CN107944552A - 一种基于Elman神经网络的工业物联网参数预测方法 - Google Patents

一种基于Elman神经网络的工业物联网参数预测方法 Download PDF

Info

Publication number
CN107944552A
CN107944552A CN201711370115.XA CN201711370115A CN107944552A CN 107944552 A CN107944552 A CN 107944552A CN 201711370115 A CN201711370115 A CN 201711370115A CN 107944552 A CN107944552 A CN 107944552A
Authority
CN
China
Prior art keywords
mrow
msubsup
msub
elman
network
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
Application number
CN201711370115.XA
Other languages
English (en)
Inventor
李迅波
于文杰
闫明明
王振林
蔡汉斌
杜磊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN201711370115.XA priority Critical patent/CN107944552A/zh
Publication of CN107944552A publication Critical patent/CN107944552A/zh
Pending legal-status Critical Current

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
    • G06N3/045—Combinations of networks
    • 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"
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0633—Workflow analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Development Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Educational Administration (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于Elman神经网络的工业物联网参数预测方法，其中包括Elman神经网络网络模型建立、Elman神经网络的改进以及Elman神经网络的参数预测模型工作流程。在对基于工业物联网构建的智能制造系统中参数的实时感知预测有着良好的效果，能够缩短工业物联网系统参数测量时间，提高系统反馈调节速度。

Description

一种基于Elman神经网络的工业物联网参数预测方法
技术领域
本发明涉及神经网络算法、物联网和智能制造技术领域，具体来讲是一种基于Elman神经网络的工业物联网参数预测方法。
背景技术
物联网技术作为一个新的概念在1999年首度被提出，经过近二十年的发展，已经成为新一代信息技术的重要组成部分。目前，物联网技术已经广泛应用于智能制造领域，成为构建智能工厂基础网络平台。然而随着生产过程的复杂化，物联网系统对于多参数的实时采集和融合仍然存在挑战，难以解决参数采集时间较长，异常反馈不及时的问题。
为了缩短工业物联网系统参数测量时间，提高系统反馈调节速度，本发明提出一种基于Elman神经网络预测模型来对参数进行预测，并在此基础上，结合工业物联网特点构建一种动态的、闭环的参数训练环境来在线优化网络模型。
本发明以实际制酒行业制曲工艺小麦水分检测为例，利用基于Elman神经网络的参数预测模型对小麦水分来进行检测，通过仿真实验结果验证了模型的准确性，这对于解决工业物联网中参数测量时间较长问题有一定指导意义。
发明内容
因此，为了解决上述不足，本发明在此提供一种基于Elman神经网络的工业物联网参数预测方法，克服工业物联网中参数采集时间长，且异常反馈不及时的问题，其能够有效的处理现有工业物联网参数采集系统中的不足。
本发明是这样实现的，构造一种基于Elman神经网络的工业物联网参数预测方法，其特征在于：按照如下方式实现；
步骤1，Elman神经网络网络模型建立，数学模型如下：
y(k)＝wl3h(k)
其中网络输入层为u(k)，y(k)为输出层，h(k)为隐层输出，为承接层输出。输入层设为r个节点，u(k)为r维向量；隐含层和承接层均为n个节点，h(k)和均为n维向量；输出层为m个节点，y(k)为m维向量。权重wl1为n×r维矩阵，wl2为n×n维矩阵，wl3为m×n维矩阵。f(x)为激活函数，采用sigmoid函数，函数关系式为 为反馈增益因子，当不为0时，是改进的Elman神经网络，系统整体误差为：
其中，y(k)为第K步的实际输出值，yd(k)为相对应的期望值；通过对系统误差E(k)求偏导可得：
其中η1,η2,η3为wl1,wl2,wl3的学习速率；
步骤2，对Elman神经网络改进；
将BP网络自适应调整学习效率方法引入Elman网络模型，来改进Elman训练效果；每次循环中，检测权值是否降低了误差函数，如果降低了，说明学习速率值选择偏小，可以适当增加；反之，则产生过调，那么就适当降低学习速率。具体学习速率调整公式如下:
在Elman网络训练迭代过程中，学习效率根据上述公式进行自适应调整，可以加快网络收敛时间，更快逼近最优解；
步骤3，参数预测模型建立：
通过参数样本训练得到网络进行预测，数学模型如下：
f(xi,m)＝net(x1,x2,x3,x4,x5,m)
其中f(xi,m)为最终预测值,net为训练完成的Elman网络，xi,m为前期测量值及样品质量；即通过历史实验数据样本训练完成Elman网络后，将上述参数预测模型应用于物联网系统中，可以在线动态地实现参数测量。
本发明具有如下优点：本发明专利公开了一种基于Elman神经网络的工业物联网参数预测方法，其中包括Elman神经网络网络模型建立、Elman神经网络的改进以及Elman神经网络的参数预测模型工作流程。在对基于工业物联网构建的智能制造系统中参数的实时感知预测有着良好的效果，能够缩短工业物联网系统参数测量时间，提高系统反馈调节速度。
附图说明
图1为Elman神经网络结构图；
图2为Elman神经网络节点确定的流程图；
图3为Elman神经网络参数预测模型图。
具体实施方式
下面将结合附图1-图3对本发明进行详细说明，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明通过改进在此提供一种基于Elman神经网络的工业物联网参数预测方法，包括如下步骤：
步骤1，Elman神经网络网络模型建立。数学模型如下：
y(k)＝wl3h(k)
其中网络输入层为u(k)，y(k)为输出层，h(k)为隐层输出，为承接层输出。输入层设为r个节点，u(k)为r维向量。隐含层和承接层均为n个节点，h(k)和均为n维向量。输出层为m个节点，y(k)为m维向量。权重wl1为n×r维矩阵，wl2为n×n维矩阵，wl3为m×n维矩阵。f(x)为激活函数，采用sigmoid函数，函数关系式为 为反馈增益因子，当不为0时，是改进的Elman神经网络，系统整体误差为：
其中，y(k)为第K步的实际输出值，yd(k)为相对应的期望值。通过对系统误差E(k)
求偏导可得：
其中η1,η2,η3为wl1,wl2,wl3的学习速率。
步骤2，Elman神经网络的改进：
对于某一特定问题，采用恰当的学习速率比较困难。通常凭借经验获取训练的效果并不理想，为了解决这一问题，本发明将BP网络自适应调整学习效率方法引入Elman网络模型，来改进Elman训练效果。学习效率调整原则如下面的公式所示，每次循环中，检测权值是否降低了误差函数，如果降低了，说明学习速率值选择偏小，可以适当增加；反之，则产生过调，那么就适当降低学习速率。具体学习速率调整公式如下:
在Elman网络训练迭代过程中，学习效率根据上述公式进行自适应调整，可以加快网络收敛时间，更快逼近最优解。
Elman神经网络参数预测模型工作流程；Elman神经网络参数预测流程主要包括：数据获取、网络训练、数据预测和网络优化。
下面结合实例对发明做进一步描述：
本发明以制曲工艺中小麦水分测量为例，采用上述改进的Elman神经网络算法，构建基于水分测量的Elman神经网络，对采集的水分样本数据进行训练，如图1所示为Elman神经网络的结构图，利用训练好的网络模型来建立参数预测模型，对实际测量中水分最终结果进行预测，从而缩短水分测量时间，提高系统反馈调节能力。具体实施步骤如下：
Elman神经网络建立：
制曲工艺小麦水分测量采用快速水分测定仪，快速水分测定仪是基于传统的烘箱原理对小麦进行水分测定，整个测量周期较长，约为20分钟左右，对于实际的生产过程，测量时间太长，导致发现水分不合格时，已经有部分小麦用于实际的生产了，对最终产品质量造成影响。需要缩短整个测量周期，根据现场需求，5分钟内需要给出水分最终水分，即通过5分钟的测量过程预测出小麦最终水分，对于Elman神经网络来说，输入为小麦前5分钟的水分数据，输出为小麦最终水分。
Elman神经网络各层神经元节点确定如下图2所示，在前5分钟数据中，每隔一分钟选取一个值，也就是1,2,3,4,5分钟的水分值，样品质量也作为一个影响因素，故输入层神经元设为6个节点，分别是小麦前5分钟水分实测数据及小麦样品质量。综合经验值及随机试验分析，隐含层神经元设置为8个节点，承接层与隐含层节点数相同。输出为小麦最终测得水分值，故输出层神经元节点数设为1个。
参数预测模型建立：
通过参数样本训练得到网络进行预测，数学模型如下：
f(xi,m)＝net(x1,x2,x3,x4,x5,m)
其中f(xi,m)为最终预测水分,net为训练完成的Elman网络，xi,m为前5分钟测量水分及样品质量。即通过历史实验数据样本训练完成Elman网络后，实际测量中，测量过程进行到5分钟，预测模型就可以得到一个最终水分值。将上述参数预测模型应用于物联网系统中，可以在线动态地实现参数测量，神经网络训练，参数预测整个流程，具体数据流如图3所示。
Elman神经网络参数预测模型工作流程：
(1)数据获取：将该神经网络预测模型应用于工业物联网系统服务端，实时测量数据可通过自动组网传输到服务器端，历史实验数据获取可以直接读取数据库中对应参数历史数据即可。
(2)网络训练：可以自行指定读取数据数量来调整网络训练集规模，进行神经网络训练。
(3)数据预测：网络训练完成后，在后续参数测量中，当测量时间进行至5分钟时，即可得出最终水分预测值。
(4)网络优化：可以定期实验来验证神经网络预测的准确度，将实测值与预测值进行对比，当误差超过设定值时，神经网络会自动从第(1)步开始，重新获取最新测量值进行训练，来优化网络连接权值。
如上所述，即可通过改进的Elman神经网络缩短工业物联网系统参数测量时间，提高系统反馈调节速度。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (1)

1.一种基于Elman神经网络的工业物联网参数预测方法，其特征在于：按照如下方式实现；
步骤1，Elman神经网络网络模型建立，数学模型如下：
<mrow> <mi>h</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>=</mo> <mi>f</mi> <mrow> <mo>(</mo> <msubsup> <mi>x</mi> <mi>c</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> </msubsup> <msup> <mi>w</mi> <mrow> <mi>l</mi> <mn>2</mn> </mrow> </msup> <mo>+</mo> <mi>u</mi> <mo>(</mo> <mi>k</mi> <mo>)</mo> <msup> <mi>w</mi> <mrow> <mi>l</mi> <mn>1</mn> </mrow> </msup> <mo>)</mo> </mrow> </mrow>
<mrow> <msubsup> <mi>x</mi> <mi>c</mi> <mi>k</mi> </msubsup> <mo>=</mo> <mo>&amp;part;</mo> <msubsup> <mi>x</mi> <mi>c</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>-</mo> <mn>1</mn> <mo>)</mo> </mrow> </msubsup> <mo>+</mo> <mi>h</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>-</mo> <mn>1</mn> <mo>)</mo> </mrow> </mrow>
y(k)＝wl3h(k)
其中网络输入层为u(k)，y(k)为输出层，h(k)为隐层输出，为承接层输出。输入层设为r个节点，u(k)为r维向量；隐含层和承接层均为n个节点，h(k)和均为n维向量；输出层为m个节点，y(k)为m维向量。权重wl1为n×r维矩阵，wl2为n×n维矩阵，wl3为m×n维矩阵。f(x)为激活函数，采用sigmoid函数，函数关系式为 为反馈增益因子，当不为0时，是改进的Elman神经网络，系统整体误差为：
<mrow> <mi>E</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mn>1</mn> <mn>2</mn> </mfrac> <msup> <mrow> <mo>(</mo> <msub> <mi>y</mi> <mi>d</mi> </msub> <mo>(</mo> <mi>k</mi> <mo>)</mo> <mo>-</mo> <mi>y</mi> <mo>(</mo> <mi>k</mi> <mo>)</mo> <mo>)</mo> </mrow> <mi>T</mi> </msup> <mrow> <mo>(</mo> <msub> <mi>y</mi> <mi>d</mi> </msub> <mo>(</mo> <mi>k</mi> <mo>)</mo> <mo>-</mo> <mi>y</mi> <mo>(</mo> <mi>k</mi> <mo>)</mo> <mo>)</mo> </mrow> </mrow>
其中，y(k)为第K步的实际输出值，yd(k)为相对应的期望值；通过对系统误差E(k)求偏导可得：
<mrow> <msubsup> <mi>&amp;Delta;w</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> <mrow> <mi>l</mi> <mn>3</mn> </mrow> </msubsup> <mo>=</mo> <msub> <mi>&amp;eta;</mi> <mn>3</mn> </msub> <msubsup> <mi>&amp;delta;</mi> <mi>i</mi> <mn>0</mn> </msubsup> <msub> <mi>h</mi> <mi>j</mi> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>,</mo> <mi>i</mi> <mo>=</mo> <mn>1</mn> <mo>,</mo> <mn>2</mn> <mo>,</mo> <mn>....</mn> <mo>,</mo> <mi>m</mi> <mo>;</mo> <mi>j</mi> <mo>=</mo> <mn>1</mn> <mo>,</mo> <mn>2</mn> <mo>,</mo> <mn>....</mn> <mo>,</mo> <mi>n</mi> </mrow>
<mrow> <msubsup> <mi>&amp;Delta;w</mi> <mrow> <mi>j</mi> <mi>q</mi> </mrow> <mrow> <mi>l</mi> <mn>3</mn> </mrow> </msubsup> <mo>=</mo> <msub> <mi>&amp;eta;</mi> <mn>2</mn> </msub> <msubsup> <mi>&amp;delta;</mi> <mi>j</mi> <mn>0</mn> </msubsup> <msub> <mi>u</mi> <mi>q</mi> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>-</mo> <mn>1</mn> <mo>)</mo> </mrow> <mo>,</mo> <mi>j</mi> <mo>=</mo> <mn>1</mn> <mo>,</mo> <mn>2</mn> <mo>,</mo> <mn>....</mn> <mo>,</mo> <mi>n</mi> <mo>;</mo> <mi>j</mi> <mo>=</mo> <mn>1</mn> <mo>,</mo> <mn>2</mn> <mo>,</mo> <mn>....</mn> <mo>,</mo> <mi>n</mi> </mrow>
<mrow> <msubsup> <mi>&amp;Delta;w</mi> <mrow> <mi>j</mi> <mi>l</mi> </mrow> <mrow> <mi>l</mi> <mn>1</mn> </mrow> </msubsup> <mo>=</mo> <msub> <mi>&amp;eta;</mi> <mn>1</mn> </msub> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>m</mi> </munderover> <mrow> <mo>(</mo> <msubsup> <mi>&amp;delta;</mi> <mi>i</mi> <mn>0</mn> </msubsup> <msubsup> <mi>w</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> <mrow> <mi>l</mi> <mn>3</mn> </mrow> </msubsup> <mo>)</mo> </mrow> <mfrac> <mrow> <mo>&amp;part;</mo> <msub> <mi>h</mi> <mi>j</mi> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> </mrow> <mrow> <mo>&amp;part;</mo> <msubsup> <mi>w</mi> <mrow> <mi>j</mi> <mi>l</mi> </mrow> <mrow> <mi>l</mi> <mn>1</mn> </mrow> </msubsup> </mrow> </mfrac> <mo>,</mo> <mi>j</mi> <mo>=</mo> <mn>1</mn> <mo>,</mo> <mn>2</mn> <mo>,</mo> <mn>....</mn> <mo>,</mo> <mi>n</mi> <mo>;</mo> <mi>l</mi> <mo>=</mo> <mn>1</mn> <mo>,</mo> <mn>2</mn> <mo>,</mo> <mn>....</mn> <mo>,</mo> <mi>n</mi> </mrow>
其中η1,η2,η3为wl1,wl2,wl3的学习速率；
步骤2，对Elman神经网络改进；
将BP网络自适应调整学习效率方法引入Elman网络模型，来改进Elman训练效果；每次循环中，检测权值是否降低了误差函数，如果降低了，说明学习速率值选择偏小，可以适当增加；反之，则产生过调，那么就适当降低学习速率，具体学习速率调整公式如下：
在Elman网络训练迭代过程中，学习效率根据上述公式进行自适应调整，可以加快网络收敛时间，更快逼近最优解；
步骤3，参数预测模型建立：
通过参数样本训练得到网络进行预测，数学模型如下：
f(xi,m)＝net(x1,x2,x3,x4,x5,m)
其中f(xi,m)为最终预测值,net为训练完成的Elman网络，xi,m为前期测量值及样品质量；即通过历史实验数据样本训练完成Elman网络后，将上述参数预测模型应用于物联网系统中，可以在线动态地实现参数测量。
CN201711370115.XA 2017-12-19 2017-12-19 一种基于Elman神经网络的工业物联网参数预测方法 Pending CN107944552A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711370115.XA CN107944552A (zh) 2017-12-19 2017-12-19 一种基于Elman神经网络的工业物联网参数预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711370115.XA CN107944552A (zh) 2017-12-19 2017-12-19 一种基于Elman神经网络的工业物联网参数预测方法

Publications (1)

Publication Number Publication Date
CN107944552A true CN107944552A (zh) 2018-04-20

Family

ID=61941292

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711370115.XA Pending CN107944552A (zh) 2017-12-19 2017-12-19 一种基于Elman神经网络的工业物联网参数预测方法

Country Status (1)

Country Link
CN (1) CN107944552A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109688112A (zh) * 2018-12-06 2019-04-26 南京邮电大学 工业物联网异常行为检测装置
CN111346688A (zh) * 2018-12-24 2020-06-30 航天信息股份有限公司 一种小麦着水控制方法及装置

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109688112A (zh) * 2018-12-06 2019-04-26 南京邮电大学 工业物联网异常行为检测装置
CN111346688A (zh) * 2018-12-24 2020-06-30 航天信息股份有限公司 一种小麦着水控制方法及装置
CN111346688B (zh) * 2018-12-24 2021-08-24 航天信息股份有限公司 一种小麦着水控制方法及装置

Similar Documents

Publication Publication Date Title
CN102183621B (zh) 水产养殖溶解氧浓度在线预测方法及系统
CN107909227A (zh) 超短期预测风电场功率的方法、装置及风力发电机组
CN108107716A (zh) 一种基于改进的bp神经网络的参数在线测量方法
CN108872508A (zh) 一种ga-bp优化tsfnn的富营养水质评价方法
CN107644370A (zh) 一种自增强学习的撮合竞价方法及系统
CN103674778B (zh) Rbf粒子群优化的工业熔融指数软测量仪表和方法
CN108090500A (zh) 食用菌发酵生产过程关键参量的软测量方法
CN108921359A (zh) 一种分布式瓦斯浓度预测方法及装置
CN103745271A (zh) 基于神经网络的感应热沉积钙磷涂层工艺预测方法
CN108460462A (zh) 一种基于区间参数优化的区间神经网络学习方法
CN113393057A (zh) 一种基于深度融合机器学习模型的小麦产量集成预测方法
CN103823430B (zh) 智能加权丙烯聚合生产过程最优软测量系统和方法
CN105550747A (zh) 一种新型卷积神经网络的样本训练方法
CN107944552A (zh) 一种基于Elman神经网络的工业物联网参数预测方法
CN106503312B (zh) 一种基于神经网络算法的叶根应力分析方法
CN111626844A (zh) 基于大数据分析的企业信用评估方法及装置
CN103675010B (zh) 支持向量机的工业熔融指数软测量仪表及方法
CN113872239A (zh) 一种基于知识和数据联合驱动的并网逆变器阻抗获取方法
CN103279030A (zh) 基于贝叶斯框架的动态软测量建模方法及装置
CN108537581A (zh) 基于gmdh选择性组合的能源消费量时间序列预测方法及装置
CN117473833A (zh) 基于有限元和神经网络的棒线材轧制力预测方法及装置
CN107703760A (zh) 基于rbf与gdhp的天然气吸收塔脱硫过程控制方法
CN105092509B (zh) 一种基于pcr‑elm算法的样品成份测定方法
CN111126827A (zh) 一种基于bp人工神经网络的投入产出核算模型构建方法
CN113627074B (zh) 一种基于迁移学习的地波传播时延预测方法

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20180420