CN108182239A - 一种文章热度预测系统及预测方法 - Google Patents
一种文章热度预测系统及预测方法 Download PDFInfo
- Publication number
- CN108182239A CN108182239A CN201711454719.2A CN201711454719A CN108182239A CN 108182239 A CN108182239 A CN 108182239A CN 201711454719 A CN201711454719 A CN 201711454719A CN 108182239 A CN108182239 A CN 108182239A
- Authority
- CN
- China
- Prior art keywords
- article
- current time
- predetermined time
- information
- regression model
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/951—Indexing; Web crawling techniques
-
- 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)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Databases & Information Systems (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及文本分析技术领域,具体涉及一种文章热度预测系统及预测方法。一种文章热度预测系统,包括:获取模块,映射模块,回归模型建立模块,LSTM预测模块。本发明通过LSTM来对文章的热度进行预测,在预测时既考虑了当前时刻该文章的阅读量信息、转发量信息、点赞量信息、评论量信息和引用量信息等,又考虑到了当前时刻之前多个预定时间长度内的数据信息,提高了文章热度预测的准确率,使预测结果更加可信。
Description
技术领域
本发明涉及文本分析技术领域,具体涉及一种文章热度预测系统及预测方法。
背景技术
随着互联网的快速发展,每天有大量的文章在互联网上发表,其中不乏一些没用的信息和垃圾文章,往往有价值的信息都是热度比较高的文章。如何在互联网中繁杂而庞大的文章海洋中找到热度比较高的文章,成为人们普遍关注的问题。文章热度是衡量一篇文章在一段时间内的阅读、评论以及转发等情况,反映了网络文字的影响力。常规的文章热度预测方法是通过筛选文章的关键词,对关键词进行大数据分析,进行文章热度的预测分析。但是由于文章的种类繁杂,仅仅通过关键词不能准确获得文章的热度。
发明内容
本发明的目的在于,针对现有技术中存在的问题,提出一种文章热度预测系统及预测方法,提高文章热度预测的准确性。
为了实现上述目的,本发明采用的技术方案为:
一种文章热度预测系统,包括:
获取模块,用于获取该文章在当前时刻之前的多个连续预定时间长度内的数据信息,并将获取的数据信息传送至映射模块;
映射模块,用于接收获取模块的数据信息,将数据信息转化成对应的向量数据序列,并将向量数据序列传送至回归模型建立模块;
回归模型建立模块,用于根据映射模块传送过来的向量数据序列建立对应预定时间长度内该文章热度值的回归模型;
LSTM预测模块,利用当前时刻之前的多个连续预定时间长度内的文章热度值回归模型预测当前时刻该文章的热度值。
进一步地,所述获取模块获取的信息包括该文章的阅读量信息、转发量信息、点赞量信息、评论量信息和引用量信息中的一种或多种。
进一步地,所述获取模块获取该文章在当前时刻之前的两个连续预定时间长度内的数据信息;所述LSTM预测模块利用当前时刻之前的两个连续预定时间长度内的文章热度值回归模型预测当前时刻该文章的热度值。
进一步地,所述获取模块获取该文章在当前时刻之前的两个以上连续预定时间长度内的数据信息;所述LSTM预测模块利用当前时刻之前的两个以上连续预定时间长度内的文章热度值回归模型预测当前时刻该文章的热度值。
进一步地,所述LSTM模块中的神经网络采用如下向前算法公式:
ft=σ(Wf·[ht-1,xt]+bf)
it=σ(Wi[ht-1,xt]+bi)
ot=σ(Wo[ht-1,xt]+bo)
ht=ot*tanh(Ct)
其中,it,ft,ot和ct分别代表t时刻输入门、记忆门、输出门和核心门所对应的状态量;对于每一个逻辑门,Wi,Wf,Wo和Wc分别代表输入门、记忆门、输出门和核心门所对应的权重转移矩阵;ht-1为t-1时刻隐藏层变量,bi,bf,bo,bc则代表输入门、记忆门、输出门和核心门所对应偏置向量。
进一步地,所述LSTM模块为加载有上述功能程序的计算机或者移动智能终端。
进一步地,所述获取模块与映射模块相连,映射模块与回归模型建立模块相连,回归模型建立模块与LSTM预测模块相连,LSTM预测模块的输出端与显示器相连。
一种文章热度预测方法,包括以下步骤:
A.获取该文章在当前时刻之前的多个连续预定时间长度内的数据信息;
B.将获取的数据信息转化成对应的向量数据序列;
C.根据步骤B中的向量数据序列建立对应预定时间长度内该文章热度值的回归模型;
D.利用建立的对应预定时间长度内的该文章热度值进行LSTM运算,预测当前时刻该文章的热度值。
由于采用了上述技术方案,本发明的有益效果是:
本发明通过LSTM来对文章的热度进行预测,在预测时既考虑了当前时刻该文章的阅读量信息、转发量信息、点赞量信息、评论量信息和引用量信息等,又考虑到了当前时刻之前多个预定时间长度内的数据信息,提高了文章热度预测的准确率,使预测结果更加可信。
附图说明
以下附图仅旨在于对本发明做示意性说明和解释,并不限定本发明的范围。其中:
图1是本发明模块的连接关系图。
具体实施方式
下面结合附图,对本发明做详细的说明。
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作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。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
在本发明的描述中,需要说明的是,术语“上”、“竖直”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,或者是该发明产品使用时惯常摆放的方位或位置关系,或者是本领域技术人员惯常理解的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
在本发明的描述中,还需要说明的是,除非另有明确的规定和限定,术语“设置”、“安装”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
实施例1
作为本发明的一种较佳实施例,本实施例公开了一种文章热度预测系统,本实施例包括:
一种文章热度预测系统,包括:
获取模块,用于获取该文章在当前时刻之前的多个连续预定时间长度内的数据信息,并将获取的数据信息传送至映射模块;
上述预定时间长度可以在具体实施时自行设定,本实施例对上述预定时间长度的大小不作限定。例如,上述预定时间长度可以为1个小时、1天或者1周等。
映射模块,用于接收获取模块的数据信息,将数据信息转化成对应的向量数据序列,并将向量数据序列传送至回归模型建立模块;
回归模型建立模块,用于根据映射模块传送过来的向量数据序列建立对应预定时间长度内该文章热度值的回归模型;
LSTM预测模块,利用当前时刻之前的多个连续预定时间长度内的文章热度值回归模型预测当前时刻该文章的热度值。
所述获取模块获取的信息包括该文章的阅读量信息、转发量信息、点赞量信息、评论量信息和引用量信息中的一种或多种。
所述获取模块获取该文章在当前时刻之前的两个连续预定时间长度内的数据信息;所述LSTM预测模块利用当前时刻之前的两个连续预定时间长度内的文章热度值回归模型预测当前时刻该文章的热度值。
所述获取模块获取该文章在当前时刻之前的两个以上连续预定时间长度内的数据信息;所述LSTM预测模块利用当前时刻之前的两个以上连续预定时间长度内的文章热度值回归模型预测当前时刻该文章的热度值。
所述LSTM模块中的神经网络采用如下向前算法公式:
ft=σ(Wf·[ht-1,xt]+bf)
it=σ(Wi·[ht-1,xt]+bi)
ot=σ(Wo[ht-1,xt]+bo)
ht=ot*tanh(Ct)
其中,it,ft,ot和ct分别代表t时刻输入门、记忆门、输出门和核心门所对应的状态量;对于每一个逻辑门,Wi,Wf,Wo和Wc分别代表输入门、记忆门、输出门和核心门所对应的权重转移矩阵;ht-1为t-1时刻隐藏层变量,bi,bf,bo,bc则代表输入门、记忆门、输出门和核心门所对应偏置向量。
所述LSTM模块为加载有上述功能程序的计算机或者移动智能终端。
所述获取模块与映射模块相连,映射模块与回归模型建立模块相连,回归模型建立模块与LSTM预测模块相连,LSTM预测模块的输出端与显示器相连。
本发明所记载的文章热度预测方法准确率高,使用本发明所记载的文章热度的预测方法之后,文章热度的预测准确率可以提高至45%。
实施例2
作为本发明的一种较佳实施例,本实施例公开了一种文章热度预测方法,本实施例包括:
一种文章热度预测方法,包括以下步骤:
A.获取该文章在当前时刻之前的多个连续预定时间长度内的数据信息;
B.将获取的数据信息转化成对应的向量数据序列;
C.根据步骤B中的向量数据序列建立对应预定时间长度内该文章热度值的回归模型;
D.利用建立的对应预定时间长度内的该文章热度值进行LSTM运算,预测当前时刻该文章的热度值。
实施例3
作为本发明的一种较佳实施例,本实施例公开了一种文章热度预测系统,本实施例包括:
一种文章热度预测系统,包括:
获取模块,用于获取该文章在当前时刻之前的多个连续预定时间长度内的数据信息,并将获取的数据信息传送至映射模块;
上述预定时间长度可以在具体实施时自行设定,本实施例对上述预定时间长度的大小不作限定。例如,上述预定时间长度可以为1个小时、1天或者1周等。
映射模块,用于接收获取模块的数据信息,将数据信息转化成对应的向量数据序列,并将向量数据序列传送至回归模型建立模块;
回归模型建立模块,用于根据映射模块传送过来的向量数据序列建立对应预定时间长度内该文章热度值的回归模型;
LSTM预测模块,利用当前时刻之前的多个连续预定时间长度内的文章热度值回归模型预测当前时刻该文章的热度值。
实施例4
作为本发明的一种较佳实施例,本实施例公开了一种文章热度预测系统,本实施例与实施例3基本相同,区别在与:
所述获取模块获取的信息包括该文章的阅读量信息、转发量信息、点赞量信息、评论量信息和引用量信息中的一种或多种。
实施例5
作为本发明的一种较佳实施例,本实施例公开了一种文章热度预测系统,本实施例与实施例3基本相同,区别在与:
所述获取模块获取该文章在当前时刻之前的两个连续预定时间长度内的数据信息;所述LSTM预测模块利用当前时刻之前的两个连续预定时间长度内的文章热度值回归模型预测当前时刻该文章的热度值。
实施例6
作为本发明的一种较佳实施例,本实施例公开了一种文章热度预测系统,本实施例与实施例3基本相同,区别在与:
所述获取模块获取该文章在当前时刻之前的两个以上连续预定时间长度内的数据信息;所述LSTM预测模块利用当前时刻之前的两个以上连续预定时间长度内的文章热度值回归模型预测当前时刻该文章的热度值。
所述LSTM模块中的神经网络采用如下向前算法公式:
ft=σ(Wf·[ht-1,xt]+bf)
it=σ(Wi·[ht-1,xt]+bi)
ot=σ(Wo[ht-1,xt]+bo)
ht=ot*tanh(Ct)
其中,it,ft,ot和ct分别代表t时刻输入门、记忆门、输出门和核心门所对应的状态量;对于每一个逻辑门,Wi,Wf,Wo和Wc分别代表输入门、记忆门、输出门和核心门所对应的权重转移矩阵;ht-1为t-1时刻隐藏层变量,bi,bf,bo,bc则代表输入门、记忆门、输出门和核心门所对应偏置向量。
所述LSTM模块为加载有上述功能程序的计算机或者移动智能终端。
实施例7
作为本发明的一种较佳实施例,本实施例公开了一种文章热度预测系统,本实施例与实施例3基本相同,区别在与:
所述获取模块与映射模块相连,映射模块与回归模型建立模块相连,回归模型建立模块与LSTM预测模块相连,LSTM预测模块的输出端与显示器相连。
以上所述实施例仅表达了本申请的具体实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请保护范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请技术方案构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。
Claims (8)
1.一种文章热度预测系统,其特征在于,包括:
获取模块,用于获取该文章在当前时刻之前的多个连续预定时间长度内的数据信息,并将获取的数据信息传送至映射模块;
映射模块,用于接收获取模块的数据信息,将数据信息转化成对应的向量数据序列,并将向量数据序列传送至回归模型建立模块;
回归模型建立模块,用于根据映射模块传送过来的向量数据序列建立对应预定时间长度内该文章热度值的回归模型;
LSTM预测模块,利用当前时刻之前的多个连续预定时间长度内的文章热度值回归模型预测当前时刻该文章的热度值。
2.根据权利要求1所述的文章热度预测系统,其特征在于:所述获取模块获取的信息包括该文章的阅读量信息、转发量信息、点赞量信息、评论量信息和引用量信息中的一种或多种。
3.根据权利要求1所述的文章热度预测系统,其特征在于:所述获取模块获取该文章在当前时刻之前的两个连续预定时间长度内的数据信息;所述LSTM预测模块利用当前时刻之前的两个连续预定时间长度内的文章热度值回归模型预测当前时刻该文章的热度值。
4.根据权利要求1所述的文章热度预测系统,其特征在于:所述获取模块获取该文章在当前时刻之前的两个以上连续预定时间长度内的数据信息;所述LSTM预测模块利用当前时刻之前的两个以上连续预定时间长度内的文章热度值回归模型预测当前时刻该文章的热度值。
5.根据权利要求1所述的文章热度预测系统,其特征在于:所述LSTM模块中的神经网络采用如下向前算法公式:
ft=σ(Wf·[ht-1,xt]+bf)
it=σ(Wi·[ht-1,xt]+bi)
ot=σ(Wo[ht-1,xt]+bo)
ht=ot*tanh(Ct)
其中,it,ft,ot和ct分别代表t时刻输入门、记忆门、输出门和核心门所对应的状态量;对于每一个逻辑门,Wi,Wf,Wo和Wc分别代表输入门、记忆门、输出门和核心门所对应的权重转移矩阵;ht-1为t-1时刻隐藏层变量,bi,bf,bo,bc则代表输入门、记忆门、输出门和核心门所对应偏置向量。
6.根据权利要求1所述的文章热度预测系统,其特征在于:所述获取模块与映射模块相连,映射模块与回归模型建立模块相连,回归模型建立模块与LSTM预测模块相连,LSTM预测模块的输出端与显示器相连。
7.根据权利要求1所述的文章热度预测系统,其特征在于:所述LSTM模块为加载有如权利要求5功能程序的计算机或者移动智能终端。
8.一种利用权利要求1所述的文章热度预测系统的文章热度预测方法,其特征在于,包括以下步骤:
A.获取该文章在当前时刻之前的多个连续预定时间长度内的数据信息;
B.将获取的数据信息转化成对应的向量数据序列;
C.根据步骤B中的向量数据序列建立对应预定时间长度内该文章热度值的回归模型;
D.利用建立的对应预定时间长度内的该文章热度值进行LSTM运算,预测当前时刻该文章的热度值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711454719.2A CN108182239A (zh) | 2017-12-27 | 2017-12-27 | 一种文章热度预测系统及预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711454719.2A CN108182239A (zh) | 2017-12-27 | 2017-12-27 | 一种文章热度预测系统及预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108182239A true CN108182239A (zh) | 2018-06-19 |
Family
ID=62548204
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711454719.2A Pending CN108182239A (zh) | 2017-12-27 | 2017-12-27 | 一种文章热度预测系统及预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108182239A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109063927A (zh) * | 2018-08-28 | 2018-12-21 | 成都信息工程大学 | 一种基于ts-lstm和dnn的微博转发量预测方法 |
CN109947946A (zh) * | 2019-03-22 | 2019-06-28 | 上海诺亚投资管理有限公司 | 一种预测文章传播热度的方法及装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104123377A (zh) * | 2014-07-30 | 2014-10-29 | 福州大学 | 一种微博话题热度预测系统及方法 |
US20160099010A1 (en) * | 2014-10-03 | 2016-04-07 | Google Inc. | Convolutional, long short-term memory, fully connected deep neural networks |
CN105488193A (zh) * | 2015-12-04 | 2016-04-13 | 杭州数梦工场科技有限公司 | 文章热度的预测方法和装置 |
CN106897388A (zh) * | 2017-01-24 | 2017-06-27 | 北京航空航天大学 | 预测微博事件热度的方法及装置 |
CN106952181A (zh) * | 2017-03-08 | 2017-07-14 | 深圳市景程信息科技有限公司 | 基于长短时记忆神经网络的电力负荷预测系统 |
CN107102969A (zh) * | 2017-04-28 | 2017-08-29 | 湘潭大学 | 一种时间序列数据的预测方法和系统 |
CN107146172A (zh) * | 2017-04-01 | 2017-09-08 | 上海诺悦智能科技有限公司 | 一种旅游多模式营销策略指导系统 |
CN107330049A (zh) * | 2017-06-28 | 2017-11-07 | 北京搜狐新媒体信息技术有限公司 | 一种新闻热度预估方法及系统 |
-
2017
- 2017-12-27 CN CN201711454719.2A patent/CN108182239A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104123377A (zh) * | 2014-07-30 | 2014-10-29 | 福州大学 | 一种微博话题热度预测系统及方法 |
US20160099010A1 (en) * | 2014-10-03 | 2016-04-07 | Google Inc. | Convolutional, long short-term memory, fully connected deep neural networks |
CN105488193A (zh) * | 2015-12-04 | 2016-04-13 | 杭州数梦工场科技有限公司 | 文章热度的预测方法和装置 |
CN106897388A (zh) * | 2017-01-24 | 2017-06-27 | 北京航空航天大学 | 预测微博事件热度的方法及装置 |
CN106952181A (zh) * | 2017-03-08 | 2017-07-14 | 深圳市景程信息科技有限公司 | 基于长短时记忆神经网络的电力负荷预测系统 |
CN107146172A (zh) * | 2017-04-01 | 2017-09-08 | 上海诺悦智能科技有限公司 | 一种旅游多模式营销策略指导系统 |
CN107102969A (zh) * | 2017-04-28 | 2017-08-29 | 湘潭大学 | 一种时间序列数据的预测方法和系统 |
CN107330049A (zh) * | 2017-06-28 | 2017-11-07 | 北京搜狐新媒体信息技术有限公司 | 一种新闻热度预估方法及系统 |
Non-Patent Citations (1)
Title |
---|
彭艺等: "一种基于马尔可夫链的微信舆情热度预测模型", 《信息技术》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109063927A (zh) * | 2018-08-28 | 2018-12-21 | 成都信息工程大学 | 一种基于ts-lstm和dnn的微博转发量预测方法 |
CN109063927B (zh) * | 2018-08-28 | 2021-12-07 | 成都信息工程大学 | 一种基于ts-lstm和dnn的微博转发量预测方法 |
CN109947946A (zh) * | 2019-03-22 | 2019-06-28 | 上海诺亚投资管理有限公司 | 一种预测文章传播热度的方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zeng et al. | A switching delayed PSO optimized extreme learning machine for short-term load forecasting | |
CN107944610B (zh) | 预测事件流行度方法、服务器及计算机可读存储介质 | |
Li et al. | Data‐driven consensus for non‐linear networked multi‐agent systems with switching topology and time‐varying delays | |
Matta et al. | Q‐RTS: a real‐time swarm intelligence based on multi‐agent Q‐learning | |
Razavinasab et al. | State estimation‐based distributed model predictive control of large‐scale networked systems with communication delays | |
D'Amico et al. | Wind speed modeled as an indexed semi‐Markov process | |
Janke et al. | Geometrical vs. Fortuin–Kasteleyn clusters in the two-dimensional q-state Potts model | |
CN108182239A (zh) | 一种文章热度预测系统及预测方法 | |
Dabbakuti et al. | Implementation of IoT analytics ionospheric forecasting system based on machine learning and ThingSpeak | |
CN104221019A (zh) | 用于在基于随机索引的系统中增强情境智能的方法和装置 | |
Mei et al. | Stabilisation of highly non‐linear continuous‐time hybrid stochastic differential delay equations by discrete‐time feedback control | |
CN115469627A (zh) | 基于物联网的智能工厂运行管理系统 | |
Guo et al. | A new networked predictive control approach for systems with random network delay in the forward channel | |
Jiang et al. | Wind speed forecasting using autoregressive moving average/generalized autoregressive conditional heteroscedasticity model | |
Wang et al. | Event‐based model predictive control of discrete‐time non‐linear systems with external disturbances | |
Borri et al. | Symbolic models for nonlinear control systems affected by disturbances | |
Liu et al. | Almost periodic solution of impulsive Hopfield neural networks with finite distributed delays | |
Xu et al. | Deep‐learning‐based scenario generation strategy considering correlation between multiple wind farms | |
Chung et al. | Artificial intelligence applications in electric distribution systems: post-pandemic progress and prospect | |
Huong et al. | Design of event‐triggered interval functional observers for systems with input and output disturbances | |
Liu et al. | Distributed output feedback model predictive control for a team of coupled linear subsystems | |
CN110032775A (zh) | 一种基于高阶滑模控制的网络设计方法 | |
Yang et al. | Incremental stability of switched non‐linear systems | |
Bas et al. | An introduction to Markov chains | |
CN107273499A (zh) | 基于垂直搜索引擎的数据抓取方法 |
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: 20180619 |