组模拟数据,其中14500组数据作为训练样本数据,另外500组数据作为测试样本数据。为了减少对网络模型训练的权值产生影响的奇异样本,从而减少奇异样本对本发明的网络模型的性能的影响,保正程序运行时收敛加快,同时针对Matlab中BP神经网络网络工具箱本身的函数特征,对输入层和输出层的样本数据进行归一化处理,使其分布在-1~1之间。归一化所用函数为Matlab中premnmx函数。
采用改进的列文伯格-马夸尔特(levenberg-marqurd,LM)算法,将14500组训练数据按矩阵形式[X1X2X3X4X5X6]输入基于BP神经网络算法的核事故源项反演的网络模型的输入层。训练的收敛误差平方和取为0.001,训练的最大次数设为20000,显示迭代次数即网络能够循环的最大次数设为5000,多次运行得到网络学习率为0.05。在本发明的网络模型的训练循环过程中网络容易陷入局部最小而不能达到预期的训练误差,因此本方法中加入动量因子来调节反馈,使网络重新震荡起来,动量因子为0.9。
4)用预处理过后的训练样本对该网络模型进行训练,然后逐一增加隐含层的单元个数并重复训练,根据每次的训练结果比较模型中BP神经网络的训练所需的时间以及测试误差,确定最终隐含层的单元个数;
隐含层的单元个数的选择与应用对象的具体问题有关,在不同的情况下可以选择不同的节点数。隐含层的单元个数选择是个十分复杂的问题,往往需要根据设计者得经验和多次试验来确定,不存在一个理想的解析式来表示。一般来说BP神经网络的隐含层的单元个数太少,BP神经网络不能很好的建立复杂的映射关系,即BP神经网络的训练结果不好,或对于以前没有的样本不能得到合理的输出结果,容错性差;BP神经网络单元个数过多,又使BP神经网络学习时间增加,并且可能出现“过拟合”现象,意思是指训练样本预测准确,但是其他样本预测误差较大的现象。最后,可以根据测试结果比较网络的收敛速度和测试误差来确定隐含层的单元个数。
用步骤三中预处理过的14500组数据对基于BP神经网络算法的核事故源项反演的网络模型进行训练,逐一增加隐含层的单元个数并重复训练,通过比较网络的收敛速度以及预测误差,最终确定隐含层的单元个数。试验结果见表2,由表2可知,隐含层数目为1层时:随着隐含层单元个数的增加,网络的平均误差逐渐减小,但当隐含层的单元个数达到50时,平均误差反而上升,同时,训练时间与隐含层单元个数目呈正相关关系。对于复杂问题来说,BP神经网络测试误差随单元个数增加一般呈现先减少后增加的趋势。本发明中的隐含层数目为2层,通过比较测试结果最终确定隐含层的单元个数为45,30。
表2 隐含层节点数对模型影响
5)用测试样本对基于BP神经网络算法的核事故源项反演的网络模型进行源项反演的测试。
由前面四个步骤确定了本发明所述的基于BP神经网络的核事故源项反演模型如图2所示。将步骤三中预处理好的500组测试数据输入已经训练完毕的基于BP神经网络的核事故源项反演的网络模型中,进行源项反演测试。完成源项反演时间不超过20s,测试结果误差分析如下,图3为碘-131释放率的相对误差图,500个测试数据中,碘-131平均误差在2.3%以下,最大误差不超过3.5%;图4为铯-131释放率的相对误差图,500个测试数据中,铯-137的平均误差在3.5%以下,最大误差不超过8.5%;图5为释放高度的相对误差图,500个测试数据中,释放高度的平均误差在3.0%以下,最大误差不超过8.0%。由此可见源项反演结果与实际输入源项符合较好。误差较大点出现的原因可能是由BP神经网络震荡引起的。
基于BP神经网络算法建立核事故源项反演的网络模型,应用训练好的BP神经网络能够较好的反演事故源项中碘-131的释放率、铯-137的释放率以及释放高度。同时综合考虑了核事故源项中的重要信息以及影响源项的因素,同时还选用的双隐含层的神经网络模型,使网络的泛化能力得到高,保证了映射关系的正确实现,能够较准确的反演出核事故源项。源项的准确估算,为核事故后果评价及应急决策提供了更可靠的依据。
以上所述仅是本发明的优选实施方式,应当指出:对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (5)
1.一种基于BP神经网络算法的核事故源项反演的方法,其特征在于:包括以下步骤:
1)核事故源项作为目标信号;根据核事故设施周围的监测数据以及国际辐射评价系统确定影响源项反演的因素,影响源项反演的因素作为输入特征变量;根据目标信号和输入特征变量构建基于BP神经网络算法的核事故源项反演的网络模型,所述目标信号作为所述网络模型的输出层,输入特征变量作为所述网络模型的输入层;
2)确定所述基于BP神经网络算法的核事故源项反演的网络模型中的隐含层数,并设定各隐含层的初始单元个数;
3)所述基于BP神经网络算法的核事故源项反演的网络模型初始化;根据核事故环境监测的历史数据得到训练样本和测试样本,训练样本和测试样本均进行数据预处理;
4)用预处理过后的训练样本对该网络模型进行训练,然后逐一增加隐含层的单元个数并重复训练,根据每次的训练结果比较模型中BP神经网络的训练所需的时间以及测试误差,确定最终隐含层的单元个数;
5)用测试样本对基于BP神经网络算法的核事故源项反演的网络模型进行源项反演的测试;
6)根据测试结束后得到的网络模型反演核事故源项。
2.根据权利要求1所述的一种基于BP神经网络算法的核事故源项反演的方法,
其特征在于:所述目标信号为释放高度、碘-131的释放率和铯-137的释放率,因此确定输出层的神经元数量为3;所述输入特征变量为核事故场外监测点的风速、大气稳定度、风向、降水类型、顺风距离和γ辐射剂量率b,因此确定输入层的神经元数量为6。
3.根据权利要求1所述的一种基于BP神经网络算法的核事故源项反演的方法,
其特征在于:在步骤2)中,所述隐含层数为两层。
4.根据权利要求1所述的一种基于BP神经网络算法的核事故源项反演的方法,
其特征在于:在步骤4)中,在该网络模型重复训练中加入动量因子。
5.根据权利要求1所述的一种基于BP神经网络算法的核事故源项反演的方法,
其特征在于:在步骤3)中,数据预处理包括采用premnmx函数对该网络模型中的输入层和输出层的数据进行归一化处理,使其分布在-1~1之间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410546881.7A CN104376361A (zh) | 2014-10-15 | 2014-10-15 | 一种基于bp神经网络算法的核事故源项反演方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410546881.7A CN104376361A (zh) | 2014-10-15 | 2014-10-15 | 一种基于bp神经网络算法的核事故源项反演方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104376361A true CN104376361A (zh) | 2015-02-25 |
Family
ID=52555257
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410546881.7A Pending CN104376361A (zh) | 2014-10-15 | 2014-10-15 | 一种基于bp神经网络算法的核事故源项反演方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104376361A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106815453A (zh) * | 2015-11-27 | 2017-06-09 | 华北电力大学 | 核电厂线源辐射源强逆推方法及线源辐射源强逆推系统 |
CN106844996A (zh) * | 2017-02-10 | 2017-06-13 | 中国科学院合肥物质科学研究院 | 一种基于植物氚监测数据的事故氚源项反演方法 |
CN107194103A (zh) * | 2017-06-07 | 2017-09-22 | 哈尔滨工程大学 | 一种基于3dsMax的核设施模型辐射场剂量仿真方法 |
CN107356554A (zh) * | 2017-06-20 | 2017-11-17 | 东南大学 | 一种基于神经网络的反演大气可降水量的modis模型改进方法 |
CN108377275A (zh) * | 2018-02-11 | 2018-08-07 | 厦门卓讯信息技术有限公司 | 基于神经网络算法的网络安全防护方法 |
CN108804743A (zh) * | 2018-04-09 | 2018-11-13 | 南京航空航天大学 | 一种核事故源项反演方法 |
CN108830323A (zh) * | 2018-06-11 | 2018-11-16 | 詹佳硕 | 一种核反应堆事故模式识别和安全参数估算方法及估算系统 |
CN109740103A (zh) * | 2018-11-28 | 2019-05-10 | 中国辐射防护研究院 | 一种核事故源项反演方法及系统 |
CN110458461A (zh) * | 2019-08-14 | 2019-11-15 | 苏州热工研究院有限公司 | 核动力厂多堆事故放射性后果评价方法 |
CN111666718A (zh) * | 2020-06-08 | 2020-09-15 | 南华大学 | 核设施源项活度智能反演方法、装置、设备及存储介质 |
CN111680453A (zh) * | 2020-06-01 | 2020-09-18 | 西安电子科技大学 | 一种光栅入射参数反演模型结构和建立方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102418518A (zh) * | 2011-04-12 | 2012-04-18 | 北京师范大学 | 神经网络模拟交会图识别油层水淹级别的方法 |
CN103559539A (zh) * | 2013-11-16 | 2014-02-05 | 王春艳 | 一种采用模糊理论神经网络的检测方法 |
CN103914622A (zh) * | 2014-04-04 | 2014-07-09 | 清华大学 | 一种化学品泄漏快速预测预警应急响应决策方法 |
-
2014
- 2014-10-15 CN CN201410546881.7A patent/CN104376361A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102418518A (zh) * | 2011-04-12 | 2012-04-18 | 北京师范大学 | 神经网络模拟交会图识别油层水淹级别的方法 |
CN103559539A (zh) * | 2013-11-16 | 2014-02-05 | 王春艳 | 一种采用模糊理论神经网络的检测方法 |
CN103914622A (zh) * | 2014-04-04 | 2014-07-09 | 清华大学 | 一种化学品泄漏快速预测预警应急响应决策方法 |
Non-Patent Citations (1)
Title |
---|
凌永生等: "基于BP神经网络的核事故源项反演方法研究", 《中国安全科学学报》 * |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106815453B (zh) * | 2015-11-27 | 2019-05-14 | 华北电力大学 | 核电厂线源辐射源强逆推方法及线源辐射源强逆推系统 |
CN106815453A (zh) * | 2015-11-27 | 2017-06-09 | 华北电力大学 | 核电厂线源辐射源强逆推方法及线源辐射源强逆推系统 |
CN106844996A (zh) * | 2017-02-10 | 2017-06-13 | 中国科学院合肥物质科学研究院 | 一种基于植物氚监测数据的事故氚源项反演方法 |
CN106844996B (zh) * | 2017-02-10 | 2020-04-14 | 中国科学院合肥物质科学研究院 | 一种基于植物氚监测数据的事故氚源项反演方法 |
CN107194103A (zh) * | 2017-06-07 | 2017-09-22 | 哈尔滨工程大学 | 一种基于3dsMax的核设施模型辐射场剂量仿真方法 |
CN107194103B (zh) * | 2017-06-07 | 2020-11-10 | 哈尔滨工程大学 | 一种基于3dsMax的核设施模型辐射场剂量仿真方法 |
CN107356554A (zh) * | 2017-06-20 | 2017-11-17 | 东南大学 | 一种基于神经网络的反演大气可降水量的modis模型改进方法 |
CN107356554B (zh) * | 2017-06-20 | 2019-08-20 | 东南大学 | 一种基于神经网络的反演大气可降水量的modis模型改进方法 |
CN108377275A (zh) * | 2018-02-11 | 2018-08-07 | 厦门卓讯信息技术有限公司 | 基于神经网络算法的网络安全防护方法 |
CN108377275B (zh) * | 2018-02-11 | 2021-08-31 | 北京泰和利通科技有限公司 | 基于神经网络算法的网络安全防护方法 |
CN108804743A (zh) * | 2018-04-09 | 2018-11-13 | 南京航空航天大学 | 一种核事故源项反演方法 |
CN108830323A (zh) * | 2018-06-11 | 2018-11-16 | 詹佳硕 | 一种核反应堆事故模式识别和安全参数估算方法及估算系统 |
CN108830323B (zh) * | 2018-06-11 | 2022-06-03 | 詹佳硕 | 一种核反应堆事故模式识别和安全参数估算方法及估算系统 |
CN109740103A (zh) * | 2018-11-28 | 2019-05-10 | 中国辐射防护研究院 | 一种核事故源项反演方法及系统 |
CN109740103B (zh) * | 2018-11-28 | 2022-08-23 | 中国辐射防护研究院 | 一种核事故源项反演方法及系统 |
CN110458461A (zh) * | 2019-08-14 | 2019-11-15 | 苏州热工研究院有限公司 | 核动力厂多堆事故放射性后果评价方法 |
CN110458461B (zh) * | 2019-08-14 | 2021-11-09 | 苏州热工研究院有限公司 | 核动力厂多堆事故放射性后果评价方法 |
CN111680453A (zh) * | 2020-06-01 | 2020-09-18 | 西安电子科技大学 | 一种光栅入射参数反演模型结构和建立方法 |
CN111666718A (zh) * | 2020-06-08 | 2020-09-15 | 南华大学 | 核设施源项活度智能反演方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104376361A (zh) | 一种基于bp神经网络算法的核事故源项反演方法 | |
Reed et al. | Increased threat of tropical cyclones and coastal flooding to New York City during the anthropogenic era | |
CN102622473B (zh) | 基于贝叶斯理论的步进应力加速退化试验优化设计方法 | |
CN107480781A (zh) | 神经网络自适应卡尔曼滤波的核事故源项反演方法 | |
CN110555515A (zh) | 一种基于eemd和lstm的短期风速预测方法 | |
CN102479339A (zh) | 基于混合神经网络的风电场短期风速预测方法和系统 | |
CN104616078A (zh) | 基于Spiking神经网络的光伏系统发电功率预测方法 | |
CN105320987A (zh) | 一种基于bp神经网络的卫星遥测数据智能判读方法 | |
Jiang et al. | Day‐ahead renewable scenario forecasts based on generative adversarial networks | |
CN103699943A (zh) | 一种基于ga-psobp算法的地质灾害危险性评价方法 | |
CN109782124A (zh) | 一种基于梯度下降算法的主配用一体化故障定位方法及系统 | |
CN102831476B (zh) | 脉冲神经网络模式探测装置和模式探测方法 | |
Adnan et al. | 5 hours flood prediction modeling using improved NNARX structure: case study Kuala Lumpur | |
CN106971066A (zh) | 基于神经网络模型预报地磁暴的方法 | |
CN105976025A (zh) | 基于遗传算法优化的bp神经网络的瓦斯预测方法 | |
CN111191832A (zh) | 一种台风灾害配电网杆塔故障预测方法及系统 | |
CN112100911A (zh) | 一种基于深度bisltm的太阳辐射预测方法 | |
CN108804743A (zh) | 一种核事故源项反演方法 | |
Alsharif et al. | Evaluation and forecasting of solar radiation using time series adaptive neuro‐fuzzy inference system: Seoul city as a case study | |
CN103123668B (zh) | 一种基于混合单元法的空间绳系机器人系统的仿真方法 | |
CN116976227B (zh) | 一种基于lstm机器学习的风暴增水预报方法及系统 | |
Niu et al. | De-Trend First, Attend Next: A Mid-Term PV forecasting system with attention mechanism and encoder–decoder structure | |
CN116467933A (zh) | 基于深度学习的风暴潮增水预测方法及系统 | |
Liu et al. | Rapid assessment of flood loss based on neural network ensemble | |
Wang et al. | Ensemble forecast of tropical cyclone tracks based on deep neural networks |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20150225 |
|
WD01 | Invention patent application deemed withdrawn after publication |