CN106447092A - 一种基于mea‑bp神经网络的船用反渗透海水淡化系统性能预测方法 - Google Patents
一种基于mea‑bp神经网络的船用反渗透海水淡化系统性能预测方法 Download PDFInfo
- Publication number
- CN106447092A CN106447092A CN201610818605.0A CN201610818605A CN106447092A CN 106447092 A CN106447092 A CN 106447092A CN 201610818605 A CN201610818605 A CN 201610818605A CN 106447092 A CN106447092 A CN 106447092A
- Authority
- CN
- China
- Prior art keywords
- neural network
- population
- sub
- mea
- reverse osmosis
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/061—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using biological neurons, e.g. biological neurons connected to an integrated circuit
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Neurology (AREA)
- Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Separation Using Semi-Permeable Membranes (AREA)
Abstract
一种基于MEA‑BP神经网络的船用反渗透海水淡化系统性能预测方法,包括以下步骤:1)海水浓度、进水流量、温度和操作压力作为MEA‑BP神经网络的模型的输入变量;淡水流量、能耗和产水电导率作为输出变量;2)确定各个影响因素的取值范围,针对影响因素进行均匀正交试验,记录并分析试验结果,作为学习样本和测试样本;3)根据输入变量和输出变量确定BP神经网络的拓扑结构;4)利用MEA对BP神经网络的初始权值和阈值进行优化;5)将经优化得到的权值和阈值作为BP神经网络的初始权值和阈值,并利用学习样本对BP神经网络进行训练;6)训练完成,输入测试样本验证后,进行仿真预测。本发明速度快、精度较高、适用性较好。
Description
技术领域
本发明属于反渗透海水淡化领域,尤其涉及一种基于MEA-BP神经网络的船用反渗透海水淡化系统性能预测方法。
背景技术
船用反渗透海水淡化装置在不同浓度海水进入时,改变进水流量、温度和压力,系统的能耗、淡水流量和产水电导率会随之发生变化。尤其装置在不恰当的操作参数下连续运行时,会造成大量的电能浪费。因此在不同浓度海水进入反渗透海水淡化装置时选择合适的操作参数使系统性能得到优化是十分必要的。
目前,国内外对于船用反渗透海水淡化系统性能的预测主要有两种方法:一种是采用相关仿真软件得到,如ROSA,IMSdesign等,在软件操作界面输入相关参数即可生成输出文本,但这些软件仿真出来的结果往往和实际的反渗透海水淡化系统有相当大的出入,适用性极其有限;另一种是构建船用反渗透海水淡化系统的数学机理模型,通过模型得到仿真结果,但数学模型的建立往往工作量大,考虑实际因素多,需要根据具体系统的实测参数进行模型参数的选定,计算程序复杂、时间长、效率低、准确性较差。
发明内容
为了克服现有船用反渗透海水淡化系统性能预测方式计算复杂、效率低、准确性较差的不足,本发明提供了一种简化计算、效率较高、准确性良好的基于MEA-BP神经网络的船用反渗透海水淡化系统性能预测方法。
为了解决上述技术问题提供的技术方案为:
一种基于MEA-BP神经网络的船用反渗透海水淡化系统性能预测方法,所述预测方法包括以下步骤:
S1.确定船用反渗透海水淡化系统性能(淡水流量、能耗、产水电导率)的主要影响因素,试验得出温度和压力是影响船用反渗透海水淡化系统性能的主要因素,在压力恒定时,给水温度越高,产水流量越大,能耗越低,产水电导率随之增大;在温度恒定时,压力越大,产水流量也越大,能耗也越低,但产水电导率随之减小。同时,进水浓度和进水流量对系统性能的影响也不可忽视,其影响大小依据实际情况变化而不同。目前,当海水浓度、进水流量、温度和压力同时变化时,船用反渗透海水淡化装置的优化运行工作状态点还未知。因此,将以上四个影响因素作为MEA-BP神经网络模型的输入变量,确定船用反渗透海水淡化系统性能指标为淡水流量、能耗和产水电导率,将所述性能指标作为MEA-BP神经网络模型的输出变量;
S2.根据步骤S1得出的船用反渗透海水淡化系统性能的主要影响因素,确定各个影响因素的取值范围,针对船用反渗透海水淡化装置进行均匀正交试验,记录并分析试验结果,并将此结果作为MEA-BP神经网络模型的学习样本和测试样本;
S3.根据船用反渗透海水淡化系统的输入变量和输出变量确定BP神经网络的拓扑结构;
S4.在训练BP网络神经之前,利用MEA对BP神经网络的初始权值和阈值进行优化;
S5.将经MEA优化得到的权值和阈值作为BP神经网络的初始权值和阈值,并利用学习样本对BP神经网络进行训练;
S6.BP神经网络训练完成输入测试样本验证后,再输入待预测样本,进行仿真预测,输出量为预测结果。
进一步,所述步骤S3中,BP神经网络拓扑结构包含一个输入层、一个隐含层和一个输出层,输入层神经元个数根据船用反渗透海水淡化系统性能的影响因素数量确定,隐含层神经元个数参考经验公式(n为隐含层节点数,ni为输入节点数,nj为输出节点数,k为1~10之间的常数)试凑确定,输出层神经元个数根据船用反渗透海水淡化系统输出量的数量确定,输入层到隐含层以及隐含层到输出层的传递函数均采用正切S型传递函数tansig,训练算法采用trainlm算法,选取学习样本的均方误差的倒数作为各个个体与种群的得分函数。
再进一步,所述步骤S4中,MEA优化BP神经网络初始权值和阈值过程如下:
首先,利用初始种群产生函数initpop=initpop_generate(popsize,S1,S2,S3,P,T),可以方便地产生初始种群,其中,popsize为种群规模大小,S1为BP神经网络输入层神经元个数,S2为BP神经元网络隐含层神经元个数,S3为BP神经网络输出层神经元个数,P为训练样本输入矩阵,T为训练样本输出矩阵,initpop为产生的初始种群,利用子种群产生函数subpop=subpop_generate(center,SG,S1,S2,S3,P,T),可以方便地产生优胜子种群和临时子种群,其中,center为子种群的中心,SG为子种群规模大小,SG=popsize/(bestsize+tempsize),bestsize为优胜子种群个数,tempsize临时子种群个数,S1为BP神经网络输入层神经元个数,S2为BP神经元网络隐含层神经元个数,S3为BP神经网络输出层神经元个数,P为训练样本输入矩阵,T为训练样本输出矩阵,subpop为产生的子种群;
其次,优胜子种群和临时子种群产生后,各个子种群要先执行趋同操作,利用种群成熟判别函数[flag,index]=ismature(pop),可以方便地判断各个子种群趋同操作是否完成,其中,pop为待判别的子种群,flag为种群成熟标志,若flag=0,则子种群不成熟,若flag=1,则子种群已成熟,index为子种群中得分最高的个体对应的索引号;
再次,待各个优胜子群体和临时子群体趋同操作完成后,执行异化操作,当一个临时子群体得分高于某个成熟的优胜子群体,则该优胜子群体被临时子群体替代,原优胜子群体中的个体被释放,若一个成熟的临时子群体的得分低于任意一个优胜子群体的得分,则该临时子群体被废弃,其中的个体被释放,被释放的个体在全局范围内重新搜索并形成新的临时群体;
最后,当满足迭代停止条件时,MEA结束优化过程,此时,根据编码规则,对寻找到的最优个体进行解析,从而得到对应的BP神经网络的权值和阈值。
再进一步,所述步骤S5中,BP神经网络非线性拟合算法过程如下:
学习样本输入BP模型之前需进行归一化处理,处理方法为:
根据以下线性函数进行数据归一化处理,把数据映射到Ymin~Ymax范围之内处理:
接着,设置最大收敛次数,显示间隔,收敛误差,学习速率;
训练完成后,将训练结果进行反归一化处理:
其中,X为原始试验数据,Y为归一化数据。
所述步骤S2中,均匀正交试验中的一部分数据作为学习样本,余下部分作为测试样本;所述步骤S6中,BP神经网络训练完成后,输入测试样本,测试样本的预测结果与实际值相比较,验证MEA-BP神经网络模型预测船用反渗透海水淡化系统性能的合理性,随后输入待预测样本进行仿真预测。
本发明的技术构思为:通过正交试验得到船用反渗透海水淡化装置在不同浓度海水进入时采取不同操作条件下的系统性能,根据船用反渗透海水淡化系统的输入变量和输出变量确定BP神经网络的拓扑结构。在训练BP网络神经之前,利用MEA对BP神经网络的初始权值和阈值进行优化,然后将经MEA优化得到的权值和阈值作为BP神经网络的初始权值和阈值,并利用学习样本对BP神经网络进行训练,训练完成后,利用当前构建的MEA-BP神经网络模型对预测样本进行仿真预测。
本发明的有益效果为:基于MEA-BP神经网络的船用反渗透海水淡化系统性能预测方法仅需对有限样本训练学习后,就能有效地对船用反渗透海水淡化装置在不同操作条件下的系统性能进行预测,预测精度高且速度快,船员可通过预测结果,选择合适的操作参数使船用反渗透海水淡化系统性能得以优化。
附图说明
图1为基于MEA-BP神经网络的船用反渗透海水淡化系统性能预测方法流程图;
图2为MEA系统结构图;
图3为BP神经网络拓扑结构图;
图4为优胜子种群趋同过程图;
图5为临时子种群趋同过程图;
图6为系统能耗拟合图;
图7为淡水流量拟合图;
图8为产水电导率拟合图;
图9为系统能耗预测值与实际值对比图;
图10为淡水流量预测值与实际值对比图;
图11为产水电导率预测预测值与实际值对比图。
具体实施方式
下面结合附图对本发明作进一步描述。
参照图1~图11,一种基于MEA-BP神经网络的船用反渗透海水淡化系统性能预测方法,所述预测方法包括以下步骤:
S1.确定船用反渗透海水淡化系统性能(淡水流量、能耗、产水电导率)的主要影响因素,通过资料查阅和试验得出船用反渗透海水淡化系统性能的主要影响因素为海水浓度、进水流量、温度和操作压力,将以上四个影响因素作为MEA-BP神经网络模型的输入变量;
S2.根据步骤S1得出的船用反渗透海水淡化系统性能的主要影响因素,由海水特性和船用反渗透海水淡化装置的固有条件确定各个影响因素的取值范围,其中,进水浓度范围为32000~36000mg/L,进水流量范围为450~650L/h,温度范围为15~35℃,压力范围为4.5~6MPa。针对船用反渗透海水淡化系统的主要影响因素进行均匀正交试验,正交表为L5(425),表1为反渗透海水淡化正交因素水平表:
表1
试验结束后,得到25组试验数据并记录试验结果,将前20组试验结果作为MEA-BP神经网络模型的学习样本,将后5组试验结果作为MEA-BP神经网络模型的测试样本;
S3.根据船用反渗透海水淡化系统的输入变量和输出变量确定BP神经网络的拓扑结构;
S4.在训练BP网络神经之前,利用MEA对BP神经网络的初始权值和阈值进行优化;
S5.将经MEA优化得到的权值和阈值作为BP神经网络的初始权值和阈值,并利用学习样本对BP神经网络进行训练;
S6.训练完成,将测试样本输入MEA-BP神经网络模型验证后,再输入待预测样本进行仿真预测,输出量为预测结果。
进一步,所述步骤S3中,所述BP神经网络结构包含一个输入层、一个隐含层和一个输出层,输入层神经元个数为船用反渗透海水淡化系统输入变量的个数,即为4个,隐含层神经元个数参考经验公式(n为隐含层节点数,ni为输入节点数,nj为输出节点数,k为1~10之间的常数)试凑确定,最终试凑为12时,拟合效果较好。输出层神经元个数为船用反渗透海水淡化系统输出变量的个数,即为3个,输入层到隐含层以及隐含层到输出层的传递函数均采用正切S型传递函数tansig,训练函数采用trainlm函数。
tansig函数为:
y=2/[1+e-2x]-1
选取学习样本的均方误差的倒数作为各个个体与种群的得分函数,函数为:
val=1/SE
其中,val为MEA的得分,SE为均方误差。
再进一步,所述步骤S4中,MEA优化BP神经网络初始权值和阈值过程如下:
首先,利用初始种群产生函数initpop=initpop_generate(popsize,S1,S2,S3,P,T),可以方便地产生初始种群,其中,popsize为种群规模大小,定为100,S1为BP神经网络输入层神经元个数,S2为BP神经元网络隐含层神经元个数,S3为BP神经网络输出层神经元个数,P为训练样本输入矩阵,T为训练样本输出矩阵,initpop为产生的初始种群。利用子种群产生函数subpop=subpop_generate(center,SG,S1,S2,S3,P,T),可以方便地产生优胜子种群和临时子种群,其中,center为子种群的中心,SG为子种群规模大小,SG=popsize/(bestsize+tempsize),bestsize为优胜子种群个数,定为5,tempsize临时子种群个数,定为5,S1为BP神经网络输入层神经元个数,S2为BP神经元网络隐含层神经元个数,S3为BP神经网络输出层神经元个数,P为训练样本输入矩阵,T为训练样本输出矩阵,subpop为产生的子种群;
其次,优胜子种群和临时子种群产生后,各个子种群要先执行趋同操作,利用种群成熟判别函数[flag,index]=ismature(pop),可以方便地判断各个子种群趋同操作是否完成,其中,pop为待判别的子种群,flag为种群成熟标志,若flag=0,则子种群不成熟,若flag=1,则子种群已成熟,index为子种群中得分最高的个体对应的索引号;
再次,通过图4和图5可以看出,经过若干次趋同操作,各个子种群已成熟,得分不再增加,趋同操作结束,接着,执行异化操作,当一个临时子群体得分高于某个成熟的优胜子群体,则该优胜子群体被临时子群体替代,原优胜子群体中的个体被释放;若一个成熟的临时子群体的得分低于任意一个优胜子群体的得分,则该临时子群体被废弃,其中的个体被释放,被释放的个体在全局范围内重新搜索并形成新的临时群体;
最后,满足迭代停止条件时,MEA结束优化过程,此时,根据编码规则,对寻找到的最优个体进行解析,从而得到对应的BP神经网络的权值和阈值。
再进一步,所述步骤S5中,为了加快训练网络的收敛性,学习样本输入BP模型之前需进行归一化处理,处理方法为:
根据以下线性函数进行数据归一化处理,把数据映射到Ymin~Ymax范围之内处理:
设置训练参数:
最大收敛次数epoch=100,显示间隔show=10,收敛误差goal=0.0001,学习速率lr=0.1,
反归一化处理:
其中,X为原始试验数据,Y为归一化数据,Ymin=-1,Ymax=1。
通过图6、图7和图8可以看出20组学习样本和实际输出值的拟合效果,误差较小,将5组预测样本输入MEA-BP神经网络模型后,得到图9、图10和图11,可看出5组预测样本和实际输出值误差也较小。实际仿真证明:利用MEA-BP神经网络对正交试验得到的有限样本训练学习后建立的模型可以对船用反渗透海水淡化系统性能进行预测,预测速度快、精度较高,适用性较好。
Claims (5)
1.一种基于MEA-BP神经网络的船用反渗透海水淡化系统性能预测方法,其特征在于:所述预测方法包括以下步骤:
S1.确定船用反渗透海水淡化系统性能的影响因素:海水浓度、进水流量、温度和操作压力,并将所述影响因素作为MEA-BP神经网络模型的输入变量;确定船用反渗透海水淡化系统性能指标为淡水流量、能耗和产水电导率,将所述性能指标作为MEA-BP神经网络模型的输出变量;
S2.确定各个影响因素的取值范围,针对船用反渗透海水淡化装置进行均匀正交试验,并将试验结果作为MEA-BP神经网络模型的学习样本和测试样本;
S3.根据船用反渗透海水淡化系统的输入变量和输出变量确定BP神经网络的拓扑结构;
S4.在训练BP网络神经之前,利用MEA对BP神经网络的初始权值和阈值进行优化;
S5.将经MEA优化得到的权值和阈值作为BP神经网络的初始权值和阈值,并利用学习样本对BP神经网络进行训练;
S6.BP神经网络训练完成后,输入测试样本,验证MEA-BP神经网络能否合理预测出船用反渗透海水淡化系统性能,随后输入待预测样本,输出量为预测结果。
2.如权利要求1所述的基于MEA-BP神经网络的船用反渗透海水淡化系统性能预测方法,其特征在于:所述步骤S3中,所述BP神经网络结构包含一个输入层、一个隐含层和一个输出层,输入层神经元个数根据影响因素的数量确定,隐含层神经元个数参考经验公式试凑确定,n为隐含层节点数,ni为输入节点数,nj为输出节点数,k为1~10之间的常数;输出层神经元个数根据输出量确定;输入层到隐含层以及隐含层到输出层的传递函数均采用正切S型传递函数tansig,训练算法采用trainlm算法,选取学习样本的均方误差的倒数作为各个个体与种群的得分函数。
3.如权利要求1或2所述的基于MEA-BP神经网络的船用反渗透海水淡化系统性能预测方法,其特征在于:所述步骤S4中,MEA优化BP神经网络初始权值和阈值过程如下:
首先,利用初始种群产生函数initpop=initpop_generate(popsize,S1,S2,S3,P,T),产生初始种群,其中,popsize为种群规模大小,S1为BP神经网络输入层神经元个数,S2为BP神经元网络隐含层神经元个数,S3为BP神经网络输出层神经元个数,P为训练样本输入矩阵,T为训练样本输出矩阵,initpop为产生的初始种群,利用子种群产生函数subpop=subpop_generate(center,SG,S1,S2,S3,P,T),产生优胜子种群和临时子种群,其中,center为子种群的中心,SG为子种群规模大小,SG=popsize/(bestsize+tempsize),bestsize为优胜子种群个数,tempsize临时子种群个数,S1为BP神经网络输入层神经元个数,S2为BP神经元网络隐含层神经元个数,S3为BP神经网络输出层神经元个数,P为训练样本输入矩阵,T为训练样本输出矩阵,subpop为产生的子种群;
其次,优胜子种群和临时子种群产生后,各个子种群要先执行趋同操作,利用种群成熟判别函数[flag,index]=ismature(pop),判断各个子种群趋同操作是否完成,其中,pop为待判别的子种群,flag为种群成熟标志,若flag=0,则子种群不成熟,若flag=1,则子种群已成熟,index为子种群中得分最高的个体对应的索引号;
再次,待各个优胜子群体和临时子群体趋同操作完成后,执行异化操作,当一个临时子群体得分高于某个成熟的优胜子群体,则该优胜子群体被临时子群体替代,原优胜子群体中的个体被释放,若一个成熟的临时子群体的得分低于任意一个优胜子群体的得分,则该临时子群体被废弃,其中的个体被释放,被释放的个体在全局范围内重新搜索并形成新的临时群体;
最后,当满足迭代停止条件时,MEA结束优化过程,此时,根据编码规则,对寻找到的最优个体进行解析,从而得到对应的BP神经网络的权值和阈值。
4.如权利要求3所述的基于MEA-BP神经网络的船用反渗透海水淡化系统性能预测方法,其特征在于:所述步骤S5中,BP神经网络非线性拟合算法过程如下:
学习样本输入BP模型之前需进行归一化处理,处理方法为:
根据以下线性函数进行数据归一化处理,把数据映射到Ymin~Ymax范围之内处理:
接着,设置最大收敛次数,显示间隔,收敛误差,学习速率;
训练完成后,将训练结果进行反归一化处理:
其中,X为原始试验数据,Y为归一化数据。
5.如权利要求1或2所述的基于MEA-BP神经网络的船用反渗透海水淡化系统性能预测方法,其特征在于:所述步骤S2中,均匀正交试验中的一部分数据作为学习样本,余下部分作为测试样本;所述步骤S6中,BP神经网络训练完成后,输入测试样本,测试样本的预测结果与实际值相比较,验证MEA-BP神经网络预测船用反渗透海水淡化系统性能的合理性,随后输入待预测样本进行仿真预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610818605.0A CN106447092A (zh) | 2016-09-12 | 2016-09-12 | 一种基于mea‑bp神经网络的船用反渗透海水淡化系统性能预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610818605.0A CN106447092A (zh) | 2016-09-12 | 2016-09-12 | 一种基于mea‑bp神经网络的船用反渗透海水淡化系统性能预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106447092A true CN106447092A (zh) | 2017-02-22 |
Family
ID=58168826
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610818605.0A Pending CN106447092A (zh) | 2016-09-12 | 2016-09-12 | 一种基于mea‑bp神经网络的船用反渗透海水淡化系统性能预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106447092A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106714220A (zh) * | 2017-01-06 | 2017-05-24 | 江南大学 | 一种基于mea‑bp神经网络wsn异常检测方法 |
CN107358021A (zh) * | 2017-06-01 | 2017-11-17 | 华南理工大学 | 一种基于优化bp神经网络的do预测模型建立方法 |
CN108008366A (zh) * | 2017-12-01 | 2018-05-08 | 北京润科通用技术有限公司 | 一种雷达目标回波模拟方法及系统 |
CN108230121A (zh) * | 2018-02-09 | 2018-06-29 | 艾凯克斯(嘉兴)信息科技有限公司 | 一种基于循环神经网络的产品设计方法 |
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 |
CN108985452A (zh) * | 2018-06-22 | 2018-12-11 | 中国计量大学 | 基于神经网络的太阳能电池硅片切割参数预测方法 |
CN109081399A (zh) * | 2018-08-01 | 2018-12-25 | 江苏凯纳水处理技术有限公司 | 反渗透系统的预测及诊断方法及其装置 |
CN112396159A (zh) * | 2020-10-22 | 2021-02-23 | 沈阳建筑大学 | 一种用于混凝土布料的螺旋输送量的预报方法 |
CN114047413A (zh) * | 2021-11-11 | 2022-02-15 | 国网上海市电力公司 | 一种基于miv和mea-lvq神经网络的gis局部放电识别方法和系统 |
-
2016
- 2016-09-12 CN CN201610818605.0A patent/CN106447092A/zh active Pending
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106714220A (zh) * | 2017-01-06 | 2017-05-24 | 江南大学 | 一种基于mea‑bp神经网络wsn异常检测方法 |
CN106714220B (zh) * | 2017-01-06 | 2019-05-17 | 江南大学 | 一种基于mea-bp神经网络wsn异常检测方法 |
CN107358021A (zh) * | 2017-06-01 | 2017-11-17 | 华南理工大学 | 一种基于优化bp神经网络的do预测模型建立方法 |
CN107358021B (zh) * | 2017-06-01 | 2020-07-28 | 华南理工大学 | 一种基于优化bp神经网络的do预测模型建立方法 |
CN108008366A (zh) * | 2017-12-01 | 2018-05-08 | 北京润科通用技术有限公司 | 一种雷达目标回波模拟方法及系统 |
CN108008366B (zh) * | 2017-12-01 | 2020-08-04 | 北京润科通用技术有限公司 | 一种雷达目标回波模拟方法及系统 |
CN108230121A (zh) * | 2018-02-09 | 2018-06-29 | 艾凯克斯(嘉兴)信息科技有限公司 | 一种基于循环神经网络的产品设计方法 |
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 |
CN108985452A (zh) * | 2018-06-22 | 2018-12-11 | 中国计量大学 | 基于神经网络的太阳能电池硅片切割参数预测方法 |
CN109081399A (zh) * | 2018-08-01 | 2018-12-25 | 江苏凯纳水处理技术有限公司 | 反渗透系统的预测及诊断方法及其装置 |
CN112396159A (zh) * | 2020-10-22 | 2021-02-23 | 沈阳建筑大学 | 一种用于混凝土布料的螺旋输送量的预报方法 |
CN114047413A (zh) * | 2021-11-11 | 2022-02-15 | 国网上海市电力公司 | 一种基于miv和mea-lvq神经网络的gis局部放电识别方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106447092A (zh) | 一种基于mea‑bp神经网络的船用反渗透海水淡化系统性能预测方法 | |
CN109961186A (zh) | 基于决策树和bp神经网络的脱硫系统运行参数预测方法 | |
CN108920812B (zh) | 一种机械加工表面粗糙度预测方法 | |
CN107563567A (zh) | 基于稀疏自编码的核极限学习机洪水预报方法 | |
CN109919356B (zh) | 一种基于bp神经网络区间需水预测方法 | |
CN107490760A (zh) | 基于遗传算法改进模糊神经网络的断路器故障诊断方法 | |
CN106022954A (zh) | 基于灰色关联度的多重bp神经网络负荷预测方法 | |
CN109214356A (zh) | 一种基于dcnn模型的风机传动系统故障智能诊断方法 | |
CN107391385A (zh) | 一种软件测试用例生成技术的构建方法 | |
CN109711549A (zh) | 一种基于遗传算法优化bp神经网络的奶牛乳房炎检测方法 | |
Ning et al. | GA-BP air quality evaluation method based on fuzzy theory. | |
CN112765902B (zh) | 一种基于TentFWA-GD的RBF神经网络的农村生活污水处理过程中COD浓度的软测量建模方法 | |
CN112861436A (zh) | 一种发动机排放实时预测方法 | |
Kumar et al. | Soft computing based predictive modelling of oxygen transfer performance of plunging hollow jets | |
CN108647807A (zh) | 河流流量的预测方法 | |
CN109816167A (zh) | 径流预报方法及径流预报装置 | |
CN109359692A (zh) | 一种原油含水率在线测量模型及其构建方法、应用 | |
CN109508498A (zh) | 基于bp人工神经网络的橡胶减振器配方设计系统及方法 | |
CN115982141A (zh) | 一种针对时序数据预测的特征优化方法 | |
CN109408896B (zh) | 一种污水厌氧处理产气量多元智能实时监控方法 | |
CN1996192A (zh) | 基于仿生智能的工业软测量仪表及软测量方法 | |
CN106292296A (zh) | 基于ga‑svm的水岛加药在线控制方法和装置 | |
CN106503312B (zh) | 一种基于神经网络算法的叶根应力分析方法 | |
Huan et al. | River dissolved oxygen prediction based on random forest and LSTM | |
Su et al. | Hybrid GA based online support vector machine model for short-term traffic flow forecasting |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170222 |