CN106645620A - 应用混合差分演化的稀土矿区农田水体bod软测量方法 - Google Patents
应用混合差分演化的稀土矿区农田水体bod软测量方法 Download PDFInfo
- Publication number
- CN106645620A CN106645620A CN201611201596.7A CN201611201596A CN106645620A CN 106645620 A CN106645620 A CN 106645620A CN 201611201596 A CN201611201596 A CN 201611201596A CN 106645620 A CN106645620 A CN 106645620A
- Authority
- CN
- China
- Prior art keywords
- individual
- goes
- population
- fes
- counter
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 57
- 229910001868 water Inorganic materials 0.000 title claims abstract description 57
- 229910052761 rare earth metal Inorganic materials 0.000 title claims abstract description 26
- 150000002910 rare earth metals Chemical class 0.000 title claims abstract description 26
- 238000000691 measurement method Methods 0.000 title claims abstract description 12
- 238000005065 mining Methods 0.000 claims abstract description 20
- 238000005259 measurement Methods 0.000 claims abstract description 19
- 238000000034 method Methods 0.000 claims abstract description 6
- 230000007935 neutral effect Effects 0.000 claims description 24
- 238000011156 evaluation Methods 0.000 claims description 16
- 238000013461 design Methods 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 10
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 claims description 6
- 230000000977 initiatory effect Effects 0.000 claims description 6
- 229910002651 NO3 Inorganic materials 0.000 claims description 3
- NHNBFGGVMKEFGY-UHFFFAOYSA-N Nitrate Chemical compound [O-][N+]([O-])=O NHNBFGGVMKEFGY-UHFFFAOYSA-N 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- GRYLNZFGIOXLOG-UHFFFAOYSA-N Nitric acid Chemical class O[N+]([O-])=O GRYLNZFGIOXLOG-UHFFFAOYSA-N 0.000 claims 1
- 238000013528 artificial neural network Methods 0.000 abstract description 5
- 230000035772 mutation Effects 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 4
- 230000002068 genetic effect Effects 0.000 description 3
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 239000001301 oxygen Substances 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- FGIUAXJPYTZDNR-UHFFFAOYSA-N potassium nitrate Chemical compound [K+].[O-][N+]([O-])=O FGIUAXJPYTZDNR-UHFFFAOYSA-N 0.000 description 2
- 239000002253 acid Substances 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 150000002500 ions Chemical class 0.000 description 1
- 230000002262 irrigation Effects 0.000 description 1
- 238000003973 irrigation Methods 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 239000010865 sewage Substances 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 239000002352 surface water Substances 0.000 description 1
- 239000002351 wastewater Substances 0.000 description 1
- 238000003911 water pollution Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/18—Water
- G01N33/1806—Biological oxygen demand [BOD] or chemical oxygen demand [COD]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Chemical & Material Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Biochemistry (AREA)
- Medicinal Chemistry (AREA)
- Biodiversity & Conservation Biology (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Emergency Medicine (AREA)
- Biophysics (AREA)
- Analytical Chemistry (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Food Science & Technology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明公开了一种应用混合差分演化的稀土矿区农田水体BOD软测量方法。本发明采用神经网络作为稀土矿区农田水体BOD的软测量模型,并利用混合差分演化算法优化设计神经网络的参数。在混合差分演化中,将最优个体与随机个体进行线性组合生成变异算子的基础个体,以此实现勘探搜索与开采搜索的平衡。此外,利用最优个体的信息来指导种群的搜索方向以提高软测量的精度。本发明能够提高稀土矿区农田水体BOD软测量的精度。
Description
技术领域
本发明涉及水体BOD软测量领域,尤其是涉及一种应用混合差分演化的稀土矿区农田水体BOD软测量方法。
背景技术
稀土在现代科技发展中具有非常重要的作用。我国是稀土资源大国,拥有非常丰富的稀土矿产资源。然而,在稀土采矿过程中,往往会产生大量的废水。尤其是在我国南方地区的离子型稀土的开采过程中会往山体中注入大量的酸性溶液,这样容易导致离子型稀土矿区地表水受到污染,而地表水又会流向溪水,最终通往农田的灌溉,从而污染稀土矿区的农田。为了有效地监测稀土矿区农田的水体污染,就需要掌握农田水体水质的变化规律。
BOD是反映农田水体水质的重要指标之一,但直接测定水体BOD需要较长的周期,这无法及时地掌握水体水质的真实情况。为此,许多研究人员提出了水体BOD软测量方法,其基本思想就是通过一些容易测量出来且与水体BOD密切相关的水质指标来间接地把握水体BOD的规律,也就是说,以这些容易测量出来的水质指标为辅助变量,然后建立起辅助变量与水体BOD之间的数学模型,以此掌握水体BOD的动态变化规律。因此,水体BOD软测量方法可以较快地测量出水体BOD,从而较迅速地了解水体水质的真实情况。
由于水体BOD软测量方法具有许多优点,它吸引了许多研究人员对其进行研究。例如,乔俊飞等发明了一种污水处理过程中生化需氧量BOD的软测量方法,该发明采用神经网络来建立水体BOD的软测量模型(专利号:200810224496.5);田奕和乔俊飞提出了一种基于遗传算法的BOD神经网络软测量方法,该方法利用遗传算法来优化设计神经网络的参数,从而建立起水体BOD的软测量模型(田奕,乔俊飞.基于遗传算法的BOD神经网络软测量[J].计算机技术与发展,2009,19(3):127-129,133);乔俊飞和韩红桂发明了一种基于弹性径向基神经网络的生化需氧量BOD软测量方法,该发明利用弹性径向基神经网络来建立水体BOD的软测量模型,并以弹性径向基神经网络的输出作为BOD的软测量值。(专利号:201010252670.4)。神经网络在水体BOD软测量中应用非常广泛,但传统神经网络在建立稀土矿区农田水体BOD的软测量模型时容易出现陷入局部最优,测量精度不高的缺点。
发明内容
本发明针对传统神经网络模型应用于稀土矿区农田水体BOD软测量时容易出现陷入局部最优,软测量精度不高的缺点,提出一种应用混合差分演化的稀土矿区农田水体BOD软测量方法。本发明能够提高稀土矿区农田水体BOD软测量的精度。
本发明的技术方案:一种应用混合差分演化的稀土矿区农田水体BOD软测量方法,包括以下步骤:
步骤1,在需要软测量的稀土矿区农田内连续BD天采集水体样本,并对水体样本进行实验,测量出与农田水质相关的指标:化学需氧量、pH值、氨氮、硝酸盐、水温、农田面积、水深度、BOD值,将测量出来的数据作为样本数据集;然后对采集到的样本数据集进行归一化处理;
步骤2,用户初始化参数,所述初始化参数包括三层感知器神经网络隐含层神经元的个数BN,种群大小Popsize,杂交率Cr,缩放因子F和最大评价次数MAX_FEs;
步骤3,当前演化代数t=0,当前评价次数FEs=0;
步骤4,令三层感知器神经网络的输入变量为归一化的化学需氧量、pH值、氨氮、硝酸盐、水温、农田面积、水深度,且输出为归一化的BOD值,然后确定三层感知器神经网络的隐含层和输出层的传递函数,并计算三层感知器神经网络的优化设计参数个数D=BN×9+1;
步骤5,随机初始化种群其中:个体下标i=1,2,...,Popsize;为种群Pt中的第i个个体并且存储了三层感知器神经网络的D个待优化设计参数;
步骤6,计算种群Pt中每个个体的适应值;
步骤7,令当前评价次数FEs=FEs+Popsize;
步骤8,保存种群Pt中的最优个体Bestt;
步骤9,令计数器bi=1;
步骤10,如果计数器bi大于种群大小Popsize,则转到步骤16,否则转到步骤11;
步骤11,执行改进的差分演化操作算子产生一个试验个体其步骤如下:
步骤11.1,令计数器bj=1;
步骤11.2,在[1,D]之间随机产生一个正整数jRand;
步骤11.3,在种群Pt中随机选择出两个不相等的个体和
步骤11.4,如果个体的适应值比个体的适应值更优,则令个体否则令个体
步骤11.5,在[0,1]之间产生一个服从均匀分布的随机实数BW,然后令组合基础个体BBt=Bestt×BW+XBt×(1-BW);
步骤11.6,在[1,Popsize]之间随机产生两个互不相等的正整数RB3和RB4;
步骤11.7,如果计数器bj小于或等于D,则转到步骤11.8,否则转到步骤12;
步骤11.8,在[0,1]之间产生一个随机实数r1,如果r1小于杂交率Cr或者计数器bj等于jRand,则转到步骤11.9,否则转到步骤11.11;
步骤11.9,
步骤11.10,转到步骤11.12
步骤11.11,
步骤11.12,令计数器bj=bj+1,然后转到步骤11.7;
步骤12,计算试验个体的适应值;
步骤13,令当前评价次数FEs=FEs+1;
步骤14,执行选择操作算子在个体与试验个体之间选择更优者进入下一代种群;
步骤15,令计数器bi=bi+1,然后转到步骤10;
步骤16,在种群Pt中随机选择出一个个体然后对个体执行局部搜索得到个体并计算个体的适应值,具体步骤如下:
步骤16.1,在[0,1]之间随机产生一个实数rw;
步骤16.2,令计数器bk=1;
步骤16.3,如果计数器bk大于D,则转到步骤16.6,否则转到步骤16.4;
步骤16.4,令
步骤16.5,令计数器bk=bk+1,转到步骤16.3;
步骤16.6,计算个体的适应值,并令当前评价次数FEs=FEs+1,转到步骤17;
步骤17,如果个体的适应值优于个体的适应值,则令个体否则保持个体不变;
步骤18,保存种群Pt中的最优个体Bestt;
步骤19,令当前演化代数t=t+1;
步骤20,重复步骤9至步骤19直至当前评价次数FEs达到MAX_FEs后结束,将执行过程中得到的最优个体Bestt解码为三层感知器神经网络的优化设计参数,并将得到的三层感知器神经网络作为软测量模型,即可实现稀土矿区农田水体BOD的软测量。
本发明采用神经网络作为稀土矿区农田水体BOD的软测量模型,并利用混合差分演化算法优化设计神经网络的参数。在混合差分演化中,将最优个体与随机个体进行线性组合生成变异算子的基础个体,以此实现勘探搜索与开采搜索的平衡。此外,利用最优个体的信息来指导种群的搜索方向以提高软测量的精度。本发明能够提高稀土矿区农田水体BOD软测量的精度。
附图说明
图1为本发明的流程图。
具体实施方式
下面通过实施例,并结合附图,对本发明的技术方案作进一步具体的说明。
实施例:
步骤1,确定稀土矿区农田,并对其连续BD=52天采集水体样本,并对水体样本进行实验,测量出与农田水质相关的指标:化学需氧量、pH值、氨氮、硝酸盐、水温、农田面积、水深度、BOD值,将测量出来的数据作为样本数据集;然后对采集到的样本数据集进行归一化处理;
步骤2,用户初始化参数,所述初始化参数包括三层感知器神经网络隐含层神经元的个数BN=8,种群大小Popsize=100,杂交率Cr=0.9,缩放因子F=0.5和最大评价次数MAX_FEs=360000;
步骤3,当前演化代数t=0,当前评价次数FEs=0;
步骤4,令三层感知器神经网络的输入变量为归一化的化学需氧量、pH值、氨氮、硝酸盐、水温、农田面积、水深度,且输出为归一化的BOD值,然后确定三层感知器神经网络的隐含层和输出层的传递函数,并计算三层感知器神经网络的优化设计参数个数D=BN×9+1;
步骤5,随机初始化种群其中:个体下标i=1,2,...,Popsize;为种群Pt中的第i个个体并且存储了三层感知器神经网络的D个待优化设计参数;
步骤6,计算种群Pt中每个个体的适应值;
步骤7,令当前评价次数FEs=FEs+Popsize;
步骤8,保存种群Pt中的最优个体Bestt;
步骤9,令计数器bi=1;
步骤10,如果计数器bi大于种群大小Popsize,则转到步骤16,否则转到步骤11;
步骤11,执行改进的差分演化操作算子产生一个试验个体其步骤如下:
步骤11.1,令计数器bj=1;
步骤11.2,在[1,D]之间随机产生一个正整数jRand;
步骤11.3,在种群Pt中随机选择出两个不相等的个体和
步骤11.4,如果个体的适应值比个体的适应值更优,则令个体否则令个体
步骤11.5,在[0,1]之间产生一个服从均匀分布的随机实数BW,然后令组合基础个体BBt=Bestt×BW+XBt×(1-BW);
步骤11.6,在[1,Popsize]之间随机产生两个互不相等的正整数RB3和RB4;
步骤11.7,如果计数器bj小于或等于D,则转到步骤11.8,否则转到步骤12;
步骤11.8,在[0,1]之间产生一个随机实数r1,如果r1小于杂交率Cr或者计数器bj等于jRand,则转到步骤11.9,否则转到步骤11.11;
步骤11.9,
步骤11.10,转到步骤11.12
步骤11.11,
步骤11.12,令计数器bj=bj+1,然后转到步骤11.7;
步骤12,计算试验个体的适应值;
步骤13,令当前评价次数FEs=FEs+1;
步骤14,执行选择操作算子在个体与试验个体之间选择更优者进入下一代种群;
步骤15,令计数器bi=bi+1,然后转到步骤10;
步骤16,在种群Pt中随机选择出一个个体然后对个体执行局部搜索得到个体并计算个体的适应值,具体步骤如下:
步骤16.1,在[0,1]之间随机产生一个实数rw;
步骤16.2,令计数器bk=1;
步骤16.3,如果计数器bk大于D,则转到步骤16.6,否则转到步骤16.4;
步骤16.4,令
步骤16.5,令计数器bk=bk+1,转到步骤16.3;
步骤16.6,计算个体的适应值,并令当前评价次数FEs=FEs+1,转到步骤17;
步骤17,如果个体的适应值优于个体的适应值,则令个体否则保持个体不变;
步骤18,保存种群Pt中的最优个体Bestt;
步骤19,令当前演化代数t=t+1;
步骤20,重复步骤9至步骤19直至当前评价次数FEs达到MAX_FEs后结束,将执行过程中得到的最优个体Bestt解码为三层感知器神经网络的优化设计参数,并将得到的三层感知器神经网络作为软测量模型,即可实现稀土矿区农田水体BOD的软测量。
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 (1)
1.应用混合差分演化的稀土矿区农田水体BOD软测量方法,其特征在于,包括以下步骤:
步骤1,在需要软测量的稀土矿区农田内连续BD天采集水体样本,并对水体样本进行实验,测量出与农田水质相关的指标:化学需氧量、pH值、氨氮、硝酸盐、水温、农田面积、水深度、BOD值,将测量出来的数据作为样本数据集;然后对采集到的样本数据集进行归一化处理;
步骤2,用户初始化参数,所述初始化参数包括三层感知器神经网络隐含层神经元的个数BN,种群大小Popsize,杂交率Cr,缩放因子F和最大评价次数MAX_FEs;
步骤3,当前演化代数t=0,当前评价次数FEs=0;
步骤4,令三层感知器神经网络的输入变量为归一化的化学需氧量、pH值、氨氮、硝酸盐、水温、农田面积、水深度,且输出为归一化的BOD值,然后确定三层感知器神经网络的隐含层和输出层的传递函数,并计算三层感知器神经网络的优化设计参数个数D=BN×9+1;
步骤5,随机初始化种群其中:个体下标i=1,2,...,Popsize;为种群Pt中的第i个个体并且存储了三层感知器神经网络的D个待优化设计参数;
步骤6,计算种群Pt中每个个体的适应值;
步骤7,令当前评价次数FEs=FEs+Popsize;
步骤8,保存种群Pt中的最优个体Bestt;
步骤9,令计数器bi=1;
步骤10,如果计数器bi大于种群大小Popsize,则转到步骤16,否则转到步骤11;
步骤11,执行改进的差分演化操作算子产生一个试验个体其步骤如下:
步骤11.1,令计数器bj=1;
步骤11.2,在[1,D]之间随机产生一个正整数jRand;
步骤11.3,在种群Pt中随机选择出两个不相等的个体和
步骤11.4,如果个体的适应值比个体的适应值更优,则令个体否则令个体
步骤11.5,在[0,1]之间产生一个服从均匀分布的随机实数BW,然后令组合基础个体BBt=Bestt×BW+XBt×(1-BW);
步骤11.6,在[1,Popsize]之间随机产生两个互不相等的正整数RB3和RB4;
步骤11.7,如果计数器bj小于或等于D,则转到步骤11.8,否则转到步骤12;
步骤11.8,在[0,1]之间产生一个随机实数r1,如果r1小于杂交率Cr或者计数器bj等于jRand,则转到步骤11.9,否则转到步骤11.11;
步骤11.9,
步骤11.10,转到步骤11.12
步骤11.11,
步骤11.12,令计数器bj=bj+1,然后转到步骤11.7;
步骤12,计算试验个体的适应值;
步骤13,令当前评价次数FEs=FEs+1;
步骤14,执行选择操作算子在个体与试验个体之间选择更优者进入下一代种群;
步骤15,令计数器bi=bi+1,然后转到步骤10;
步骤16,在种群Pt中随机选择出一个个体然后对个体执行局部搜索得到个体并计算个体的适应值,具体步骤如下:
步骤16.1,在[0,1]之间随机产生一个实数rw;
步骤16.2,令计数器bk=1;
步骤16.3,如果计数器bk大于D,则转到步骤16.6,否则转到步骤16.4;
步骤16.4,令
步骤16.5,令计数器bk=bk+1,转到步骤16.3;
步骤16.6,计算个体的适应值,并令当前评价次数FEs=FEs+1,转到步骤17;
步骤17,如果个体的适应值优于个体的适应值,则令个体否则保持个体不变;
步骤18,保存种群Pt中的最优个体Bestt;
步骤19,令当前演化代数t=t+1;
步骤20,重复步骤9至步骤19直至当前评价次数FEs达到MAX_FEs后结束,将执行过程中得到的最优个体Bestt解码为三层感知器神经网络的优化设计参数,并将得到的三层感知器神经网络作为软测量模型,即可实现稀土矿区农田水体BOD的软测量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611201596.7A CN106645620B (zh) | 2016-12-23 | 2016-12-23 | 应用混合差分演化的稀土矿区农田水体bod软测量方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611201596.7A CN106645620B (zh) | 2016-12-23 | 2016-12-23 | 应用混合差分演化的稀土矿区农田水体bod软测量方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106645620A true CN106645620A (zh) | 2017-05-10 |
CN106645620B CN106645620B (zh) | 2018-09-28 |
Family
ID=58827054
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611201596.7A Expired - Fee Related CN106645620B (zh) | 2016-12-23 | 2016-12-23 | 应用混合差分演化的稀土矿区农田水体bod软测量方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106645620B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107145942A (zh) * | 2017-05-24 | 2017-09-08 | 江西理工大学 | 和声搜索优化的稀土矿区农田水体硝酸盐氮软测量方法 |
CN108665451A (zh) * | 2018-05-04 | 2018-10-16 | 江西理工大学 | 基于三元高斯差分演化算法的圆检测方法 |
CN110109904A (zh) * | 2019-04-10 | 2019-08-09 | 广东奥博信息产业股份有限公司 | 一种面向环保大数据的水质软测量方法 |
CN113297788A (zh) * | 2021-05-12 | 2021-08-24 | 广东奥博信息产业股份有限公司 | 一种基于改进神经网络的水质软测量方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102737288A (zh) * | 2012-06-20 | 2012-10-17 | 浙江大学 | 一种基于rbf神经网络参数自优化的水质多步预测方法 |
CN104732240A (zh) * | 2015-04-07 | 2015-06-24 | 河海大学 | 一种应用神经网络敏感性分析的高光谱影像波段选择方法 |
CN104778497A (zh) * | 2015-05-05 | 2015-07-15 | 重庆大学 | 一种加工过程中工艺参数自学习优化的滚齿加工方法 |
US9347430B2 (en) * | 2013-04-12 | 2016-05-24 | King Fahd University Of Petroleum And Minerals | Adaptive pitch control system for wind generators |
-
2016
- 2016-12-23 CN CN201611201596.7A patent/CN106645620B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102737288A (zh) * | 2012-06-20 | 2012-10-17 | 浙江大学 | 一种基于rbf神经网络参数自优化的水质多步预测方法 |
US9347430B2 (en) * | 2013-04-12 | 2016-05-24 | King Fahd University Of Petroleum And Minerals | Adaptive pitch control system for wind generators |
CN104732240A (zh) * | 2015-04-07 | 2015-06-24 | 河海大学 | 一种应用神经网络敏感性分析的高光谱影像波段选择方法 |
CN104778497A (zh) * | 2015-05-05 | 2015-07-15 | 重庆大学 | 一种加工过程中工艺参数自学习优化的滚齿加工方法 |
Non-Patent Citations (8)
Title |
---|
ADAM P.PIOTROWSKI: "Differential Evolution algorithms applied to Neural Network training suffer from stagnation", 《APPLIED SOFT COMPUTING》 * |
H.M.ABDUL–KADER: "Neural Networks Training Based on Differential Evolution Algorithm Compared with Other Architectures for Weather Forecasting34", 《IJCSNS INTERNATIONAL JOURNAL OF COMPUTER SCIENCE AND NETWORK SECURITY》 * |
张照生: "基于差分进化算法的模糊神经网络在污水处理中的应用研究", 《中国优秀硕士学位论文全文数据库 工程科技I辑》 * |
张照生等: "基于DE-BP算法的模糊神经网络控制器及其在污水处理溶解氧浓度控制上的应用", 《华东理工大学学报(自然科学版)》 * |
汪慎文等: "差分进化算法研究进展", 《武汉大学学报(理学版)》 * |
王晓敏等: "一种基于差分进化的BP神经网络学习算法", 《电子设计工程》 * |
田奕等: "基于遗传算法的BOD神经网络软测量", 《计算机技术与发展》 * |
谢宇: "差分进化的若干问题及其应用研究", 《中国博士学位论文全文数据库 信息科技辑》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107145942A (zh) * | 2017-05-24 | 2017-09-08 | 江西理工大学 | 和声搜索优化的稀土矿区农田水体硝酸盐氮软测量方法 |
CN107145942B (zh) * | 2017-05-24 | 2020-04-10 | 江西理工大学 | 和声搜索优化的稀土矿区农田水体硝酸盐氮软测量方法 |
CN108665451A (zh) * | 2018-05-04 | 2018-10-16 | 江西理工大学 | 基于三元高斯差分演化算法的圆检测方法 |
CN108665451B (zh) * | 2018-05-04 | 2022-02-25 | 江西理工大学 | 基于三元高斯差分演化算法的圆检测方法 |
CN110109904A (zh) * | 2019-04-10 | 2019-08-09 | 广东奥博信息产业股份有限公司 | 一种面向环保大数据的水质软测量方法 |
CN110109904B (zh) * | 2019-04-10 | 2022-02-22 | 广东奥博信息产业股份有限公司 | 一种面向环保大数据的水质软测量方法 |
CN113297788A (zh) * | 2021-05-12 | 2021-08-24 | 广东奥博信息产业股份有限公司 | 一种基于改进神经网络的水质软测量方法及系统 |
CN113297788B (zh) * | 2021-05-12 | 2022-08-23 | 广东奥博信息产业股份有限公司 | 一种基于改进神经网络的水质软测量方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN106645620B (zh) | 2018-09-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106645620A (zh) | 应用混合差分演化的稀土矿区农田水体bod软测量方法 | |
Zhang et al. | A genetic algorithm with jumping gene and heuristic operators for traveling salesman problem | |
CN104376380A (zh) | 一种基于递归自组织神经网络的氨氮浓度预测方法 | |
CN107247888B (zh) | 基于储备池网络的污水处理出水总磷tp软测量方法 | |
Ning et al. | GA-BP air quality evaluation method based on fuzzy theory. | |
CN103969412B (zh) | 一种基于群决策案例推理的溶解氧浓度软测量方法 | |
CN109871638A (zh) | 一种湖泊湿地富营养化评价模型构建方法 | |
CN105426920A (zh) | 云模型人工蜂群优化的稀土矿区溪水pH值预测方法 | |
CN108304674A (zh) | 一种基于bp神经网络的铁路软土路基沉降预测方法 | |
Jian-Hua et al. | Fuzzy synthetic evaluation of wetland soil quality degradation: a case study on the Sanjiang Plain, Northeast China | |
CN105930685B (zh) | 高斯人工蜂群优化的稀土矿区地下水氨氮浓度预测方法 | |
Hu et al. | Performance of ensemble‐learning models for predicting eutrophication in Zhuyi Bay, Three Gorges Reservoir | |
CN102789546B (zh) | 一种基于人类扰动强度的参照湖泊定量化确定方法 | |
CN106228241A (zh) | 适应性人工蜂群优化的矿岩强度软测量方法 | |
CN103838205B (zh) | Bp全局最优丙烯聚合生产过程最优软测量仪表和方法 | |
CN107145942B (zh) | 和声搜索优化的稀土矿区农田水体硝酸盐氮软测量方法 | |
Tu et al. | Evaluation of seawater quality in hangzhou bay based on TS fuzzy neural network | |
CN104794346B (zh) | 一种快速识别人为活动对湖泊水华影响的定量方法 | |
CN107665363A (zh) | 一种总磷的水质软测量预测方法 | |
Ge et al. | Development and testing of a planktonic index of biotic integrity (P-IBI) for Lake Fuxian, China | |
CN106959360B (zh) | 应用反向差分演化的稀土矿区农田水体pH值软测量方法 | |
Jiang et al. | A prediction model of shallow groundwater pollution based on deep convolution neural network | |
Yalin et al. | Dissolved oxygen prediction model which based on fuzzy neural network | |
Dou et al. | Evaluation of industrialized construction capability of construction enterprises based on AHP-entropy method | |
Lu et al. | Data mining on source water quality (tianjin, china) for forecasting algae bloom based on artificial neural network (ANN) |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180928 |