CN108376297A - 一种水产养殖水质预警方法、设备及存储介质 - Google Patents
一种水产养殖水质预警方法、设备及存储介质 Download PDFInfo
- Publication number
- CN108376297A CN108376297A CN201810135571.4A CN201810135571A CN108376297A CN 108376297 A CN108376297 A CN 108376297A CN 201810135571 A CN201810135571 A CN 201810135571A CN 108376297 A CN108376297 A CN 108376297A
- Authority
- CN
- China
- Prior art keywords
- water quality
- quality parameter
- weights
- coefficient
- early warning
- 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
Classifications
-
- 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Mining
Abstract
本发明提供了一种水产养殖水质预警方法,包括:根据预测模型预测水质参数得到水质参数预测值;根据所述水质参数预测值计算水质参数级别及水质参数组合权值;根据所述水质参数组合权值及所述水质参数级别计算得到综合水质评级;根据所述综合水质评级做出相应预警。本发明还提供了一种主动交互设备及非暂态可读存储介质,用来实现所述方法。本发明可以提供高精度的水质情况预警。
Description
技术领域
本发明涉及物联网数据分析领域,更具体地,涉及一种水产养殖 水质预警方法、设备及存储介质。
背景技术
在水产养殖中,养殖水质直接影响了水产动物的生长、营养和肉 质,可以说,对水质的调控与养殖经济效益息息相关。在水产养殖水 质预警领域中,如何及时区分较差水质参数,并提供高精度的水质情 况预警,进而对养殖水质的情况进行实时监控,就成为业内亟待解决 的问题。
发明内容
为克服上述问题或者至少部分地解决上述问题,本发明提供了一 种水产养殖水质预警方法、设备及存储介质。
一方面,本发明提供了一种水产养殖水质预警方法,包括:根据 预测模型预测水质参数得到水质参数预测值;根据所述水质参数预测 值计算水质参数级别及水质参数组合权值;根据所述水质参数组合权值 及所述水质参数级别计算得到综合水质评级;根据所述综合水质评级 做出相应预警。
另一方面,本发明提供了一种主动交互设备及一种非暂态可读存 储介质。所述一种主动交互设备包括:至少一个处理器;以及与所述 处理器通信连接的至少一个存储器,其中:所述存储器存储有可被所 述处理器执行的程序指令,所述处理器调用所述程序指令能够执行所 述一种水产养殖水质预警方法。所述一种非暂态可读存储介质存储程 序指令,用于执行所述一种水产养殖水质预警方法。
本发明提供了一种水产养殖水质预警方法、设备及存储介质,通 过对单个水质参数及所有水质参数进行评级,能够及时区分较差水质 参数,并提供高精度的水质情况预警,从而可以对养殖水质的情况进 行实时监控。
附图说明
图1是本发明实施例中水产养殖水质预警方法的整体流程图;
图2是单阈值水质参数的级别示意图;
图3是本发明实施例中计算水质参数权值流程图;
图4是本发明实施例中建立水质参数预测模型集合流程图;
图5是本发明实施例中水质参数序列示意图;
图6是本发明实施例的硬件设备工作示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图 对本发明实施方式作进一步地描述,下文中提到的具体技术细节,仅 为使读者更好的理解技术方案,并不代表本发明仅局限于以下技术细 节。
本发明的实施例提供了一种水产养殖水质预警方法、设备及存储 介质。参见图1,图1是本发明实施例中水产养殖水质预警方法的整体 流程图,所述方法由硬件设备实现,具体步骤包括:
S101:根据预测模型预测水质参数得到水质参数预测值。设定水 质参数的级别,根据水质评级范围得到每种水质参数的级别。对于双 阈值因子,即该水质参数有最高最低两个边界。双阈值水质参数范围 如表1所示,通常水产动物养殖对水质的适应性包含三个范围,最佳 范围,临界范围和适宜范围。
表1
双阈值水质参数的级别如表2所示,以溶解氧为例,其预测值p 超出最高临界值(如a6)一定比例θ1,或者低于最低临界值(如a5) 一定比例θ1时,水质评级为Ⅵ,发出危重警告;当某水质参数的预测 值超出最高临界值(如a6)的比例在θ2到θ1之间,或者低于最低临界 值(如a5)的比例在θ2到θ1之间,水质评级为Ⅴ,发出高级警告;当 某水质参数的预测值超出最高临界值(如a6)的比例在0到θ2之间, 或者低于最低临界值(如a5)的比例在0到θ2之间,水质评级为Ⅳ, 发出中级警告;当其预测值不在适宜范围内,但在临界范围内,水质 评级为Ⅲ,发出低级警告;当其预测值不在最佳范围内,但在适宜范 围内,水质评级为Ⅱ;当其预测处于最佳范围,水质评级为Ⅰ。θ1,θ2的取值视所养殖水产品而定。
表2
对于单阈值水质参数,即该水质参数只有最高或最低一个边界, 单阈值水质参数范围如表3所示:
表3
如浊度,其数值越低,水质越优;单阈值水质参数的级别如图2 所示,Ⅰ为最优,Ⅵ为最差。若其预测值小于e1则其水质评级为Ⅰ; 其预测值在[e1,e2)范围内,则其水质评级为Ⅱ;其预测值在[e2,e3)范 围内,则其水质评级为Ⅲ,发出低级警告;其预测值大于e3的比例在 0到θ1范围内,其水质评级为Ⅳ,发出中级警告;其预测值大于e3的 比例在θ1到θ2范围内,其水质评级为Ⅴ,发出高级警告;其预测值大 于e3超过θ2,其水质评级为Ⅵ,发出危重警告;若水质参数数值越高, 水质越优,则评级与图2次序相反。θ1,θ2的取值视所养殖水产品而定。 单阈值水质参数(浊度)的级别如表4所示:
表4
S102:根据所述水质参数预测值计算水质参数级别及水质参数组 合权值。
S103:根据所述水质参数组合权值及所述水质参数级别计算得到 综合水质评级。建立水质参数预测模型集合,选取所述水质参数预测 模型集合中的最佳模型作为预测模型(预测模型为水质参数预测模型 集合中相似度最高的模型),根据所述预测模型对所述水质参数进行预 测得到水质参数预测值。
S104:根据所述综合水质评级做出相应预警。根据所述水质参数 预测值计算水质参数的级别,判断所述水质参数的级别是否超出阈值, 若超出,则发出预警。
根据所述水质参数权值及所述水质参数的级别计算得到综合水质 评级,根据所述综合水质评级做出相应预警。预警指数范围[bi,b’i), i=1,2,…,6,符合以下公式:
bi=b'i-1当i=1时b1=0
b'i=bi+γ×(10-i)×C当i=6时,b'6=6
其中,bi为第i水质评级的下界,b’i为第i水质评级的上界,C为 步长,γ为调整参数。
具体地,当C取1,γ取0.12时,综合水质评级及预警如表5所示:
表5
综合水质指数的计算方法包括:
l=l1×w1+l2×w2+,...,lm×wm
其中,l为综合预警指数,l1,l2,…,lm是各水质参数评级,w1,w2,…, wm是各水质参数权重,m是水质参数个数。
参见图3,图3是本发明实施例中计算水质参数权值流程图,包括:
S301:根据范围相对距离计算水质参数的临界距离权值,所述范 围相对距离表示水质参数预测值在一级别中的相对位置。所述临界距 离权值,具体包括:
其中,dri是水质参数的范围相对距离,具体包括:
其中,D是水质参数一级别的范围,d是水质参数预测值距离所在级别 与邻近低级别的临界值的距离。
S302:根据变异系数计算水质参数的变异系数权值,所述变异系 数权值,具体包括:
其中,vi是水质参数序列(具体参见图5)的变异系数,具体包括:
其中,xs是水质参数序列的标准差,是水质参数序列的均值。
S303:根据复相关系数计算水质参数的相关系数权值,所述相关 系数权值,具体包括:
其中,ri是水质参数序列的复相关系数。
S304:根据所述水质参数的临界距离权值、变异系数权值及相关 系数权值,计算得到水质参数的组合权值,所述水质参数的组合权值, 具体包括:
其中,wci是水质参数的组合权值,wbi是临界距离权值,wvi是变异系 数权值,wri是相关系数权值,m是水质参数个数。
参见图4,图4是本发明实施例中建立水质参数预测模型集合流程 图,包括:
S401:对水质参数的序列进行归一化,得到归一化水质参数序列。 多维水质参数序列是一个m*n的矩阵M,m是水质参数个数,n是每 个水质参数序列的长度,进行归一化处理,归一化的具体方法包括:
其中,x是归一化后的值,x’是原始数值,xmin是原始数值中的最小值, xmax是原始数值中的最大值。
S402:根据时间窗口分割所述归一化水质参数序列得到分割样本 集。具体地,用一个长度为q的时间窗口将多维水质参数序列分割, 窗口每向后滑动一次,得到一个样本,最终得到(n-q+1)个矩阵。
S403:对分割样本集进行聚类,得到分类的分割样本集。具体地, 基于k-means聚类,得到具有相似性的k个样本集。聚类相似度采用加 权组合相似度,其公示如下:
dist=α×d1+β×d2
α+β=1
其中,d1为欧式距离,d2为动态时间弯曲距离,α为值相似系数,β为 形相似系数。
S404:根据延迟相关系数训练所述分类的分割样本集,得到基于 支持向量回归的水质参数预测模型集合。具体地,选择任意水质参数 作为预测序列,通过将输入输出样本错位的方法构造训练集。如溶解 氧序列,其预测因子为水温,pH值,浊度等构成特征向量作为输入, 用x={x1,x2,...,xp}来表示,p表示预测因子个数。
式中,q为所分割的序列长度,p为预测因子个数,s为错开位数,X 为特征向量组成的训练集,Y为训练集标签。其他水质参数的训练集 构造方法与溶解氧相同,但预测因子各不相同。
采用延迟相关系数确定所述训练集输入输出样本的错开位数s, 延迟相关系数R(l)的定义如下:
式中,l的最大取值为n/2.当l的值从0变化到n/2时就可以得到多 个R(l)值。当lmax时,R(lmax)是最大延迟相关系数。
计算预测序列与其他(m-1)个预测序列的延迟相关系数,可以 得到(m-1)个延迟相关系数及其所对应延迟。
设:f(l)=|R(l)1|+|R(l)2|+...+|R(l)m-1|
当f(l)取最大值时,l的取值,即作为将要错开的位数s。通常,如 果s的值大于l/3,则令s等于1。
其次,使用所构造的训练集训练支持向量回归模型模型,可以得 到k个溶解氧预测模型,训练好的模型,通过所得支持向量将特征向 量映射得到标签,建立了X与Y之间的关系。当得到一个新的特征 向量时,我们即可通过模型得到其标签,即该水质参数的预测值。其 他水质参数模型的构造与溶解氧预测模型相同。通过以上步骤,可以 得到k*m个水质参数预测模型,预测哪一种水质参数,就到那种水质 参数的模型集合中找预测数据序列相似度最大的模型,并使用该模型 进行预测,相似度计算公式为:
dist=α×d1+β×d2
预测过程结束后,得到m个水质参数预测值。
其中,所构建的支持向量回归模型,对于非线性支持向量回归算 法,需要引入核函数,把原始空间的数据映射到高维空间中,其映射 关系为:
Φ:x→Φ(x)
回归问题可以描述为:根据给定的训练集X及其标签Y,寻找Rn上的某实值函数y=f(x),以此推断任一模式φ(x)所对应的y值。具体的 函数可表示为:
f(x)=wT·φ(x)+b
其中,w为法向量,b为截距。
使用近似线性分类的最大间隔模型,得下列目标函数:
s.t.,yi(wTφ(xi)+b)≥1,i=1,...,n
将该目标函数转化为凸二次规划问题,即在一定条件下目标最优,损失 最小。对凸二次规划问题采用拉格朗日对偶性变换到对偶变量的优化 问题,通过求解其对偶问题得到原始问题的最优解,拉格朗日函数为:
最后将多维预测数据序列与SVR模型的相似度匹配,自适应地 选取最佳的模型作为预测模型,对水质参数进行预测。
参见图5,图5是本发明实施例中水质参数序列示意图,包括:水 质参数序列采集时间501、水质参数502及水质参数序列503。
参见图6,图6是本发明实施例的硬件设备工作示意图,所述硬件 设备具体包括:一种水产养殖水质综合预警设备601、处理器602及存 储介质603。
水产养殖水质综合预警设备601:所述一种水产养殖水质综合预警 设备601实现所述一种水产养殖水质预警方法。
处理器602:所述处理器602加载并执行所述存储介质603中的指 令及数据用于实现所述的一种水产养殖水质预警方法。
存储介质603:所述存储介质603存储指令及数据;所述存储介质 603用于实现所述的一种水产养殖水质预警方法。
通过执行本发明的实施例,本发明权利要求里的所有技术特征都 得到了详尽阐述。
区别于现有技术,本发明的实施例提供了一种水产养殖水质预警 方法、设备及存储介质,通过对单个水质参数及所有水质参数进行评 级,能够及时区分较差水质参数,并提供高精度的水质情况预警,从 而可以对养殖水质的情况进行实时监控。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在 本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均 应包含在本发明的保护范围之内。
Claims (10)
1.一种水产养殖水质预警方法,其特征在于,包括:
根据预测模型预测水质参数得到水质参数预测值;
根据所述水质参数预测值计算水质参数级别及水质参数组合权值;
根据所述水质参数组合权值及所述水质参数级别计算得到综合水质评级;
根据所述综合水质评级做出相应预警。
2.如权利要求1所述的方法,其特征在于,所述根据所述水质参数预测值计算水质参数组合权值,具体包括:
根据范围相对距离计算水质参数的临界距离权值,根据变异系数计算水质参数的变异系数权值,根据复相关系数计算水质参数的相关系数权值,所述范围相对距离表示水质参数预测值在一级别中的相对位置;
根据所述水质参数的临界距离权值、变异系数权值及相关系数权值,计算得到水质参数组合权值。
3.如权利要求1所述的方法,其特征在于,所述预测模型为水质参数预测模型集合中相似度最高的模型,所述水质参数预测模型集合的建立方法,包括:
对水质参数的序列进行归一化,得到归一化水质参数序列;
根据时间窗口分割所述归一化水质参数序列得到分割样本集;
对分割样本集进行聚类,得到分类的分割样本集;
根据延迟相关系数构造训练集,训练所述分类的分割样本集,得到基于支持向量回归的水质参数预测模型集合。
4.如权利要求2所述的方法,其特征在于,所述水质参数的组合权值,具体包括:
其中,wci是水质参数的组合权值,wbi是临界距离权值,wvi是变异系数权值,wri是相关系数权值,m是水质参数个数。
5.如权利要求4所述的方法,其特征在于,所述临界距离权值,具体包括:
其中,dri是水质参数的范围相对距离。
6.如权利要求4所述的方法,其特征在于,所述变异系数权值,具体包括:
其中,vi是水质参数序列的变异系数。
7.如权利要求3所述的方法,其特征在于,所述根据延迟相关系数构造训练集,包括:采用所述延迟相关系数确定所述训练集输入输出样本的错开位数,具体包括:
f(l)=|R(l)1|+|R(l)2|+...+|R(l)m-1|
其中,m-1是m-1个预测序列,R是延迟相关系数,f(l)取最大值时,l的值即为错开位数。
8.如权利要求5所述的方法,其特征在于,所述水质参数的范围相对距离,具体包括:
其中,D是水质参数一级别的范围,d是水质参数预测值距离所在级别与邻近低级别的临界值的距离。
9.一种主动交互设备,其特征在于,包括:
至少一个处理器;以及
与所述处理器通信连接的至少一个存储器,其中:
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行如权利要求1至8任一所述方法。
10.一种非暂态可读存储介质,其特征在于,所述非暂态可读存储介质存储程序指令,所述程序指令用于执行如权利要求1至8任一所述方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810135571.4A CN108376297B (zh) | 2018-02-09 | 2018-02-09 | 一种水产养殖水质预警方法、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810135571.4A CN108376297B (zh) | 2018-02-09 | 2018-02-09 | 一种水产养殖水质预警方法、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108376297A true CN108376297A (zh) | 2018-08-07 |
CN108376297B CN108376297B (zh) | 2021-02-02 |
Family
ID=63017569
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810135571.4A Active CN108376297B (zh) | 2018-02-09 | 2018-02-09 | 一种水产养殖水质预警方法、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108376297B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109470829A (zh) * | 2018-11-21 | 2019-03-15 | 武汉新烽光电股份有限公司 | 水质检测方法、装置、服务器、水质采样器及介质 |
CN109520567A (zh) * | 2018-11-27 | 2019-03-26 | 深圳先进技术研究院 | 一种海水养殖水质预警方法 |
CN113636657A (zh) * | 2021-08-31 | 2021-11-12 | 北京东方园林环境股份有限公司 | 一种底泥和水体污染物的持续净化方法 |
CN114354705A (zh) * | 2022-01-10 | 2022-04-15 | 中国水产科学研究院长江水产研究所 | 一种基于多参数相对权重的地表水质综合评价方法 |
CN115983506A (zh) * | 2023-03-20 | 2023-04-18 | 华东交通大学 | 一种水质预警方法、系统及可读存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070215556A1 (en) * | 2006-03-20 | 2007-09-20 | Sensis Corporation | System for detection and prediction of water nitrification |
CN103577694A (zh) * | 2013-11-07 | 2014-02-12 | 广东海洋大学 | 一种基于多尺度分析的水产养殖水质短期组合预测方法 |
CN107169621A (zh) * | 2017-04-01 | 2017-09-15 | 中国农业大学 | 一种水体溶解氧预测方法及装置 |
-
2018
- 2018-02-09 CN CN201810135571.4A patent/CN108376297B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070215556A1 (en) * | 2006-03-20 | 2007-09-20 | Sensis Corporation | System for detection and prediction of water nitrification |
CN103577694A (zh) * | 2013-11-07 | 2014-02-12 | 广东海洋大学 | 一种基于多尺度分析的水产养殖水质短期组合预测方法 |
CN107169621A (zh) * | 2017-04-01 | 2017-09-15 | 中国农业大学 | 一种水体溶解氧预测方法及装置 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109470829A (zh) * | 2018-11-21 | 2019-03-15 | 武汉新烽光电股份有限公司 | 水质检测方法、装置、服务器、水质采样器及介质 |
CN109470829B (zh) * | 2018-11-21 | 2021-08-10 | 武汉新烽光电股份有限公司 | 水质检测方法、装置、服务器、水质采样器及介质 |
CN109520567A (zh) * | 2018-11-27 | 2019-03-26 | 深圳先进技术研究院 | 一种海水养殖水质预警方法 |
CN113636657A (zh) * | 2021-08-31 | 2021-11-12 | 北京东方园林环境股份有限公司 | 一种底泥和水体污染物的持续净化方法 |
CN114354705A (zh) * | 2022-01-10 | 2022-04-15 | 中国水产科学研究院长江水产研究所 | 一种基于多参数相对权重的地表水质综合评价方法 |
CN115983506A (zh) * | 2023-03-20 | 2023-04-18 | 华东交通大学 | 一种水质预警方法、系统及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN108376297B (zh) | 2021-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108376297A (zh) | 一种水产养殖水质预警方法、设备及存储介质 | |
CN110163234B (zh) | 一种模型训练方法、装置和存储介质 | |
CN107766929B (zh) | 模型分析方法及装置 | |
CN110110930A (zh) | 一种改进鲸鱼算法的循环神经网络短期电力负荷预测方法 | |
CN109376772B (zh) | 一种基于神经网络模型的电力负荷组合预测方法 | |
CN110378799A (zh) | 基于多尺度深度卷积网络的氧化铝综合生产指标决策方法 | |
CN104123595B (zh) | 一种配电网负荷预测方法及系统 | |
CN111079989B (zh) | 一种基于dwt-pca-lstm的供水公司供水量预测装置 | |
CN112512069B (zh) | 基于信道波束图样的网络智能优化方法及装置 | |
CN110222826A (zh) | 一种基于改进的EEMD-IndRNN船舶流量预测方法 | |
CN109063759A (zh) | 一种应用于图片多属性预测的神经网络结构搜索方法 | |
CN105046323B (zh) | 一种正则化rbf网络多标签分类方法 | |
Goethel et al. | Incorporating spatial population structure into the assessment-management interface of marine resources | |
CN109118082A (zh) | 电源接入系统评价体系灰色密切值评估模型 | |
CN111104831B (zh) | 一种视觉追踪方法、装置、计算机设备以及介质 | |
CN113379137A (zh) | 渔船作业区域的建模与预测方法、系统、存储介质、终端 | |
Li et al. | Radial basis function neural network model for dissolved oxygen concentration prediction based on an enhanced clustering algorithm and Adam | |
CN116865884A (zh) | 基于在线学习的宽带频谱感知方法 | |
CN116563602A (zh) | 基于类别级软目标监督的细粒度图像分类模型训练方法 | |
CN114298397A (zh) | 一种运用时序数据的深度强化学习建筑能耗预测方法 | |
CN113326976B (zh) | 一种基于时空关联的港口货运量在线预测方法及系统 | |
CN115759291A (zh) | 一种基于集成学习的空间非线性回归方法及系统 | |
CN115310648A (zh) | 一种基于多气象变量模型识别的中长期风电功率组合预测方法 | |
Battaglia et al. | A generalization of periodic autoregressive models for seasonal time series | |
CN110175645A (zh) | 一种确定保护装置型号的方法及计算装置 |
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 |