CN103489034A - 预测与诊断在线海流监测数据的方法和装置 - Google Patents
预测与诊断在线海流监测数据的方法和装置 Download PDFInfo
- Publication number
- CN103489034A CN103489034A CN201310477056.1A CN201310477056A CN103489034A CN 103489034 A CN103489034 A CN 103489034A CN 201310477056 A CN201310477056 A CN 201310477056A CN 103489034 A CN103489034 A CN 103489034A
- Authority
- CN
- China
- Prior art keywords
- neural network
- current monitoring
- ocean current
- monitoring data
- network model
- 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.)
- Granted
Links
Images
Landscapes
- Testing And Monitoring For Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种预测与诊断在线海流监测数据的方法和装置。其中,该方法包括:对预设样本数量的海流监测数据样本进行基于LMS迭代训练;根据LMS迭代训练的结果确定初始神经网络模型;使用初始神经网络模型对测试数据进行动态预测计算,其中,该测试数据中的样本数至少为预设样本数量的2倍;根据测试数据动态预测计算的结果确定动态学习权值;根据动态学习权值调整海流监测数据样本的样本数量;从海流监测数据样本中选取样本数量调整后的样本作为新样本;对新样本进行LMS迭代训练,得到更新的神经网络模型;使用更新的神经网络模型对后续海流监测数据进行预测与诊断。本发明提升了海流监测数据预测和诊断的有效性。
Description
技术领域
本发明涉及海洋数据监测领域,具体而言,涉及预测与诊断在线海流监测数据的方法和装置。
背景技术
目前,对于海流监测数据的数据预测、诊断与评价算法主要有自回归移动平均模型和神经网络模型,而用于预测的神经网络模型主要有线性神经网络、BP(Back Propagation,反向传播)神经网络、RBF(Radical Basis Function,径向基函数)神经网络和Elman神经网络。
上述自回归移动平均模型和神经网络模型大多针对既有数据进行处理,未考虑在线监测过程中数据的实时更新,无法有效地判断在线海流监测数据是否异常。
针对上述无法有效地判断在线海流监测数据是否异常的问题,目前尚未提出有效的解决方案。
发明内容
本发明实施例的目的在于提供一种预测与诊断在线海流监测数据的方法和装置,用以解决上述问题。
根据本发明实施例的一方面,提供了一种预测与诊断在线海流监测数据的方法,包括:对预设样本数量的海流监测数据样本进行基于(梯度的最小均方)LMS迭代训练;根据LMS迭代训练的结果确定初始神经网络模型;使用初始神经网络模型对测试数据进行动态预测计算,其中,该测试数据中的样本数至少为预设样本数量的2倍;根据上述测试数据动态预测计算的结果确定动态学习权值;根据动态学习权值调整海流监测数据样本的样本数量;从海流监测数据样本中选取样本数量调整后的样本作为新样本;对新样本进行LMS迭代训练,得到更新的神经网络模型;使用更新的神经网络模型对后续海流监测数据进行预测与诊断。
根据本发明实施例的另一方面,提供了一种预测与诊断在线海流监测数据的装置,包括:初始神经网络模型确定模块,用于对预设样本数量的海流监测数据样本进行基于LMS迭代训练;根据LMS迭代训练的结果确定初始神经网络模型;初始预测模块,用于使用初始神经网络模型对测试数据进行动态预测计算,其中,测试数据中的样本数至少为预设样本数量的2倍;样本数量确定模块,用于根据上述测试数据动态预测计算的结果确定动态学习权值;根据动态学习权值调整海流监测数据样本的样本数量;神经网络模型更新模块,用于从海流监测数据样本中选取样本数量调整后的样本作为新样本;对新样本进行LMS迭代训练,得到更新的神经网络模型;后续数据预测与诊断模块,用于使用更新的神经网络模型对后续海流监测数据进行预测与诊断。
本发明实施例通过在训练阶段增加测试性的动态预测计算,并根据测试性计算结果确定动态学习的权值,进而确定神经网络模型所需要的实际样本数量,进行最终的迭代训练确定更新的神经网络模型,采用更新的神经网络模型进行后续海流监测数据的预测和诊断,使诊断结果更客观化,提升了在线海流监测数据是否异常判断的有效性,具有较强的实用性。
附图说明
构成本申请的一部分的附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是本发明实施例提供的预测与诊断在线海流监测数据的方法流程图;
图2是本发明实施例提供的预测与诊断在线海流监测数据的具体方法流程图;
图3是本发明实施例提供的预测与诊断在线海流监测数据的装置的结构框图。
具体实施方式
下文中将参考附图并结合实施例来详细说明本发明。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
针对相关技术对海上运行的海流监测数据,只进行简单的通讯过程的发送与接收,无法有效校验判断通讯环节是否会有数据错误等问题,本实施例提供了一种预测与诊断在线海流监测数据的方法和装置。下面通过以下实施例进行描述。
参见图1所示的预测与诊断在线海流监测数据的方法流程图,该方法包括以下步骤:
步骤S102,对预设样本数量的海流监测数据样本进行基于LMS(梯度的最小均方)迭代训练;
步骤S104,根据LMS迭代训练的结果确定初始神经网络模型;
步骤S106,使用初始神经网络模型对测试数据进行动态预测计算,其中,测试数据中的样本数至少为预设样本数量的2倍;该测试数据可以是后续接收到的海流监测数据;
步骤S108,根据上述测试数据动态预测计算的结果确定动态学习权值;
步骤S110,根据上述动态学习权值调整海流监测数据样本的样本数量;
步骤S112,从上述海流监测数据样本中选取样本数量调整后的样本作为新样本;
步骤S114,对该新样本进行LMS迭代训练,得到更新的神经网络模型;
步骤S116,使用更新的神经网络模型对后续海流监测数据进行预测与诊断。
本实施例通过在训练阶段增加测试性的动态预测计算,并根据测试性计算结果确定动态学习的权值,进而确定神经网络模型所需要的实际样本数量,进行最终的迭代训练确定更新的神经网络模型,采用更新的神经网络模型进行后续海流监测数据的预测和诊断,使诊断结果更客观化,提升了在线海流监测数据是否异常判断的有效性,具有较强的实用性。
上述动态预测计算的结果中包括预测值和实际监测值之间的均方误差,基于此,上述根据测试数据动态预测计算的结果确定动态学习权值包括:用α表示动态学习权值,通过在设定区间(例如0.005到0.1之间)内多次变化α取值的方式对上述测试数据进行动态预测,将预测结果中均方误差最小值对应的α取值确定为α的最终取值;该方式通过在一定区间内不断变化α取值进行反复的测试计算,得到使预测结果均方误差最小的α值,将该值作为动态学习权值的最终值。相应地,上述根据动态学习权值调整海流监测数据样本的样本数量包括:设置海流监测数据样本的样本数量N=log1-αα。
优选地,上述使用更新的神经网络模型对后续海流监测数据进行预测与诊断包括:根据更新的神经网络模型的预测计算结果判断是否满足学习条件;其中,该学习条件为预测值与对应的海流监测数据的相对误差小于10%,且前M个时次海流监测数据的有效率大于70%;其中,M为根据经验设定的大于或等于5的整数;如果是,根据动态学习权值调整更新的神经网络模型的网络系数;并使用调整网络系数后的神经网络模型作为新的神经网络模型,进行后续海流监测数据预测与诊断;如果否,采用更新的神经网络模型进行后续海流监测数据的预测与诊断。对于后续每一时刻新得到的海流监测数据,这种学习方式可以在满足条件时进行单个样本学习并动态实时调整神经网络模型参数,在保证神经网络模型能够自适应数据变化规律的同时还有效避免了不必要的频繁更新,一定程度上保证了数据预测与诊断的效率。
具体地,上述使用更新的神经网络模型对后续海流监测数据进行预测与诊断还可以包括:计算预测值与对应的海流监测数据的相对误差其中,abs为绝对值运算,Vpredict为预测值;Vreal为Vpredict对应的海流监测数据;SMax为测试数据中的最大数值,SMin为测试数据中的最小数值;当E小于20%时,诊断对应的海流监测数据为有效值;当E大于或等于20%时,诊断对应的海流监测数据为异常值;当确定当前时次为漏测数据时,确定该当前时次对应的诊断结果为异常值。该方式简单可靠,能够对实时的海流监测数据进行有效地判断。
上述根据动态学习权值调整更新的神经网络模型的网络系数包括:调整更新的神经网络模型的网络系数WDest=W0*(1-α)+W1*α,其中W0为当前神经网络模型的网络系数,W1为当前神经网络模型单次再学习得到的网络系数。这种网络系数的更新考虑了之前的网络系数,使更新后的网络系数更适合对后续的海流监测数据的预测和诊断。
上述神经网络模型为线性神经网络,对于每一个多层的线性神经网络,都能够找到一个单层的神经网络与之等效。因此,本发明实施例采用的神经网络模型为一个单层的神经网络。
参见图2所示的预测与诊断在线海流监测数据的具体方法流程图,该方法包括以下步骤:
步骤S202,设定输入层的数据数量,主要包括每个样本内的数据个数M,该个数可以根据经验设定;
步骤S204,选定样本数量,即参与运算的样本个数;
步骤S206,采用LMS迭代训练上述样本,得到神经网络的权值和误差;
步骤S208,使用上述权值和误差构建初始神经网络模型,应用初始神经网络模型对测试数据进行动态预测计算;
步骤S210,根据动态预测结果确定动态学习权值;
步骤S212,根据确定的动态学习权值调整上述样本数量,根据调整后的样本数量确定新样本;
步骤S214,采用LMS迭代训练上述新样本,得到神经网络的更新权值和更新误差;
步骤S216,使用更新权值和更新误差构建新神经网络模型(即上述更新的神经网络模型),采用新神经网络模型对新监测到的数据进行逐个实际预测计算;
步骤S218,根据新神经网络模型的预测计算结果确定是否满足学习条件,如果是,执行步骤S220;如果否,返回步骤S216,即采用上述新神经网络模型确定后续实际监测数据是否异常;
步骤S220;根据动态学习权值调整神经网络模型的网络系数;并使用调整后的神经网络模型确定后续实际监测数据是否异常;然后返回步骤S216;
直至没有接收到新的海流监测数据,上述预测与诊断过程结束。
上述预测与诊断海流数据的方法,可以分为样本训练学习和在线动态预测两个过程,其中,样本训练学习阶段包括如下步骤的1)至6),在线动态实际计算阶段包括如下步骤的7)至12):
1)选取有代表性的监测时间连续的样本数据;
2)设定基本学习参数;
3)通过训练得到期望的网络系数;
4)进行训练样本数据量2倍以上的实际动态预测测试,找到动态预测过程中最佳的单次学习调整权值;
5)根据最佳的单次学习权值由数学关系重新确定训练样本的数量;
6)根据调整后的样本数量再次训练学习并确定最终的网络系数;
7)加载训练确定的网络系数;
8)针对每次的新时次在线监测数据,通过网络计算得到预测数据;
9)预测值与实际值比较判断;
10)对满足条件的数值视作一个样本进行网络再学习;
11)根据动态学习权重加权得到新的网络数值;
12)循环动态学习;
通常,在线海流监测数据以10分钟、30分钟、60分钟等固定时间间隔连续不断地获得,受海流传感器、数据封装、数据无线传输、数据解包等过程从海上传到陆地上的软件处理系统中,很难保证100%的传输效率。1)中样本要选取连续时间段内的数据,并且选取遵循以下两个原则:各数据的监测时间尽量连续(即空缺数据少),人工检测无明显异常数据。2)中输入层数据的数据数量一般覆盖4-5个小时,如30分钟数据选8-10组。3)使用传统的LMS算法得到期望的网络系数。
4)中的单次学习权值α和5)中的样本数据N由以下关系式确定:(1-α)N=α,即log1-αα=N,在测试性预测计算阶段,选取至少2倍样本数量的测试数据,考虑到α一般值比较小,初始值设为0.005(对应样本数量为log1-0.0050.05≈1057),每次循环对α不断累加到0.1(对应样本数量为log1-0.10.1≈22),经过动态预测(即上述过程7)-12))计算出α所对应的预测结果的均方误差,最终得到使均方误差最小的α值,由此即可得到调整后的样本数量(N=log1-αα)。
上述1)-3)中的线性神经网络学习过程,用户可以根据自己的经验确定样本数量,往往跟实际所需要的最优样本数量有偏差,样本数量过多会使得学习过程消耗时间长,学习误差偏大,网络不能适应局部变化规律,样本数量过少则会导致网络不够准备,不能反应长周期数据变化规律。本发明实施例通过增加一个测试性的预测计算过程(即上述4)-5)),通过数学关系(即上述N=log1-αα)定量地确定样本数量与动态学习中单个样本对整个网络的影响权重值。
上述7)-8)的线性神经网络运行过程中,如果在整个网络使用过程中网络系数一成不变,将不能适应长时间的数据变化规律,在时间越久时网络会表现出越大的计算偏差,本实施例通过有条件地增加动态学习过程9)-11),使神经网络随时间的推移能够根据动态学习按所满足的条件自动调整网络系数,不断适应新的数据变化规律。这样的神经网络计算过程更能反应数据长时间的真实变化规律。
上述9)中的预测值VPredict与实际监测值VReal判断依据是:按以下式计算相对误差E;
其中SMax为训练样本中的最大数值,SMin为训练样本中的最小数值。当E<20%时则认为实际值为有效值,当E>20%时则认为实际值为异常值。特别地,当确定当前时次为漏测数据(该漏测数据可以根据当前接收周期是否接收到海流监测数据进行判断,没有接收到海流监测数据,则当前时次出现漏测数据)时,确定当前时次对应的诊断结果为异常值;即当该时次为漏测数据(即数据空缺)时也视为异常值。
上述11)中的网络系数可以按以下方法进行调整,WDest=W0*(1-α)+W1*α,其中W0为当前网络系数,W1为单次再学习得到的网络系数。
由上述实现过程可知,本发明实施例的特点是:一是训练阶段增加测试性的动态预测计算,并根据测试性计算结果确定动态学习的权值α,根据数学关系确定神经网络所需要的实际样本数量,进行最终的迭代训练确定网络权值和偏差;二是在实际预测计算阶段,根据实时海流传感器获得的海流监测数据,逐一进行实际预测计算,并根据预测结果和下一时次的实时结果判断数据是否异常,对满足条件的正常数据进行神经网络动态再学习,根据训练阶段所得到的权值α进行神经网络参数Wi和误差b的动态调整,以适应当前最新的海流数据变化规律。
上述特点一通过测试性动态预测计算,定量性地确定所需要样本数量,并得到了更恰当的初始训练后的线性神经网络,更为重要的是得到了动态学习权值α。这为后来实际网络运行计算时进行动态再学习确定了调整参数。
因为海洋在线监测数据是一直不断动态变化的,尤其是进行长时间连续监测时,海流数据会有大的规律性变化,因此神经网络算法参数不能是一成不变的。在线海流监测中,上述特点二中的动态再学习性保证了经过长时间的不断再学习,线性神经网络算法能够适应最新的海流变化规律,使神经网络模型能够随时得到更为精确的预测结果,为用户提供更好的决策支持服务。
对应于上述方法,本实施例还提供了一种预测与诊断在线海流监测数据的装置,参见图3,该装置包括以下模块:
初始神经网络模型确定模块31,用于对预设样本数量的海流监测数据样本进行基于LMS迭代训练;根据LMS迭代训练的结果确定初始神经网络模型;
初始预测模块32,用于使用初始神经网络模型对测试数据进行动态预测计算,其中,该测试数据中的样本数至少为预设样本数量的2倍;
样本数量确定模块33,用于根据上述测试数据动态预测计算的结果确定动态学习权值;根据动态学习权值调整海流监测数据样本的样本数量;
神经网络模型更新模块34,用于从海流监测数据样本中选取样本数量调整后的样本作为新样本;对新样本进行LMS迭代训练,得到更新的神经网络模型;
后续数据预测与诊断模块35,用于使用更新的神经网络模型对后续海流监测数据进行预测与诊断。
本实施例通过在训练阶段增加测试性的动态预测计算,并根据测试性计算结果确定动态学习的权值,进而确定神经网络模型所需要的实际样本数量,进行最终的迭代训练确定更新的神经网络模型,采用更新的神经网络模型进行后续海流监测数据的预测和诊断,使诊断结果更客观化,提升了在线海流监测数据是否异常判断的有效性,具有较强的实用性。
上述样本数量确定模块33可以包括:动态学习权值确定单元,用于用α表示动态学习权值,通过在设定区间内多次变化α取值的方式对上述测试数据进行动态预测,将预测结果中均方误差最小值对应的α取值确定为α的最终取值;样本数量设置单元,用于设置海流监测数据样本的样本数量N=log1-αα。
优选地,上述后续数据预测与诊断模块35包括:学习判断单元,用于根据更新的神经网络模型的预测计算结果判断是否满足学习条件;其中,学习条件为预测值与对应的海流监测数据的相对误差小于10%,且前M个时次海流监测数据的有效率大于70%;其中,M为根据经验设定的大于或等于5的整数;第一预测与诊断单元,用于如果学习判断单元的结果为是,根据动态学习权值调整更新的神经网络模型的网络系数;并使用调整网络系数后的神经网络模型作为新的神经网络模型,进行后续海流监测数据预测与诊断;第二预测与诊断单元,用于如果学习判断单元的结果为否,采用更新的神经网络模型进行后续海流监测数据的预测与诊断。
优选地,上述后续数据预测与诊断模块35可以包括:相对误差计算单元,用于计算预测值与对应的海流监测数据的相对误差其中,abs为绝对值运算,Vpredict为预测值;Vreal为Vpredict对应的海流监测数据;SMax为测试数据中的最大数值,SMin为测试数据中的最小数值;数据诊断单元,用于当E小于20%时,诊断对应的海流监测数据为有效值;当E大于或等于20%时,诊断对应的海流监测数据为异常值;以及当确定当前时次为漏测数据(即数据空缺)时,确定该当前时次对应的诊断结果为异常值。上述第一预测与诊断单元可以包括:网络系数调整子单元,用于调整更新的神经网络模型的网络系数WDest=W0*(1-α)+W1*α,其中W0为当前神经网络模型的网络系数,W1为当前神经网络模型单次再学习得到的网络系数。
上述实施例对在线海洋监测过程中的海流监测数据,能够及时有效地判断出异常数据,不再依靠人工进行判断和识别,上述实现方式简单易行,运行速度较快。
显然,本领域的技术人员应该明白,上述的本发明的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,并且在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明不限制于任何特定的硬件和软件结合。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种预测与诊断在线海流监测数据的方法,其特征在于,包括:
对预设样本数量的海流监测数据样本进行基于梯度的最小均方LMS迭代训练;
根据所述LMS迭代训练的结果确定初始神经网络模型;
使用所述初始神经网络模型对测试数据进行动态预测计算,其中,所述测试数据中的样本数至少为所述预设样本数量的2倍;
根据所述测试数据动态预测计算的结果确定动态学习权值;
根据所述动态学习权值调整所述海流监测数据样本的样本数量;
从所述海流监测数据样本中选取样本数量调整后的样本作为新样本;
对所述新样本进行所述LMS迭代训练,得到更新的神经网络模型;
使用所述更新的神经网络模型对后续海流监测数据进行预测与诊断。
2.根据权利要求1所述的方法,其特征在于,
根据所述测试数据动态预测计算的结果确定动态学习权值包括:用α表示动态学习权值,通过在设定区间内多次变化α取值的方式对所述测试数据进行动态预测,将预测结果中均方误差最小值对应的α取值确定为α的最终取值;根据所述动态学习权值调整所述海流监测数据样本的样本数量包括:设置所述海流监测数据样本的样本数量N=log1-αα。
3.根据权利要求1所述的方法,其特征在于,使用所述更新的神经网络模型对后续海流监测数据进行预测与诊断包括:
根据所述更新的神经网络模型的预测计算结果判断是否满足学习条件;其中,所述学习条件为预测值与对应的海流监测数据的相对误差小于10%,且前M个时次海流监测数据的有效率大于70%;其中,M为根据经验设定的大于或等于5的整数;
如果是,根据所述动态学习权值调整所述更新的神经网络模型的网络系数;并使用调整网络系数后的神经网络模型作为新的神经网络模型,进行后续海流监测数据预测与诊断;
如果否,采用所述更新的神经网络模型进行后续海流监测数据的预测与诊断。
5.根据权利要求3所述的方法,其特征在于,根据所述动态学习权值调整所述更新的神经网络模型的网络系数包括:
调整所述更新的神经网络模型的网络系数WDest=W0*(1-α)+W1*α,其中W0为当前神经网络模型的网络系数,W1为所述当前神经网络模型单次再学习得到的网络系数。
6.一种预测与诊断在线海流监测数据的装置,其特征在于,包括:
初始神经网络模型确定模块,用于对预设样本数量的海流监测数据样本进行基于梯度的最小均方LMS迭代训练;根据所述LMS迭代训练的结果确定初始神经网络模型;
初始预测模块,用于使用所述初始神经网络模型对测试数据进行动态预测计算,其中,所述测试数据中的样本数至少为所述预设样本数量的2倍;
样本数量确定模块,用于根据所述测试数据动态预测计算的结果确定动态学习权值;根据所述动态学习权值调整所述海流监测数据样本的样本数量;
神经网络模型更新模块,用于从所述海流监测数据样本中选取样本数量调整后的样本作为新样本;对所述新样本进行所述LMS迭代训练,得到更新的神经网络模型;
后续数据预测与诊断模块,用于使用所述更新的神经网络模型对后续海流监测数据进行预测与诊断。
7.根据权利要求6所述的装置,其特征在于,所述样本数量确定模块包括:
动态学习权值确定单元,用于用α表示动态学习权值,通过在设定区间内多次变化α取值的方式对所述测试数据进行动态预测,将预测结果中均方误差最小值对应的α取值确定为α的最终取值;
样本数量设置单元,用于设置所述海流监测数据样本的样本数量N=log1-αα。
8.根据权利要求6所述的装置,其特征在于,所述后续数据预测与诊断模块包括:
学习判断单元,用于根据所述更新的神经网络模型的预测计算结果判断是否满足学习条件;其中,所述学习条件为预测值与对应的海流监测数据的相对误差小于10%,且前M个时次海流监测数据的有效率大于70%;其中,M为根据经验设定的大于或等于5的整数;
第一预测与诊断单元,用于如果所述学习判断单元的结果为是,根据所述动态学习权值调整所述更新的神经网络模型的网络系数;并使用调整网络系数后的神经网络模型作为新的神经网络模型,进行后续海流监测数据预测与诊断;
第二预测与诊断单元,用于如果所述学习判断单元的结果为否,采用所述更新的神经网络模型进行后续海流监测数据的预测与诊断。
10.根据权利要求8所述的装置,其特征在于,所述第一预测与诊断单元包括:
网络系数调整子单元,用于调整所述更新的神经网络模型的网络系数WDest=W0*(1-α)+W1*α,其中W0为当前神经网络模型的网络系数,W1为所述当前神经网络模型单次再学习得到的网络系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310477056.1A CN103489034B (zh) | 2013-10-12 | 2013-10-12 | 预测与诊断在线海流监测数据的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310477056.1A CN103489034B (zh) | 2013-10-12 | 2013-10-12 | 预测与诊断在线海流监测数据的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103489034A true CN103489034A (zh) | 2014-01-01 |
CN103489034B CN103489034B (zh) | 2016-02-10 |
Family
ID=49829239
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310477056.1A Active CN103489034B (zh) | 2013-10-12 | 2013-10-12 | 预测与诊断在线海流监测数据的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103489034B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105469141A (zh) * | 2015-11-20 | 2016-04-06 | 北京大学深圳研究生院 | 基于神经网络的预测方法及系统 |
CN107506867A (zh) * | 2017-08-31 | 2017-12-22 | 国网冀北电力有限公司廊坊供电公司 | 一种基于动态建模的光伏出力预测方法 |
WO2018068742A1 (zh) * | 2016-10-14 | 2018-04-19 | 腾讯科技(深圳)有限公司 | 数据处理方法和装置 |
CN110349012A (zh) * | 2019-07-12 | 2019-10-18 | 腾讯科技(深圳)有限公司 | 数据预测方法及计算机可读存储介质 |
CN110570013A (zh) * | 2019-08-06 | 2019-12-13 | 山东省科学院海洋仪器仪表研究所 | 一种单站位在线波周期数据的预测诊断方法 |
CN110598860A (zh) * | 2019-08-06 | 2019-12-20 | 山东省科学院海洋仪器仪表研究所 | 一种多站位在线波周期数据的预测诊断方法 |
CN111262750A (zh) * | 2020-01-09 | 2020-06-09 | 中国银联股份有限公司 | 一种用于评估基线模型的方法及系统 |
CN113033719A (zh) * | 2021-05-27 | 2021-06-25 | 浙江啄云智能科技有限公司 | 目标检测处理方法、装置、介质及电子设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102056183A (zh) * | 2010-12-10 | 2011-05-11 | 北京交通大学 | 一种基于认知网络的网络流量预测方法和装置 |
CN103268366A (zh) * | 2013-03-06 | 2013-08-28 | 辽宁省电力有限公司电力科学研究院 | 一种适用于分散式风电场的组合风电功率预测方法 |
-
2013
- 2013-10-12 CN CN201310477056.1A patent/CN103489034B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102056183A (zh) * | 2010-12-10 | 2011-05-11 | 北京交通大学 | 一种基于认知网络的网络流量预测方法和装置 |
CN103268366A (zh) * | 2013-03-06 | 2013-08-28 | 辽宁省电力有限公司电力科学研究院 | 一种适用于分散式风电场的组合风电功率预测方法 |
Non-Patent Citations (2)
Title |
---|
张帆: "Adaline神经网络随机逼近LMS算法的仿真研究", 《电子设计工程》 * |
李刚等: "基于改进LMS加BP神经网络的二相码瓣抑制", 《信息技术》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105469141A (zh) * | 2015-11-20 | 2016-04-06 | 北京大学深圳研究生院 | 基于神经网络的预测方法及系统 |
WO2018068742A1 (zh) * | 2016-10-14 | 2018-04-19 | 腾讯科技(深圳)有限公司 | 数据处理方法和装置 |
US11151451B2 (en) | 2016-10-14 | 2021-10-19 | Tencent Technology (Shenzhen) Company Limited | Data processing method and apparatus for training incremental model of neural network |
CN107506867A (zh) * | 2017-08-31 | 2017-12-22 | 国网冀北电力有限公司廊坊供电公司 | 一种基于动态建模的光伏出力预测方法 |
CN107506867B (zh) * | 2017-08-31 | 2021-09-21 | 国网冀北电力有限公司廊坊供电公司 | 一种基于动态建模的光伏出力预测方法 |
CN110349012A (zh) * | 2019-07-12 | 2019-10-18 | 腾讯科技(深圳)有限公司 | 数据预测方法及计算机可读存储介质 |
CN110570013A (zh) * | 2019-08-06 | 2019-12-13 | 山东省科学院海洋仪器仪表研究所 | 一种单站位在线波周期数据的预测诊断方法 |
CN110598860A (zh) * | 2019-08-06 | 2019-12-20 | 山东省科学院海洋仪器仪表研究所 | 一种多站位在线波周期数据的预测诊断方法 |
CN110598860B (zh) * | 2019-08-06 | 2023-02-24 | 山东省科学院海洋仪器仪表研究所 | 一种多站位在线波周期数据的预测诊断方法 |
CN111262750A (zh) * | 2020-01-09 | 2020-06-09 | 中国银联股份有限公司 | 一种用于评估基线模型的方法及系统 |
CN111262750B (zh) * | 2020-01-09 | 2021-08-27 | 中国银联股份有限公司 | 一种用于评估基线模型的方法及系统 |
CN113033719A (zh) * | 2021-05-27 | 2021-06-25 | 浙江啄云智能科技有限公司 | 目标检测处理方法、装置、介质及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN103489034B (zh) | 2016-02-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103489034B (zh) | 预测与诊断在线海流监测数据的方法和装置 | |
CN109815332B (zh) | 损失函数优化方法、装置、计算机设备及存储介质 | |
Noori et al. | Active and online prediction of BOD 5 in river systems using reduced-order support vector machine | |
CN104899135A (zh) | 软件缺陷预测方法和系统 | |
US20160209817A1 (en) | Information processing device, predictive control method, and recording medium | |
CN108595892A (zh) | 基于时间差分模型的软测量建模方法 | |
CN110781969A (zh) | 基于深度强化学习的空调风量控制方法、装置以及介质 | |
KR20170127430A (ko) | 센서 오차를 검출, 분류 및/또는 완화하는 방법 및 시스템 | |
CN109598052B (zh) | 基于相关系数分析的智能电表寿命周期预测方法及装置 | |
CN109839889A (zh) | 设备推荐系统及方法 | |
CN104008433A (zh) | 基于贝叶斯动态模型的中长期电力负荷预测方法 | |
CN103324155A (zh) | 系统监控 | |
CN114840375B (zh) | 一种半导体存储产品的老化性能测试方法及系统 | |
CN114509951B (zh) | 一种基于神经网络的加氢自适应控制方法及装置 | |
CN113295399B (zh) | 换流阀元件状态评估方法、装置、电子设备和存储介质 | |
CN117330963B (zh) | 储能电站故障检测方法、系统及设备 | |
CN112595537B (zh) | 基于信号分析的设备健康状态监控方法、系统及存储介质 | |
CN111461329B (zh) | 一种模型的训练方法、装置、设备及可读存储介质 | |
US20100063946A1 (en) | Method of performing parallel search optimization | |
CN111108738B (zh) | 数据处理设备、数据分析设备、数据处理系统和用于处理数据的方法 | |
KR102500534B1 (ko) | 순환신경망 기반 수자원 정보 생성 장치 및 방법 | |
US9771880B2 (en) | Real-time vehicle data acquisition and analysis | |
US20190293520A1 (en) | Method device and system for estimating life of a technical system | |
CN111310964B (zh) | 一种负荷预测方法及装置 | |
CN111595433B (zh) | 航空发动机整机振动传感器的位置确定方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |