CN104123451A - 基于偏最小二乘回归的疏浚作业产量预测模型建立方法 - Google Patents
基于偏最小二乘回归的疏浚作业产量预测模型建立方法 Download PDFInfo
- Publication number
- CN104123451A CN104123451A CN201410340375.2A CN201410340375A CN104123451A CN 104123451 A CN104123451 A CN 104123451A CN 201410340375 A CN201410340375 A CN 201410340375A CN 104123451 A CN104123451 A CN 104123451A
- Authority
- CN
- China
- Prior art keywords
- major component
- variable
- matrix
- independent variable
- dependent variable
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于偏最小二乘回归的疏浚作业产量预测模型建立方法,采取一种先进的多元回归分析方法,通过将自变量和因变量的高维数据空间投影到相应的低维特征空间,分别得到自变量与因变量的相互正交的特征向量,再建立自变量和因变量的特征向量间的线性回归关系。它在选取特征向量时强调自变量对因变量的解释和预测作用,去除了对回归无益的噪声的影响,使模型包含最小的变量数,因而其模型具有较好的鲁棒性和预测的稳定性。可为疏浚作业产量的优化研究打下理论基础,达到高效率、高产量、低能耗的目的,对挖泥船进行产量预测具有重要意义。
Description
技术领域
本发明涉及基于偏最小二乘回归分析在疏浚作业产量预测模型中的应用,属于疏浚工程领域。
背景技术
疏浚工程是水利水运工程的重要项目。现代疏浚作业主要依靠挖泥船来进行,而产量是衡量挖泥船效率的重要标准。绞吸式挖泥船疏浚作业是一个多因素相互作用、相互影响的过程,产量的影响因素非常多且复杂。在现阶段疏浚施工中,主要还是以人工优化为基础,依靠以往经验判断疏浚施工的主要作业参数,施工效率较低。如何确保合理有效的工艺决策,减少调控参数,降低操作复杂性,成为疏浚低能耗、低排放、高效率的关键问题。因此,实现疏浚作业产量预测模型意义重大。
偏最小二乘法(Partial least squares, PLS)是一种先进的多元回归分析方法,通过将自变量和因变量的高维数据空间投影到相应的低维特征空间,分别得到自变量和因变量的相互正交特征向量,再建立自变量和因变量特征向量的一元线性回归关系。与主成分分析(Primary Component Analysis,PCA)相比较:PLS不仅可有效地克服普通最小二乘回归方法的共线性问题,它在选取特征向量时强调自变量对因变量的解释和预测作用,去除了对回归无益噪声的影响,是模型包含最少的变量数,因而PLS模型具有更好的鲁棒性和预测稳定性。PLS方法的良好性能使得它在工业过程的建模与控制中得到广泛的应用。
发明内容
本发明的目的在于克服上述缺陷,利用现有的偏最小二乘回归方法,提供基于偏最小二乘回归的疏浚作业产量预测模型建立方法,对挖泥船产量预测模型建立进行分析,为疏浚作业产量的优化研究打下理论基础,达到高效率、高产量、低能耗的目的,对挖泥船进行产量预测具有重要意义。
为了解决上述问题,本发明装置所采用的技术方案为:一种基于偏最小二乘回归的疏浚作业产量预测模型建立方法,其特征在于包括以下步骤:
步骤(1):收集影响疏浚作业产量因素变量的数据资料,确定p个分析变量,列出因变量与自变量样本矩阵;其中,p为正整数;
步骤(2):对样本矩阵进行标准化处理;
步骤(3):根据标准样本矩阵,提取主成分;
步骤(4):根据提取主成分终止判断准则,依次计算出主成分对自变量、因变量信息的解释能力;
步骤(5):确定主成分个数;
步骤(6):根据主成分个数,建立回归预测方程。
上述步骤(1)中的样本矩阵如下:
设对p个自变量x1,x2,…xp和q个因变量y1,y2,…yq行了n次观测,分别记自变量与因变量的“样本点×变量”型的数据矩阵为:
X=(xij)n×p=(x1,x2,...xp),i=1,2...,n;j=1,2,...P
Y=(yij)n×q=(y1,y2,...yq),i=1,2,...,n;j=1,2,...q
上述步骤(2)中矩阵标准化处理如下:
记标准化后的数据矩阵为:
E0=(eij)n×p和E0=(fij)n×q
其中
(1-1)
式中(1-1)和式中(1-2)中,分别为矩阵X与Y的第j列数据的平均值,sxj,syj为矩阵X与Y的第j列数据的标准差。
上述步骤(3)中主成分提取的计算步骤如下:
①第一轮主成分提取
求矩阵的最大特征值所对应单位特征向量w1,得自变量的第一个主成分,t1=E0w1
求矩阵的最大特征值所对应单位特征向量c1,得因变量的第一个主成分,u1=F0c1
求残差矩阵
式中(1-3)中式中(1-4)中
②新一轮主成分提取
令E0=E1,F0=E1,对残差矩阵进行新一轮的主成分提取
设第h步的计算结果为
th=Eh-1wh (1-5)
uh=Fh-1ch (1-6)
式(1-5)~(1-8)中,
上所述步骤(4)中的提取主成分终止判断准则采用复测定系数准则,由统计量
评价自变量系统的前h个主成分是否对因变量Y系统有足够的解释能力。
复测定系数度量的是由前h个主成分构建的回归方程能够解释的变异信息量占总变异的百分比,当h=m且复测定系数的值足够大时,可在第m步终止主成分提取计算,其中
在复测定系数的应用中,往往参考统计量
值的大小,度量的是自变量X系统被提取的变异信息量。
上所述步骤(4)中主成分对自变量、因变量信息的解释能力的计算过程如下:
记是主成分th与因变量yj的简单相关系数的平方,th对因变量系统Y的解释能力:
Rd(yj;th)=ρ2(yj;th)
(1-11)
t1,t2,...,tm二对因变量系统Y的累计解释能力:
依据式(1-11)~(1-13),计算各主成分对因变量Y的解释能力;
记ρ2(xj;th)是主成分th与自变量xj的简单相关系数的平方,th对自变量系统X的解释能力:
Rd(xj;th)=ρ2(xj;th)
(1-14)
t1,t2,...,tm对自变量系统X的累计解释能力
依据式(1-14)~(1-16)计算各主成分对自变量X的解释能力。
上述步骤(5)中主成分个数的确定如下:
分别绘制主成分和主成分对因变量Y解释能力总信息及自变量X解释能力总信息柱状图,找出Rdh(Cum)≥85%时,两者的主成分个数,然后对其两者取主成分个数交集,这样不仅保证了主成分对因变量Y有较好的解释能力,而且也保证了主成分对自变量X的具有较好的解释能力。
上述步骤(6)中根据主成分个数,建立回归预测方程如下:
①建立F0关于主成分t1,t2,...,tm的多元线性回归方程
②变换为关于标准化变量的PLS回归方程
将代入方程(1-17),得F0关于E0的PLS回归方程
其中, 为单位矩阵。
③还原为关于原始变量的PLS回归方程
将方程(1-18)还原成关于原始变量的PLS回归方程
其中,ak是矩阵的第k个列向量,aki是ak的第i个分量,i=1,2,…,m,h=,2,...q.
本发明的有益效果是:本发明公开了一种基于偏最小二乘回归的疏浚作业产量预测模型建立方法,采取一种先进的多元回归分析方法,通过将自变量和因变量的高维数据空间投影到相应的低维特征空间,分别得到自变量与因变量的相互正交的特征向量,再建立自变量和因变量的特征向量间的线性回归关系。它在选取特征向量时强调自变量对因变量的解释和预测作用,去除了对回归无益的噪声的影响,使模型包含最小的变量数,因而其模型具有较好的鲁棒性和预测的稳定性。可为疏浚作业产量的优化研究打下理论基础,达到高效率、高产量、低能耗的目的,对挖泥船进行产量预测具有重要意义。
附图说明
图1是本发明的基于偏最小二乘回归的疏浚作业产量预测模型建立流程图;
图2是本发明的偏最小二乘法提取主成分流程图。
具体实施方式
为使本发明实现的技术方案、技术特征、达成目的与功效易于明白了解,下面结合具体实施例和附图,进一步阐述本发明。
根据图1,本发明的模型建立方法步骤为:收集相关数据确定分析变量,获得样本数据,对样本矩阵进行标准化处理,对因变量与自变量高维数据进行降维(构建矩阵和),提取自变量和因变量相互正交的的特征向量(即主成分),最后建立因变量和自变量特征向量线性回归关系(回归预测方程)。
根据图2,本发明的偏最小二乘法提取主成分流程为:收集数据确定因变量与自变量,对因变量和自变量的样本矩阵进行标准化处理,构建矩阵和计算残差矩阵,依次求出其它主成分,求主成分对因变量和自变量解释能力,确定主成分个数,并赋予实际含义。
PLS建模准则是把主成分分析准则和主成分回归准则相结合而形成一个新的残差平方和指标。其被广泛应用的准则函数为:
注:式中称w为模型效应权重,c为因变量权重,ui,ti分别为因变量与自变量的主成分。(i=1,2,...m)。
建立绞吸式挖泥船产量预测模型
(1)绞吸式挖泥船产量影响因素具有众多参数变量,首先收集数据资料,确定分析变量。绞吸式挖泥船产量影响因素如表1所示。产量为一维因变量Y。
表1绞吸式挖泥船产量影响因素
(2)对原始数据进行标准化
原始数据进行标准化的目的是为了消除由于量纲的不同可能带来的一些不合理的影响。
根据(1-1)和(1-2)式分别对产量因变量Y和产量影响因素X进行数据标准化后可得因变量为Y′,自变量为X′。其数据矩阵为:
(3)提取主成分
令求矩阵的最大特征值所对应单位特征向量w1,得自变量的第1个主成分。
t1=E0w1
求矩阵的最大特征值所对应单位特征向量c1,得因变量的第1个主成分。
u1=F0c1
再按照式(1-3)~(1-8)的方法,依次求出自变量及因变量的其他主成分th和uh(h=1,2,...,m,m<<rank(E0))。
(4)分别计算主成分对因变量及自变量得解释能力
依据式(1-13)~(1-15),计算各主成分对产量因变量Y的解释能力,其结果如表2所示。
表2主成分对产量变量Y的解释能力
依据式(1-16)~(1-18)计算各主成分对能产量响因素X的解释能力,其结果如表3所示。
表3主成分对产量影响因素X的解释能力
(5)确定主成分个数
分别绘制主成分和主成分对产量因变量Y解释能力总信息及产量影响因素X解释能力总信息柱状图。找出Rdh(Cum)≥85%时,两者的主成分个数,然后对其两者取主成分个数交集,这样不仅保证了主成分对产量因变量Y有较好的解释能力,而且也保证了主成分对产量影响因素X的具有较好的解释能力。
(6)根据主成分个数,建立绞吸式挖泥船产量预测模型
其中,k为所确定主成分个数,Xi为所确定影响绞吸式挖泥船产量影响因素主成分,ai为主成分系数,b为常数。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (8)
1.基于偏最小二乘回归的疏浚作业产量预测模型建立方法,其特征在于,包括以下步骤:
步骤(1):收集影响疏浚作业产量因素变量的数据资料,确定p个分析变量,列出因变量与自变量样本矩阵;其中,p为正整数;
步骤(2):对样本矩阵进行标准化处理;
步骤(3):根据标准样本矩阵,提取主成分;
步骤(4):根据提取主成分终止判断准则,依次计算出主成分对自变量、因变量信息的解释能力;
步骤(5):确定主成分个数;
步骤(6):根据主成分个数,建立回归预测方程。
2.根据权利要求1所述的基于偏最小二乘回归的疏浚作业产量预测模型建立方法,其特征在于,所述步骤(1)中的样本矩阵如下:
设对p个自变量x1,x2,…xp和q个因变量y1,y2,…yq行了n次观测,分别记自变量与因变量的“样本点×变量”型的数据矩阵为:
X=(xij)n×p=(x1,x2,...xp),i=1,2...,n;j=1,2,...p
Y=(yij)n×q=(y1,y2,...yq),i=1,2...,n;j=1,2,...q。
3.根据权利要求1所述的基于偏最小二乘回归的疏浚作业产量预测模型建立方法,其特征在于,所述步骤(2)中矩阵标准化处理过程如下:
记标准化后的数据矩阵为:
E0=(eij)n×p和F0=(fij)n×q
其中
(1-1)
(1-2)
式中(1-1)和式中(1-2)中,分别为矩阵X与Y的第j列数据的平均值,sxj,syj为矩阵X与Y的第j列数据的标准差。
4.根据权利要求1所述的基于偏最小二乘回归的疏浚作业产量预测模型建立方法,其特征在于,步骤(3)中主成分提取的计算步骤如下:
①第一轮主成分提取
求矩阵的最大特征值所对应单位特征向量w1,得自变量的第一个主成分,i1=E0w1
求矩阵的最大特征值所对应单位特征向量c1,得因变量的第一个主成分,
u1=F0c1
求残差矩阵
式中(1-3)中式中(1-4)中
②新一轮主成分提取
令E0=E1,F0=F1,对残差矩阵进行新一轮的主成分提取
设第h步的计算结果为
th=Eh-1wh (1-5)
uh=Fh-1ch (1-6)
式(1-5)~(1-8)中,。
5.根据权利要求1所述的基于偏最小二乘回归的疏浚作业产量预测模型建立方法,其特征在于,所述步骤(4)中的提取主成分终止判断准则采用复测定系数准则,
由统计量
评价自变量系统的前h个主成分是否对因变量Y系统有足够的解释能力;
复测定系数度量的是由前h个主成分构建的回归方程能够解释的变异信息量占总变异的百分比,当h=m且复测定系数的值足够大时,可在第m步终止主成分提取计算,其中
在复测定系数的应用中,参考统计量
值的大小,度量的是自变量X系统被提取的变异信息量。
6.根据权利要求1所述的基于偏最小二乘回归的疏浚作业产量预测模型建立方法,其特征在于,所述步骤(4)中主成分对自变量、因变量信息的解释能力的计算过程如下:
记ρ2(yj;th)是主成分th与因变量yj的简单相关系数的平方,th对因变量系统Y的解释能力:
Rd(yj;th)=ρ2(yj;th)
(1-11)
t1,t2,...,tm对因变量系统Y的累计解释能力:
依据式(1-11)~(1-13),计算各主成分对因变量Y的解释能力;
记ρ2(xj;th)是主成分th与自变量xj的简单相关系数的平方,th对自变量系统X的解释能力:
Rd(xj;th)=ρ2(xj;th)
(1-14)
t1,t2,...,tm对自变量系统X的累计解释能力
依据式(1-14)~(1-16)计算各主成分对自变量X的解释能力。
7.根据权利要求1所述的基于偏最小二乘回归的疏浚作业产量预测模型建立方法,其特征在于所述步骤(5)中主成分个数的确定如下:
分别绘制主成分和主成分对因变量Y解释能力总信息及自变量X解释能力总信息柱状图,找出Rdh(Cum)≥85%时,两者的主成分个数,然后对其两者取主成分个数交集。
8.根据权利要求1所述的基于偏最小二乘回归的疏浚作业产量预测模型建立方法,其特征在于,所述步骤(6)中根据主成分个数,建立回归预测方程过程如下:
①建立F0关于主成分t1,t2,...,tm的多元线性回归方程
②变换为关于标准化变量的PLS回归方程
将代入方程(1-17),得F0关于E0的PLS回归方程
其中,为单位矩阵。
③还原为关于原始变量的PLS回归方程
将方程(1-18)还原成关于原始变量的PLS回归方程
其中,ak是矩阵的第k个列向量,aki是ak的第i个分量,i=1,2,…,m,k二1,2,...,q。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410340375.2A CN104123451A (zh) | 2014-07-16 | 2014-07-16 | 基于偏最小二乘回归的疏浚作业产量预测模型建立方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410340375.2A CN104123451A (zh) | 2014-07-16 | 2014-07-16 | 基于偏最小二乘回归的疏浚作业产量预测模型建立方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104123451A true CN104123451A (zh) | 2014-10-29 |
Family
ID=51768860
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410340375.2A Pending CN104123451A (zh) | 2014-07-16 | 2014-07-16 | 基于偏最小二乘回归的疏浚作业产量预测模型建立方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104123451A (zh) |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105045091A (zh) * | 2015-07-14 | 2015-11-11 | 河海大学常州校区 | 基于模糊神经控制系统的疏浚工艺智能决策分析方法 |
CN105278520A (zh) * | 2015-06-29 | 2016-01-27 | 中国矿业大学 | 基于t-kprm复杂工业过程运行状态评价方法及应用 |
CN105718426A (zh) * | 2016-01-22 | 2016-06-29 | 河海大学常州校区 | 一种基于多元线性回归分析的疏浚产量数学模型建立方法 |
CN106777633A (zh) * | 2016-12-07 | 2017-05-31 | 广东工业大学 | 一种固体绝缘开关柜开关触点温度计算方法及装置 |
WO2018068360A1 (zh) * | 2016-10-11 | 2018-04-19 | 国云科技股份有限公司 | 一种数据分析中获取因变量与自变量回归关系的方法 |
CN108108834A (zh) * | 2017-12-03 | 2018-06-01 | 中国直升机设计研究所 | 一种直升机关重件磨损率预测方法 |
CN109446643A (zh) * | 2018-10-26 | 2019-03-08 | 山东大学 | 一种基于实测数据建立家用电器负荷谐波模型的方法 |
CN110309966A (zh) * | 2019-06-27 | 2019-10-08 | 河海大学常州校区 | 基于偏最小二乘法的疏浚能耗预测方法 |
CN110501294A (zh) * | 2019-08-07 | 2019-11-26 | 西安文理学院 | 一种基于信息融合的多元校正方法 |
CN111256745A (zh) * | 2020-02-28 | 2020-06-09 | 芜湖职业技术学院 | 一种便携式空气质量监测仪数据校准方法 |
CN111309065A (zh) * | 2020-02-12 | 2020-06-19 | 广东韶钢松山股份有限公司 | 压力模型建立方法、压力调节方法以及装置 |
CN111476405A (zh) * | 2020-03-20 | 2020-07-31 | 中海石油化学股份有限公司 | 一种基于偏最小二乘的工业过程工艺优化方法 |
CN113190956A (zh) * | 2021-03-19 | 2021-07-30 | 广东工业大学 | 一种面向制造业大数据的回归建模方法 |
CN113837460A (zh) * | 2021-09-17 | 2021-12-24 | 江苏省太湖水利规划设计研究院有限公司 | 平原河网水位回归预测方法 |
CN117194963A (zh) * | 2023-11-02 | 2023-12-08 | 合肥喆塔科技有限公司 | 工业fdc质量根因分析方法、设备及存储介质 |
CN117952658A (zh) * | 2024-03-26 | 2024-04-30 | 江西省科技事务中心 | 基于大数据的城市资源配置和产业特色分析方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2003102543A2 (en) * | 2002-05-31 | 2003-12-11 | Waters Investments Limited | A method of using data binning in the analysis of chromatograhpy/spectrometry data |
CN101021878A (zh) * | 2006-02-14 | 2007-08-22 | 中国交通建设集团有限公司 | 绞吸挖泥船计算机自动寻优疏浚方法 |
JP2009068946A (ja) * | 2007-09-12 | 2009-04-02 | Omron Corp | 欠陥分類装置および方法並びにプログラム |
CN101950324A (zh) * | 2010-09-02 | 2011-01-19 | 河海大学 | 一种河流健康智能诊断的方法和设备 |
CN102073922A (zh) * | 2010-12-10 | 2011-05-25 | 沈阳工业大学 | 基于影响因素筛选的短期负荷预测方法 |
CN102117383A (zh) * | 2011-02-28 | 2011-07-06 | 河海大学 | 一种河流污染实时诊断的方法 |
CN103093090A (zh) * | 2013-01-11 | 2013-05-08 | 河海大学常州校区 | 基于多变量的绞吸式挖泥船能耗参量的主成分分析方法 |
CN103995467A (zh) * | 2014-05-26 | 2014-08-20 | 河海大学常州校区 | 基于偏最小二乘法的疏浚作业能耗影响因素主成分提取方法 |
-
2014
- 2014-07-16 CN CN201410340375.2A patent/CN104123451A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2003102543A2 (en) * | 2002-05-31 | 2003-12-11 | Waters Investments Limited | A method of using data binning in the analysis of chromatograhpy/spectrometry data |
CN101021878A (zh) * | 2006-02-14 | 2007-08-22 | 中国交通建设集团有限公司 | 绞吸挖泥船计算机自动寻优疏浚方法 |
JP2009068946A (ja) * | 2007-09-12 | 2009-04-02 | Omron Corp | 欠陥分類装置および方法並びにプログラム |
CN101950324A (zh) * | 2010-09-02 | 2011-01-19 | 河海大学 | 一种河流健康智能诊断的方法和设备 |
CN102073922A (zh) * | 2010-12-10 | 2011-05-25 | 沈阳工业大学 | 基于影响因素筛选的短期负荷预测方法 |
CN102117383A (zh) * | 2011-02-28 | 2011-07-06 | 河海大学 | 一种河流污染实时诊断的方法 |
CN103093090A (zh) * | 2013-01-11 | 2013-05-08 | 河海大学常州校区 | 基于多变量的绞吸式挖泥船能耗参量的主成分分析方法 |
CN103995467A (zh) * | 2014-05-26 | 2014-08-20 | 河海大学常州校区 | 基于偏最小二乘法的疏浚作业能耗影响因素主成分提取方法 |
Non-Patent Citations (6)
Title |
---|
DANIEL_YWF: "偏最小二乘回归分析", 《豆丁网》 * |
IRWAN SYAFRI: "Application of the least squares adjustment method with conditional equationsin calculation of river dredging volume", 《DINAMIKA TEKNIK SIPIL》 * |
李彦等: "绞吸式挖泥船的疏浚优化", 《科学技术与工程》 * |
李波等: "基于偏最小二乘回归和最小二乘支持向量机的大坝渗流监控模型", 《水利学报》 * |
王其松等: "绞吸式挖泥船产量优化研究", 《水运工程》 * |
蒲前超等: "基于偏最小二乘回归法的河流病因诊断", 《河海大学学报(自然科学版)》 * |
Cited By (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105278520A (zh) * | 2015-06-29 | 2016-01-27 | 中国矿业大学 | 基于t-kprm复杂工业过程运行状态评价方法及应用 |
CN105278520B (zh) * | 2015-06-29 | 2018-09-21 | 中国矿业大学 | 基于t-kprm复杂工业过程运行状态评价方法及应用 |
CN105045091A (zh) * | 2015-07-14 | 2015-11-11 | 河海大学常州校区 | 基于模糊神经控制系统的疏浚工艺智能决策分析方法 |
CN105718426B (zh) * | 2016-01-22 | 2018-07-27 | 河海大学常州校区 | 一种基于多元线性回归分析的疏浚产量数学模型建立方法 |
CN105718426A (zh) * | 2016-01-22 | 2016-06-29 | 河海大学常州校区 | 一种基于多元线性回归分析的疏浚产量数学模型建立方法 |
WO2018068360A1 (zh) * | 2016-10-11 | 2018-04-19 | 国云科技股份有限公司 | 一种数据分析中获取因变量与自变量回归关系的方法 |
CN106777633B (zh) * | 2016-12-07 | 2020-04-28 | 广东工业大学 | 一种固体绝缘开关柜开关触点温度计算方法及装置 |
CN106777633A (zh) * | 2016-12-07 | 2017-05-31 | 广东工业大学 | 一种固体绝缘开关柜开关触点温度计算方法及装置 |
CN108108834A (zh) * | 2017-12-03 | 2018-06-01 | 中国直升机设计研究所 | 一种直升机关重件磨损率预测方法 |
CN109446643A (zh) * | 2018-10-26 | 2019-03-08 | 山东大学 | 一种基于实测数据建立家用电器负荷谐波模型的方法 |
CN109446643B (zh) * | 2018-10-26 | 2020-10-30 | 山东大学 | 一种基于实测数据建立家用电器负荷谐波模型的方法 |
CN110309966A (zh) * | 2019-06-27 | 2019-10-08 | 河海大学常州校区 | 基于偏最小二乘法的疏浚能耗预测方法 |
CN110309966B (zh) * | 2019-06-27 | 2022-08-02 | 河海大学常州校区 | 基于偏最小二乘法的疏浚能耗预测方法 |
CN110501294B (zh) * | 2019-08-07 | 2021-09-28 | 西安文理学院 | 一种基于信息融合的多元校正方法 |
CN110501294A (zh) * | 2019-08-07 | 2019-11-26 | 西安文理学院 | 一种基于信息融合的多元校正方法 |
CN111309065A (zh) * | 2020-02-12 | 2020-06-19 | 广东韶钢松山股份有限公司 | 压力模型建立方法、压力调节方法以及装置 |
CN111309065B (zh) * | 2020-02-12 | 2023-08-01 | 广东韶钢松山股份有限公司 | 压力模型建立方法、压力调节方法以及装置 |
CN111256745A (zh) * | 2020-02-28 | 2020-06-09 | 芜湖职业技术学院 | 一种便携式空气质量监测仪数据校准方法 |
CN111476405A (zh) * | 2020-03-20 | 2020-07-31 | 中海石油化学股份有限公司 | 一种基于偏最小二乘的工业过程工艺优化方法 |
CN113190956A (zh) * | 2021-03-19 | 2021-07-30 | 广东工业大学 | 一种面向制造业大数据的回归建模方法 |
CN113190956B (zh) * | 2021-03-19 | 2022-11-22 | 广东工业大学 | 一种面向制造业大数据的回归建模方法 |
CN113837460A (zh) * | 2021-09-17 | 2021-12-24 | 江苏省太湖水利规划设计研究院有限公司 | 平原河网水位回归预测方法 |
CN117194963A (zh) * | 2023-11-02 | 2023-12-08 | 合肥喆塔科技有限公司 | 工业fdc质量根因分析方法、设备及存储介质 |
CN117194963B (zh) * | 2023-11-02 | 2024-02-09 | 合肥喆塔科技有限公司 | 工业fdc质量根因分析方法、设备及存储介质 |
CN117952658A (zh) * | 2024-03-26 | 2024-04-30 | 江西省科技事务中心 | 基于大数据的城市资源配置和产业特色分析方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104123451A (zh) | 基于偏最小二乘回归的疏浚作业产量预测模型建立方法 | |
CN103995467B (zh) | 基于偏最小二乘法的疏浚作业能耗影响因素主成分提取方法 | |
CN104794361B (zh) | 一种水驱油藏开发效果综合评价方法 | |
CN103793854A (zh) | 多重组合优化的架空输电线路运行风险信息化评估方法 | |
CN107038167A (zh) | 基于模型评估的大数据挖掘分析系统及其分析方法 | |
CN103020423B (zh) | 基于copula函数获取风电场出力相关特性的方法 | |
CN103488869A (zh) | 一种最小二乘支持向量机的风力发电短期负荷预测方法 | |
CN105354198A (zh) | 一种数据处理方法及装置 | |
CN108388957A (zh) | 一种基于多特征融合技术的中小河流洪水预报方法及其预报系统 | |
CN103885867B (zh) | 一种模拟电路性能的在线评价方法 | |
CN104036550A (zh) | 基于形状语义的建筑立面激光雷达点云解译与重建的方法 | |
CN105068928A (zh) | 一种基于复杂网络理论的软件测试用例生成方法 | |
Zhang et al. | A Compromise Ratio Ranking Method of Triangular Intuitionistic Fuzzy Numbers\\and Its Application to MADM Problems | |
CN115796604A (zh) | 一种基于bim模型的项目全生命周期数字化管理预警系统 | |
CN104634265A (zh) | 一种基于多元图像特征融合的矿物浮选泡沫层厚度软测量方法 | |
CN104751254A (zh) | 基于非等距加权灰色模型和模糊聚类排序线损率预测方法 | |
CN104166777A (zh) | 计及多重相关性的风速矢量数据模拟生成方法 | |
CN103093090B (zh) | 基于多变量的绞吸式挖泥船能耗参量的主成分分析方法 | |
CN103955580A (zh) | 基于信度规则库推理的集成电路参数成品率估计方法 | |
CN103353295A (zh) | 一种精确预测大坝坝体垂直变形量的方法 | |
CN113408808B (zh) | 训练方法、数据生成方法、装置、电子设备以及存储介质 | |
CN102864743A (zh) | 桥梁施工期安全风险辨识方法 | |
CN106530109A (zh) | 一种基于信息价值的油田开发评价井决策方法 | |
CN103870614A (zh) | 一种结构概率优化设计方法 | |
CN102779232A (zh) | 基于样条插值改进多变量灰色模型的故障预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20141029 |
|
RJ01 | Rejection of invention patent application after publication |