CN103942461A - 基于在线贯序极限学习机的水质参数预测方法 - Google Patents
基于在线贯序极限学习机的水质参数预测方法 Download PDFInfo
- Publication number
- CN103942461A CN103942461A CN201410204060.5A CN201410204060A CN103942461A CN 103942461 A CN103942461 A CN 103942461A CN 201410204060 A CN201410204060 A CN 201410204060A CN 103942461 A CN103942461 A CN 103942461A
- Authority
- CN
- China
- Prior art keywords
- centerdot
- water quality
- quality parameter
- oselm
- data
- 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
Abstract
本发明提供基于在线贯序极限学习机的水质参数预测方法,包括以下步骤:步骤一:从水质自动监测站采集水质参数历史数据并对数据进行预处理;步骤二:将经过预处理的水质参数历史数据中的前2/3的数据作为学习样本集,后1/3数据作为测试样本集;步骤三:在学习样本集中取部分数据对OSELM初始化,然后利用学习样本集中剩下的数据让OSELM进行学习;步骤四:学习完成后以测试样本集对学习后的OSELM模型进行检验,获得基于OSELM的水质参数预测模型;步骤五:使用OSELM模型对新的水质参数进行预测。预测效果好,预测精度高,学习时间短,能够满足快速预测水质参数的未来发展趋势的要求。
Description
技术领域
本发明涉及水质监测领域,具体涉及基于在线贯序极限学习机(OnlineSequential Extreme Learning Machine,简称OSELM)的水质参数预测方法。
背景技术
建立有效的水质参数预测模型能够准确指出水体未来的污染程度及其发展趋向,从而为制定水环境保护的方针政策和具体措施提供可靠的依据,并可转变人们对水环境应用和治理的传统观念,将以前的事后治理转变为事前预防。虽然人们能够从长期连续的观测数据中发现其蕴含某种程度的变化规律,但因水质参数受诸多因素的影响,其变迁表现出高度的非线性、时延性及不确定性,变化规律复杂,很难用机理模型表达,以传统的时问序列预测方法如自回归(AR)、自回归滑动平均(ARMA)等有限参数线性模型,也不能很好地表征其变化特性。人工神经网络等智能模型的出现,为水质参数预测提供了一种新方法,但由于人工神经网络应用基于梯度的学习算法,并且通过迭代调整网络中的参数,因而存在以下缺陷:(1)学习速度慢,不能满足一些需要在线学习的场合;(2)学习过程容易收敛于局部极小点,难以保证学习精度;(3)网络推广能力差,对未知样本不能确保有很好的预测结果。这些缺陷的存在不利于人工神经网络快速准确地进行水质参数预测,制约了人工神经网络在水质参数预测中的推广应用。极限学习机(Extreme Learning Machine,ELM)是Huang等人于2006年提出的一种新的学习算法,在该算法中,输入权值和隐层阈值随机选取,而输出权值则通过最小二乘法直接计算得到,整个过程一次完成,无需迭代,因而学习时间短,同时也有效地规避了人工神经网络学习易陷入局部极小的缺陷,但在实际应用中,所有的数据可能并不是一次性加入的,当新数据添加进来时ELM算法会把新数据与旧数据放到一起重新学习,以致于学习过程花费过多的时间。
发明内容
本发明所要解决的技术问题在于提供基于在线贯序极限学习机的水质参数预测方法,预测效果好,预测精度高,学习时间短,能够满足快速预测水质参数的未来发展趋势的要求。
为解决上述现有的技术问题,本发明采用如下方案:基于在线贯序极限学习机的水质参数预测方法,包括以下步骤:
步骤一:从水质自动监测站采集水质参数历史数据并对数据进行预处理,采用牛顿插值法将历史数据中的缺失数据补全;
步骤二:将经过预处理的水质参数历史数据中的前2/3的数据作为学习样本集,后1/3数据作为测试样本集;
步骤三:在学习样本集中取部分数据对OSELM初始化,然后利用学习样本集中剩下的数据让OSELM进行学习,在学习过程中,学习样本集中剩下的数据的前若干连续单位时间的水质参数值作为OSELM输入,下一单位时间的水质参数值则作为OSELM输出,且在不断地加入新的监测数据时丢弃相应数量的老数据,进行滚动学习;
步骤四:学习完成后以测试样本集对学习后的OSELM模型进行检验,即将测试样本集前若干连续单位时间的水质参数值送入学习后的OSELM输入端,并观测该OSELM输出端的预测值,若OSELM输出的预测值与测试样本集下一单位时间水质参数值之间的误差达到要求,则检验通过,即获得了基于OSELM的水质参数预测模型;
步骤五:使用OSELM模型对新的水质参数进行预测,只要将前若干连续单位时间的水质参数值送入OSELM预测模型的输入端,即可在其输出端估计出未来的水质参数值。
作为优选,所述水质参数采用PH值、溶解氧含量、高锰酸盐指数或氨氮含量。
作为优选,所述步骤三中对OSELM初始化的具体步骤如下:设从水质监测站收集到水质参数的最原始数据集为Z={z1,z1,…,zN},其中zi∈Rd,从数据集Z中选取N0个数据进行错位排序后,形成新的数据集 由于采用前4周的水质参数来预测后一周的水质参数,则xi=(zi,zi+1,zi+2,zi+3)Τ,ti=zi+4,(i=1,…,N0-1),然后运用OSELM算法求出最优的输出权值β0,即设随机选取隐节点的输入权值为αi和阈值为bi,隐层输出函数为G(αi,bi,x),则隐层输出矩阵H0, 由此计算出初始输出权值 其中 并计算出每次输入数据xi所对应的目标输出oi,完成对水质参数的OSELM初始化过程。
作为优选,所述步骤三中使OSELM进行学习的具体步骤如下:从数据集Z-Zini中选取N1个数据即对Ztra进行错位排序后形成新的数据集 其中 然后运用OSELM算法求出最优的输出权值β,即不断地加入新的监测数据,丢弃相应数量的老数据,按照对OSELM初始化中的OSELM算法进行滚动学习,并计算出每次输入数据xi所对应的目标输出oi。
作为优选,所述步骤四中在检验误差时采用均方根误差RMSE(Root MeanSquare Error,RMSE)、相关系数R(Correlation Coefficient)作为评价预测模型性能的指标,其计算公式分别为:
均方根误差越小表示模型的预测性能越好,相关系数的绝对值越接近于1说明预测越准确。其中yai和ypi分别代表第i个样本的真实值和预测值,和分别代表n个样本的真实值均值和预测值均值。
作为优选,所述步骤四中对于不同的水质参数误差达到的要求不同:对PH值预测的模型的均方根误差低于0.006,对溶解氧含量预测的模型的均方根误差低于0.12,对高锰酸盐指数预测的模型的均方根误差低于0.18,对氨氮含量预测的模型的均方根误差低于0.04,且上述预测的模型的相关系数都不低于0.95。
有益效果:
本发明采用上述技术方案提供基于在线贯序极限学习机的水质参数预测方法,将贯序学习的思想引入到ELM算法中,得到OSELM学习算法,在OSELM的学习过程中,数据可以一个一个或一块一块地添加,使OSELM通过学习最近一段连续时间的历史观测数据,掌握水质参数的变化规律并预测其未来的趋势,由于OSELM的学习是不断滚动执行的,随着观测数据更新和积累,模型不断抛弃旧的数据,学习最新的数据,以掌握最新的水质发展规律,基于水质参数在线监测、数据持续获得的特点,采用OSELM能够满足快速预测水质参数未来发展趋势的要求,对于水质参数的预测是十分有效的,预测效果好,预测精度高,学习时间短。
附图说明
图1为本发明的流程示意图;
图2为本发明对PH值预测结果与实际值的对比示意图;
图3为本发明对溶解氧含量预测结果与实际值的对比示意图;
图4为本发明对高锰酸盐指数预测结果与实际值的对比示意图;
图5为本发明对氨氮含量预测结果与实际值的对比示意图。
具体实施方式
如图1所示,基于在线贯序极限学习机的水质参数预测方法,包括以下步骤:
步骤一:从水质自动监测站采集水质参数历史数据并对数据进行预处理,采用牛顿插值法将历史数据中的缺失数据补全;
步骤二:将经过预处理的水质参数历史数据中的前2/3的数据作为学习样本集,后1/3数据作为测试样本集;
步骤三:在学习样本集中取部分数据对OSELM初始化,然后利用学习样本集中剩下的数据让OSELM进行学习,在学习过程中,学习样本集中剩下的数据的前若干连续单位时间的水质参数值作为OSELM输入,下一单位时间的水质参数值则作为OSELM输出,且在不断地加入新的监测数据时丢弃相应数量的老数据,进行滚动学习;
步骤四:学习完成后以测试样本集对学习后的OSELM模型进行检验,即将测试样本集前若干连续单位时间的水质参数值送入学习后的OSELM输入端,并观测该OSELM输出端的预测值,若OSELM输出的预测值与测试样本集下一单位时间水质参数值之间的误差达到要求,则检验通过,即获得了基于OSELM的水质参数预测模型;
步骤五:使用OSELM模型对新的水质参数进行预测,只要将前若干连续单位时间的水质参数值送入OSELM预测模型的输入端,即可在其输出端估计出未来的水质参数值。
所述水质参数采用PH值、溶解氧含量、高锰酸盐指数或氨氮含量。所述步骤三中对OSELM初始化的具体步骤如下:设从水质监测站收集到水质参数的最原始数据集为Z={z1,z1,…,zN},其中zi∈Rd,从数据集Z中选取N0个数据进行错位排序后,形成新的数据集 由于采用前4周的水质参数来预测后一周的水质参数,则xi=(zi,zi+1,zi+2,zi+3)Τ,ti=zi+4,(i=1,…,N0-1),然后运用OSELM算法求出最优的输出权值β0,即设随机选取隐节点的输入权值为αi和阈值为bi,隐层输出函数为G(αi,bi,x),则隐层输出矩阵H0, 由此计算出初始输出权值 其中 并计算出每次输入数据xi所对应的目标输出oi,完成对水质参数的OSELM初始化过程。所述步骤三中使OSELM进行学习的具体步骤如下:从数据集Z-Zini中选取N1个数据即对Ztra进行错位排序后形成新的数据集 其中 然后运用OSELM算法求出最优的输出权值β,即不断地加入新的监测数据,丢弃相应数量的老数据,按照对OSELM初始化中的OSELM算法进行滚动学习,并计算出每次输入数据xi所对应的目标输出oi。所述步骤四中在检验误差时采用均方根误差RMSE(Root Mean SquareError,RMSE)、相关系数R(Correlation Coefficient)作为评价预测模型性能的指标,其计算公式分别为:
均方根误差越小表示模型的预测性能越好,相关系数的绝对值越接近于1说明预测越准确。其中yai和ypi分别代表第i个样本的真实值和预测值,和分别代表n个样本的真实值均值和预测值均值。所述步骤四中对于不同的水质参数误差达到的要求不同:对PH值预测的模型的均方根误差低于0.006,对溶解氧含量预测的模型的均方根误差低于0.12,对高锰酸盐指数预测的模型的均方根误差低于0.18,对氨氮含量预测的模型的均方根误差低于0.04,且上述预测的模型的相关系数都不低于0.95。
OSELM算法是在原始ELM算法的基础上采用在线学习模式而提出的一种新的算法,算法原理可总结如下:给定学习数据集Ω={(xi,ti)|xi∈Rn,ti∈Rm,i=1,…,N},其中xi是样本的输入值,ti是相应的目标值,N为样本个数,设节点个数为L,然后按以下步骤进行:
Step1初始化阶段:
1)从Ω中选取部分数据集其中N0≥L;
2)随机选取隐节点的输入权值αi和阈值bi,i=1,…,L。设隐层输出函数为G(αi,bi,x);
3)计算隐层输出矩阵H0,
4)计算初始输出权值 其中
5)设置k=0。
Step2贯序学习阶段:
步骤1)设第k+1步所添加的数据块为其中Nk+1表示第k+1步添加数据的个数;
步骤2)计算新添加数据的隐层输出矩阵Hk+1,
步骤3)令
步骤4)计算输出权值βk+1,
步骤5)置k=k+1,返回步骤1)。
为验证本发明的有效性,本发明采取了实验测试,本发明进行实验测试时,数据来源于中华人民共和国环境保护部(http://www.mep.gov.cn/)公布的全国主要流域重点断面四川攀枝花龙洞水质自动监测周报(2004年第1周至2012年第53周)。选择四川攀枝花龙洞的2004年第1周至2009年第52周作为学习数据集,2010年第1周至2012年第53周作为测试数据集。用前4周数据预测下一周数据,则学习数据集为308组,测试数据集为153组。
下面通过两组实验结果来详细分析:
实验1:将隐节点个数设置为8个,初始数据个数N0设定为25,每次增加数据的个数为1,OSELM算法的激活函数设为RBF函数,对四个水质参数进行预测,图2~5给出了基于OSELM的预测模型对各水质参数的预测结果。
从图1~4中可以看出OSELM预测模型对PH值和氨氮的预测效果要比对溶解氧和高锰酸盐指数的预测效果好,且对溶解氧的预测效果相对要比对高锰酸盐指数的预测效果好。但整体上看来OSELM预测模型可以给出较好的预测效果。
实验2:为了进一步说明问题,下面将本发明中基于OSELM的预测模型与常见的人工神经网络模型作比较。
表1~4给出了分别OSELM和人工神经网络对各水质参数预测的性能比较,表中结果均为20次实验的平均结果。
表1PH值的预测结果比较
表2溶解氧的预测结果比较
表3高锰酸盐指数的预测结果比较
表4氨氮的预测结果比较
从表1~4可以看出OSELM预测模型不论是在学习时间、均方根误差还是相关系数上都比BP人工神经网络好,且学习时间稳定。与RBF人工神经网络相比,除了表4中氨氮预测的均方根误差略大之外,对其他水质参数的预测结果都要好于RBF人工神经网络。且OSELM预测模型对四个水质参数的学习时间只有0.0469秒,这完全满足水质在线监测快速进行预测的要求。
针对人工神经网络预测模型存在易出现过学习或欠学习、局部极小、网络结构难以确定、推广能力差、学习时间长等诸多问题,本文提出采用OSELM建立水质参数预测模型的方法,并分别与BP人工神经网络和RBF人工神经网络预测模型进行比较。从中可以看出OSELM预测模型对除氨氮外的其他水质参数预测精度都要高于人工神经网络,且学习时间短。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (6)
1.基于在线贯序极限学习机的水质参数预测方法,其特征在于:包括以下步骤:
步骤一:从水质自动监测站采集水质参数历史数据并对数据进行预处理,采用牛顿插值法将历史数据中的缺失数据补全;
步骤二:将经过预处理的水质参数历史数据中的前2/3的数据作为学习样本集,后1/3数据作为测试样本集;
步骤三:在学习样本集中取部分数据对OSELM初始化,然后利用学习样本集中剩下的数据让OSELM进行学习,在学习过程中,学习样本集中剩下的数据的前若干连续单位时间的水质参数值作为OSELM输入,下一单位时间的水质参数值则作为OSELM输出,且在不断地加入新的监测数据时丢弃相应数量的老数据,进行滚动学习;
步骤四:学习完成后以测试样本集对学习后的OSELM模型进行检验,即将测试样本集前若干连续单位时间的水质参数值送入学习后的OSELM输入端,并观测该OSELM输出端的预测值,若OSELM输出的预测值与测试样本集下一单位时间水质参数值之间的误差达到要求,则检验通过,即获得了基于OSELM的水质参数预测模型;
步骤五:使用OSELM模型对新的水质参数进行预测,只要将前若干连续单位时间的水质参数值送入OSELM预测模型的输入端,即可在其输出端估计出未来的水质参数值。
2.根据权利要求1所述的基于在线贯序极限学习机的水质参数预测方法,其特征在于:所述水质参数采用PH值、溶解氧含量、高锰酸盐指数或氨氮含量。
3.根据权利要求1所述的基于在线贯序极限学习机的水质参数预测方法,其特征在于:所述步骤三中对OSELM初始化的具体步骤如下:设从水质监测站收集到水质参数的最原始数据集为Z={z1,z1,…,zN},其中zi∈Rd,从数据集Z中选取N0个数据进行错位排序后,形成新的数据集 由于采用前4周的水质参数来预测后一周的水质参数,则xi=(zi,zi+1,zi+2,zi+3)Τ,ti=zi+4,(i=1,…,N0-1),然后运用OSELM算法求出最优的输出权值β0,即设随机选取隐节点的输入权值为αi和阈值为bi,隐层输出函数为G(αi,bi,x),则隐层输出矩阵H0, 由此计算出初始输出权值 其中 并计算出每次输入数据xi所对应的目标输出oi,完成对水质参数的OSELM初始化过程。
4.根据权利要求3所述的基于在线贯序极限学习机的水质参数预测方法,其特征在于:所述步骤三中使OSELM进行学习的具体步骤如下:从数据集Z-Zini中选取N1个数据即对Ztra进行错位排序后形成新的数据集 其中 然后运用OSELM算法求出最优的输出权值β,即不断地加入新的监测数据,丢弃相应数量的老数据,按照对OSELM初始化中的OSELM算法进行滚动学习,并计算出每次输入数据xi所对应的目标输出oi。
5.根据权利要求1所述的基于在线贯序极限学习机的水质参数预测方法,其特征在于:所述步骤四中在检验误差时采用均方根误差RMSE(Root MeanSquare Error,RMSE)、相关系数R(Correlation Coefficient)作为评价预测模型性能的指标,其计算公式分别为:
均方根误差越小表示模型的预测性能越好,相关系数的绝对值越接近于1说明预测越准确。其中yai和ypi分别代表第i个样本的真实值和预测值,和分别代表n个样本的真实值均值和预测值均值。
6.根据权利要求5所述的基于在线贯序极限学习机的水质参数预测方法,其特征在于:所述步骤四中对于不同的水质参数误差达到的要求不同:对PH值预测的模型的均方根误差低于0.006,对溶解氧含量预测的模型的均方根误差低于0.12,对高锰酸盐指数预测的模型的均方根误差低于0.18,对氨氮含量预测的模型的均方根误差低于0.04,且上述预测的模型的相关系数都不低于0.95。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410204060.5A CN103942461B (zh) | 2014-05-14 | 2014-05-14 | 基于在线贯序极限学习机的水质参数预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410204060.5A CN103942461B (zh) | 2014-05-14 | 2014-05-14 | 基于在线贯序极限学习机的水质参数预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103942461A true CN103942461A (zh) | 2014-07-23 |
CN103942461B CN103942461B (zh) | 2018-03-02 |
Family
ID=51190129
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410204060.5A Active CN103942461B (zh) | 2014-05-14 | 2014-05-14 | 基于在线贯序极限学习机的水质参数预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103942461B (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104503420A (zh) * | 2014-09-19 | 2015-04-08 | 北京化工大学 | 一种基于新型fde-elm和时延efsm的非线性过程工业故障预测方法 |
CN105005693A (zh) * | 2015-07-08 | 2015-10-28 | 中国科学院合肥物质科学研究院 | 一种基于遗传物质特异性的肿瘤细胞药物敏感性评估方法 |
CN106198909A (zh) * | 2016-06-30 | 2016-12-07 | 中南大学 | 一种基于深度学习的水产养殖水质预测方法 |
CN106446440A (zh) * | 2016-10-11 | 2017-02-22 | 天津大学 | 基于在线贯序极限学习机的短期光伏发电功率预测方法 |
CN104123476B (zh) * | 2014-08-12 | 2017-03-08 | 大连海事大学 | 基于极限学习机的气体浓度预测方法及其装置 |
CN107464014A (zh) * | 2017-07-19 | 2017-12-12 | 华北电力大学(保定) | 一种燃煤机组脱硝控制系统入口氮氧化物的预测方法 |
CN108562709A (zh) * | 2018-04-25 | 2018-09-21 | 重庆工商大学 | 一种基于卷积自编码器极限学习机的污水处理系统水质监测预警方法 |
CN108710974A (zh) * | 2018-05-18 | 2018-10-26 | 中国农业大学 | 一种基于深度置信网络的水体氨氮预测方法及装置 |
CN108846423A (zh) * | 2018-05-29 | 2018-11-20 | 中国农业大学 | 水质预测方法和系统 |
CN108960534A (zh) * | 2018-08-13 | 2018-12-07 | 重庆工商大学 | 一种基于卷积极限学习机预测食品废水进水水质的方法 |
CN109190638A (zh) * | 2018-08-09 | 2019-01-11 | 太原理工大学 | 基于多尺度局部感受野在线顺序极限学习机的分类方法 |
CN109521176A (zh) * | 2019-01-30 | 2019-03-26 | 杭州电子科技大学 | 一种基于改进深度极限学习机的虚拟水质监测方法 |
CN111177205A (zh) * | 2019-12-31 | 2020-05-19 | 重庆中电自能科技有限公司 | 一种新能源场站数据共享方法及系统 |
CN112101789A (zh) * | 2020-09-16 | 2020-12-18 | 清华大学合肥公共安全研究院 | 一种基于人工智能的水污染报警等级识别方法 |
CN114924489A (zh) * | 2022-07-22 | 2022-08-19 | 浙江中控技术股份有限公司 | 一种适用于流程工业预测控制的模型自主学习方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102073797B (zh) * | 2011-02-23 | 2013-02-27 | 江南大学 | 基于pso和svm混合算法识别太湖入湖河流水质主要影响因素的分析方法 |
CN102902985A (zh) * | 2012-10-10 | 2013-01-30 | 常州大学 | 基于二类支持向量机和粒子群算法的近海水质评价方法 |
CN103605909B (zh) * | 2013-12-09 | 2017-04-05 | 中国科学院重庆绿色智能技术研究院 | 一种基于灰色理论及支持向量机的水质预测方法 |
CN103728431A (zh) * | 2014-01-09 | 2014-04-16 | 重庆科技学院 | 基于极限学习机的工业污水cod在线软测量方法 |
-
2014
- 2014-05-14 CN CN201410204060.5A patent/CN103942461B/zh active Active
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104123476B (zh) * | 2014-08-12 | 2017-03-08 | 大连海事大学 | 基于极限学习机的气体浓度预测方法及其装置 |
CN104503420B (zh) * | 2014-09-19 | 2017-02-15 | 北京化工大学 | 一种基于新型fde‑elm和时延efsm的非线性过程工业故障预测方法 |
CN104503420A (zh) * | 2014-09-19 | 2015-04-08 | 北京化工大学 | 一种基于新型fde-elm和时延efsm的非线性过程工业故障预测方法 |
CN105005693A (zh) * | 2015-07-08 | 2015-10-28 | 中国科学院合肥物质科学研究院 | 一种基于遗传物质特异性的肿瘤细胞药物敏感性评估方法 |
CN105005693B (zh) * | 2015-07-08 | 2017-12-01 | 中国科学院合肥物质科学研究院 | 一种基于遗传物质特异性的肿瘤细胞药物敏感性评估方法 |
CN106198909B (zh) * | 2016-06-30 | 2019-05-10 | 中南大学 | 一种基于深度学习的水产养殖水质预测方法 |
CN106198909A (zh) * | 2016-06-30 | 2016-12-07 | 中南大学 | 一种基于深度学习的水产养殖水质预测方法 |
CN106446440A (zh) * | 2016-10-11 | 2017-02-22 | 天津大学 | 基于在线贯序极限学习机的短期光伏发电功率预测方法 |
CN107464014A (zh) * | 2017-07-19 | 2017-12-12 | 华北电力大学(保定) | 一种燃煤机组脱硝控制系统入口氮氧化物的预测方法 |
CN108562709A (zh) * | 2018-04-25 | 2018-09-21 | 重庆工商大学 | 一种基于卷积自编码器极限学习机的污水处理系统水质监测预警方法 |
CN108710974A (zh) * | 2018-05-18 | 2018-10-26 | 中国农业大学 | 一种基于深度置信网络的水体氨氮预测方法及装置 |
CN108710974B (zh) * | 2018-05-18 | 2020-09-11 | 中国农业大学 | 一种基于深度置信网络的水体氨氮预测方法及装置 |
CN108846423A (zh) * | 2018-05-29 | 2018-11-20 | 中国农业大学 | 水质预测方法和系统 |
CN109190638A (zh) * | 2018-08-09 | 2019-01-11 | 太原理工大学 | 基于多尺度局部感受野在线顺序极限学习机的分类方法 |
CN108960534A (zh) * | 2018-08-13 | 2018-12-07 | 重庆工商大学 | 一种基于卷积极限学习机预测食品废水进水水质的方法 |
CN109521176A (zh) * | 2019-01-30 | 2019-03-26 | 杭州电子科技大学 | 一种基于改进深度极限学习机的虚拟水质监测方法 |
CN109521176B (zh) * | 2019-01-30 | 2021-08-31 | 杭州电子科技大学 | 一种基于改进深度极限学习机的虚拟水质监测方法 |
CN111177205A (zh) * | 2019-12-31 | 2020-05-19 | 重庆中电自能科技有限公司 | 一种新能源场站数据共享方法及系统 |
CN111177205B (zh) * | 2019-12-31 | 2023-04-21 | 重庆中电自能科技有限公司 | 一种新能源场站数据共享方法及系统 |
CN112101789A (zh) * | 2020-09-16 | 2020-12-18 | 清华大学合肥公共安全研究院 | 一种基于人工智能的水污染报警等级识别方法 |
CN114924489A (zh) * | 2022-07-22 | 2022-08-19 | 浙江中控技术股份有限公司 | 一种适用于流程工业预测控制的模型自主学习方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103942461B (zh) | 2018-03-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103942461A (zh) | 基于在线贯序极限学习机的水质参数预测方法 | |
CN103730006B (zh) | 一种短时交通流量的组合预测方法 | |
CN102722759B (zh) | 基于bp神经网络的电网供电可靠性预测方法 | |
CN105740991A (zh) | 基于改进bp神经网络拟合多种气候模式的气候变化预测方法及系统 | |
CN101480143B (zh) | 一种预测灌区作物单产量的方法 | |
CN108876021B (zh) | 一种中长期径流预报方法及系统 | |
CN104700153A (zh) | 基于模拟退火优化BP神经网络的pH值预测方法 | |
CN104217258B (zh) | 一种电力负荷条件密度预测方法 | |
CN104091216A (zh) | 基于果蝇优化最小二乘支持向量机的交通信息预测方法 | |
CN104064023A (zh) | 一种基于时空关联的动态交通流预测方法 | |
CN106781489A (zh) | 一种基于递归神经网络的路网状态预测方法 | |
CN104239659A (zh) | 一种bp神经网络的碳钢腐蚀速率预测方法 | |
CN106022954A (zh) | 基于灰色关联度的多重bp神经网络负荷预测方法 | |
CN101290713A (zh) | 一种结合周相似特性的分形交通流预测方法 | |
CN108334943A (zh) | 基于主动学习神经网络模型的工业过程半监督软测量建模方法 | |
CN103106331B (zh) | 基于降维和增量式极限学习机的光刻线宽智能预测方法 | |
CN109657878A (zh) | 一种空调负荷预测方法及装置 | |
CN104598765A (zh) | 一种基于弹性自适应神经网络的建筑物能耗预测方法 | |
CN107798431A (zh) | 一种基于改进Elman神经网络的中长期径流预报方法 | |
CN105303835B (zh) | 一种道路交通流状态的短时预测方法 | |
CN105184400A (zh) | 一种烟田土壤水分预测方法 | |
CN106570594A (zh) | 一种基于tmbp的相似日光伏发电短期预测方法 | |
CN106228268A (zh) | 一种基于收费数据的高速公路旅行时间的预测方法 | |
CN108877224B (zh) | 一种可进行置信区间估计的短时交通流预测方法 | |
CN107194507A (zh) | 一种基于组合支持向量机的风电场短期风速预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |