CN108376302A - 基于ap聚类的elm复杂石化行业生产能力的预测模型 - Google Patents

基于ap聚类的elm复杂石化行业生产能力的预测模型 Download PDF

Info

Publication number
CN108376302A
CN108376302A CN201810498840.3A CN201810498840A CN108376302A CN 108376302 A CN108376302 A CN 108376302A CN 201810498840 A CN201810498840 A CN 201810498840A CN 108376302 A CN108376302 A CN 108376302A
Authority
CN
China
Prior art keywords
petrochemical industry
elm
prediction model
hidden layer
production capacity
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
CN201810498840.3A
Other languages
English (en)
Inventor
韩永明
武昊
耿志强
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.)
Guizhou University
Original Assignee
Guizhou University
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 Guizhou University filed Critical Guizhou University
Priority to CN201810498840.3A priority Critical patent/CN108376302A/zh
Publication of CN108376302A publication Critical patent/CN108376302A/zh
Pending legal-status Critical Current

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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/35—Clustering; Classification
    • 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Forestry; Mining
    • 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mining & Mineral Resources (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Agronomy & Crop Science (AREA)
  • Animal Husbandry (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Databases & Information Systems (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种新型的基于AP聚类的ELM复杂石化行业生产能力的预测模型，针对传统神经网络模型对石化行业能效预测的不精确性，所述预测模型首先通过AP聚类算法将乙烯原料进行聚类，进而产生若干相似度较高的类别，减少了乙烯原料。然后将聚类结果作为ELM算法的训练集和测试集。本发明提供的预测模型提高了能效预测的精度，从而实现对石化行业能效的有效预测，解决了传统神经网络模型对石化行业能效预测的不精确性，提高了复杂石化行业的能源效率，实现了节能减排。同时，本发明也通过实验证明了所述预测模型的有效性和实用性。

Description

基于AP聚类的ELM复杂石化行业生产能力的预测模型
技术领域
本发明涉及石化行业生产能力预测的技术领域，尤其涉及一种基于AP聚类的ELM复杂石化行业生产能力的预测模型。
背景技术
目前，石化行业是我国能源消耗最大的行业。作为“石化行业的粮食”，乙烯是合成制造材料、合成纤维等产品的基本有机化工原料，广泛应用于生活、国防、科技等各个领域。乙烯生产过程的规模、产量和技术水平代表了一个国家石化行业的水平。2015年中国石化乙烯产量和平均燃料消耗量分别为11005.2千吨/年和559.06千克/吨乙烯。中国石油天然气集团的乙烯产量和平均燃料消耗量分别为5032千吨/年和594千克/吨乙烯。因此，就生产水平和生产效益而言，提高石化行业乙烯生产过程中的能源效率具有重要意义。现有技术对石化行业的能效预测提出了很多种解决办法，包括使用BP、RBF等神经网络进行预测，但是预测结果不是太好。
发明内容
为解决现有技术存在的局限和缺陷，本发明提供一种新型的基于AP聚类的ELM复杂石化行业生产能力的预测模型，包括：
获取石化行业的生产数据；
使用AP聚类算法对所述生产数据进行聚类，当所有数据点到最近的类代表点的相似度之和最大时，获得最优的类代表点的数据集合，所述相似度之和是R(i，k)与A(i，k)之和，其中R(i，k)表示数据对象k作为数据对象i的聚类中心的适合程度，A(i，k)表示数据对象i选择数据对象k作为聚类中心的适合程度，R(i，k)与A(i，k)的表达式为：
Rt+1(i，k)＝(1-λ)·Rt+1(i，k)+λ·Rt(i，k) (1)
At+1(i，k)＝(1-λ)·At+1(i，k)+λ·At(i，k) (3)
将所述数据集合作为ELM算法的训练集合和测试集合，通过训练和测试形成预测模型；
根据所述预测模型对石化行业生产能力进行预测。
可选的，所述将所述数据集合作为ELM算法的训练集合和测试集合，通过训练和测试形成预测模型的步骤包括：
设定输入层与隐含层之间的连接权重值为：
设定隐含层与输出层之间的连接权重值为：
设定所述隐含层的阈值为
n个样本的输出Y＝HV，其中Y∈Rm×n，所述隐含层的输出矩阵H为：
其中，g(x)为激活函数，wi和bi在训练之前随机确定；
所述隐含层的输出权重值为H+为所述隐含层的输出矩阵的Moore-Penrose广义逆；
根据所述输出权重值形成预测模型。
可选的，还包括：
设定所述隐含层的节点个数，所述ELM算法获得唯一的最优解。
本发明具有下述有益效果：
本发明提供了一种新型的基于AP聚类的ELM复杂石化行业生产能力的预测模型，针对传统神经网络模型对石化行业能效预测的不精确性，所述预测模型首先通过AP聚类算法将乙烯原料进行聚类，进而产生若干相似度较高的类别，减少了乙烯原料。然后将聚类结果作为ELM算法的训练集和测试集。本发明提供的预测模型提高了能效预测的精度，从而实现对石化行业能效的有效预测，解决了传统神经网络模型对石化行业能效预测的不精确性，提高了复杂石化行业的能源效率，实现了节能减排。同时，本发明也通过实验证明了所述预测模型的有效性和实用性。
附图说明
图1为本发明实施例一提供的乙烯生产流程图。
图2为本发明实施例一提供的预测模型流程图。
图3为本发明实施例一提供的乙烯产量的真实值与预测值的对比示意图。
图4为本发明实施例一提供的预测模型与其他预测模型的对比示意图。
具体实施方式
为使本领域的技术人员更好地理解本发明的技术方案，下面结合附图对本发明提供的基于AP聚类的ELM复杂石化行业生产能力的预测模型进行详细描述。
实施例一
近年来，我国乙烯产业有着迅猛的发展，产量位于世界第二。截止到2014年，乙烯的世界总产量达到1.5亿吨。在乙烯生产过程之中，原料直接关系到乙烯产品成本和产能耗能的情况，因此，世界乙烯原料一直得到关注。
图1为本发明实施例一提供的乙烯生产流程图。如图1所示，在乙烯生产过程中，乙烯裂解过程的能源消耗占50％左右，主要从两方面入手：一是供给能源，在同等产出和条件下，降低原料消耗；二是有效产品的产出，在相同能源消耗的条件下，通过预测以及优化控制提高产品的产量。本实施例提供的技术方案在同等产出和条件之下，利用AP聚类算法降低了原料的消耗，从而实现了乙烯原料的节约。
图2为本发明实施例一提供的预测模型流程图。如图2所示，首先选择需要处理的数据集合，本实施例选用复杂石化行业的乙烯数据；其次利用AP聚类算法对数据进行聚类，获得若干相似度较高的数据集合。AP聚类算法的目的是找到最优的类代表点的集合，使得所有数据点到最近的类代表点的相似度之和最大，其中相似度之和指的是R(i，k)和A(i，k)之和。AP聚类算法有两个重要的参数：其一是相似度矩阵S(i，k)，S(i，k)代表数据点Xk作为数据点Xi的聚类中心的适合程度。相似度矩阵可以是对称的也可以是不对称的，因此AP聚类算法扩大了聚类数据的范围。当i＝k时，S(i，k)代表偏向参数P(i)，P(i)越大，Xk点作为聚类中心的可能性就越大。初始化时，将所有的P(i)都设定为相同的值，即所有数据点成为聚类中心的可能性相同；其二是消息传递函数，AP聚类算法有两个重要的消息传递函数：吸引度Responsibility和归属度Availability。R(i，k)描述了数据对象k适合作为数据对象i的聚类中心的程度，表示的是从i到k的消息。A(i，k)描述了数据对象i选择数据对象k作为其据聚类中心的适合程度，表示从k到i的消息。R(i，k)与A(i，k)越大，那么数据对象k就越有可能作为聚类的中心。R(i，k)与A(i，k)的表达式如下：
Rt+1(i，k)＝(1-λ)·Rt+1(i，k)+λ·Rt(i，k) (1)
At+1(i，k)＝(1-λ)·At+1(i，k)+λ·At(i，k) (3)
本实施例将聚类之后的结果作为ELM算法的训练集和测试集进行预测。ELM算法是一种简单有效的单隐层前馈神经网络学习算法，与传统的BP、RBF神经网络相比，ELM算法在训练期间输入层到中间层的加权矩阵是由高斯分布直接生成的，仅需要计算出隐含层和输出层之间的加权矩阵即可。所以ELM算法具有参数容易选择，学习速度快、泛化能力好、鲁棒性强等优点。
本实施例中，ELM算法是由输入层、中间层和输出层构成的三层网络结构，输入层包含n维向量，隐含层包含L个节点(一般情况下L远小于n)，输出为m维的向量。ELM算法的特点是只要设置隐含层节点的个数，便可以获得唯一的最优解。这种三层网络结构的输出权重值是通过求解一个矩阵的Moore-Penrose广义逆获得，ELM神经网络的参数在确定的过程之中无需任何迭代步骤，从而大大降低了网络参数的调节时间。
本实施例设定输入层与隐含层之间的连接权重值为：
本实施例设定隐含层与输出层之间的连接权重值为：
本实施例设定所述隐含层的阈值为
n个样本的输出Y＝HV，其中Y∈Rm×n，所述隐含层的输出矩阵H为：
其中，g(x)为激活函数，wi和bi在训练之前随机确定。
所述隐含层的输出权重值为H+为所述隐含层的输出矩阵的Moore-Penrose广义逆。
图3为本发明实施例一提供的乙烯产量的真实值与预测值的对比示意图，图4为本发明实施例一提供的预测模型与其他预测模型的对比示意图。如图3-4所示，极限学习机可以将复杂的神经网络训练过程简化为矩阵求逆的问题，极大的提高了学习速度。最后，通过训练ELM能够实现对复杂石化行业生产中的乙烯产量的预测。最后将该模型的预测结果与其他神经网络预测结果作对比分析，证明了该预测模型的有效性与精确性。
为了验证AP-ELM预测模型的有效性，有必要使用标准数据集进行测试。本实施例选取UCI之中的两个经典的数据集，详细介绍如表1所示。
表1 AP-ELM对UCI数据集样本聚类
首先，本实施例将Wine数据集和Residential-Building数据集的原始数据用AP聚类算法进行聚类，两者均聚类为3类，之后将聚类结果分别作为ELM的测试集和训练集进行预测，最后将预测结果与其他神经网络进行对比，对比结果分别如表2和表3所示。
表2 Wine的不同预测模型的对比分析
通过表2可以看出，相比于其他预测模型，AP-ELM预测模型对于Wine模型的误差是最小的。此外，相比于其他预测模型，AP-ELM模型的预测精度分别提高了6％、11％、14％、29％。
表3 Residential-Building的不同预测模型的对比分析
通过表3可以看出，相比于其他预测模型，AP-ELM预测模型对于Residential-Building模型的误差是最小的。此外，相比于其他预测模型，AP-ELM模型的预测精度分别提高了0.8％、1.1％、1.3％、5％。
本实施例提供了一种新型的基于AP聚类的ELM复杂石化行业生产能力的预测模型，针对传统神经网络模型对石化行业能效预测的不精确性，所述预测模型首先通过AP聚类算法将乙烯原料进行聚类，进而产生若干相似度较高的类别，减少了乙烯原料。然后将聚类结果作为ELM算法的训练集和测试集。本实施例提供的预测模型提高了能效预测的精度，从而实现对石化行业能效的有效预测，解决了传统神经网络模型对石化行业能效预测的不精确性，提高了复杂石化行业的能源效率，实现了节能减排。同时，本实施例也通过实验证明了所述预测模型的有效性和实用性。
可以理解的是，以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式，然而本发明并不局限于此。对于本领域内的普通技术人员而言，在不脱离本发明的精神和实质的情况下，可以做出各种变型和改进，这些变型和改进也视为本发明的保护范围。

Claims (3)

1.一种新型的基于AP聚类的ELM复杂石化行业生产能力的预测模型，其特征在于，包括：
获取石化行业的生产数据；
使用AP聚类算法对所述生产数据进行聚类，当所有数据点到最近的类代表点的相似度之和最大时，获得最优的类代表点的数据集合，所述相似度之和是R(i，k)与A(i，k)之和，其中R(i，k)表示数据对象k作为数据对象i的聚类中心的适合程度，A(i，k)表示数据对象i选择数据对象k作为聚类中心的适合程度，R(i，k)与A(i，k)的表达式为：
Rt+1(i，k)＝(1-λ)·Rt+1(i，k)+λ·Rt(i，k) (1)
At+1(i，k)＝(1-λ)·At+1(i，k)+λ·At(i，k) (3)
将所述数据集合作为ELM算法的训练集合和测试集合，通过训练和测试形成预测模型；
根据所述预测模型对石化行业生产能力进行预测。
2.根据权利要求1所述的新型的基于AP聚类的ELM复杂石化行业生产能力的预测模型，其特征在于，所述将所述数据集合作为ELM算法的训练集合和测试集合，通过训练和测试形成预测模型的步骤包括：
设定输入层与隐含层之间的连接权重值为：
设定隐含层与输出层之间的连接权重值为：
设定所述隐含层的阈值为
n个样本的输出Y＝HV，其中Y∈Rm×n，所述隐含层的输出矩阵H为：
其中，g(x)为激活函数，wi和bi在训练之前随机确定；
所述隐含层的输出权重值为H+为所述隐含层的输出矩阵的Moore-Penrose广义逆；
根据所述输出权重值形成预测模型。
3.根据权利要求1所述的新型的基于AP聚类的ELM复杂石化行业生产能力的预测模型，其特征在于，还包括：
设定所述隐含层的节点个数，所述ELM算法获得唯一的最优解。
CN201810498840.3A 2018-05-23 2018-05-23 基于ap聚类的elm复杂石化行业生产能力的预测模型 Pending CN108376302A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810498840.3A CN108376302A (zh) 2018-05-23 2018-05-23 基于ap聚类的elm复杂石化行业生产能力的预测模型

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810498840.3A CN108376302A (zh) 2018-05-23 2018-05-23 基于ap聚类的elm复杂石化行业生产能力的预测模型

Publications (1)

Publication Number Publication Date
CN108376302A true CN108376302A (zh) 2018-08-07

Family

ID=63033591

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810498840.3A Pending CN108376302A (zh) 2018-05-23 2018-05-23 基于ap聚类的elm复杂石化行业生产能力的预测模型

Country Status (1)

Country Link
CN (1) CN108376302A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109636050A (zh) * 2018-12-19 2019-04-16 北京化工大学 基于mds的rbf对石化行业生产能力的预测模型
CN109670640A (zh) * 2018-12-17 2019-04-23 北京化工大学 基于ap算法的dea乙烯装置的能效评价方法
CN109948695A (zh) * 2019-03-18 2019-06-28 云南电网有限责任公司 一种基于近邻传播聚类算法的电网脆弱节点自动识别方法
CN111027799A (zh) * 2019-10-24 2020-04-17 山西云时代技术有限公司 一种国企产能分析系统
CN116977857A (zh) * 2023-08-07 2023-10-31 广东粤港供水有限公司 一种基于深度学习的隧道裂缝自动检测方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105913078A (zh) * 2016-04-07 2016-08-31 江南大学 改进自适应仿射传播聚类的多模型软测量方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105913078A (zh) * 2016-04-07 2016-08-31 江南大学 改进自适应仿射传播聚类的多模型软测量方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
DING等: "A novel self-adaptive extreme learning machine based on affinity propagation for radial basis function neural network", 《NEURAL COMPUTING AND APPLICATIONS》 *
GENG等: "Energy Analysis and Management Method of Complex Chemical Processes Based on Index Decomposition Analysis", 《2017 IEEE 6TH DATA DRIVEN CONTROL AND LEARNING SYSTEMS CONFERENCE》 *
XU等: "Self-adaptive Extreme Learning Machine Optimized by Rough", 《COGNITIVE COMPUTATION》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109670640A (zh) * 2018-12-17 2019-04-23 北京化工大学 基于ap算法的dea乙烯装置的能效评价方法
CN109636050A (zh) * 2018-12-19 2019-04-16 北京化工大学 基于mds的rbf对石化行业生产能力的预测模型
CN109636050B (zh) * 2018-12-19 2023-04-07 北京化工大学 基于mds的rbf对石化行业生产能力的预测模型
CN109948695A (zh) * 2019-03-18 2019-06-28 云南电网有限责任公司 一种基于近邻传播聚类算法的电网脆弱节点自动识别方法
CN111027799A (zh) * 2019-10-24 2020-04-17 山西云时代技术有限公司 一种国企产能分析系统
CN116977857A (zh) * 2023-08-07 2023-10-31 广东粤港供水有限公司 一种基于深度学习的隧道裂缝自动检测方法
CN116977857B (zh) * 2023-08-07 2024-06-11 广东粤港供水有限公司 一种基于深度学习的隧道裂缝自动检测方法

Similar Documents

Publication Publication Date Title
CN108376302A (zh) 基于ap聚类的elm复杂石化行业生产能力的预测模型
Kuo et al. Integration of particle swarm optimization and genetic algorithm for dynamic clustering
Sheikh et al. Genetic algorithm based clustering: a survey
Ballabio et al. Genetic algorithms for architecture optimisation of counter-propagation artificial neural networks
CN106991296B (zh) 基于随机化贪心特征选择的集成分类方法
Yan et al. Deep relevant representation learning for soft sensing
Wang et al. Improving semi-supervised co-forest algorithm in evolving data streams
CN108319987A (zh) 一种基于支持向量机的过滤-封装式组合流量特征选择方法
Shi et al. Multi-label ensemble learning
CN110581840B (zh) 基于双层异质集成学习器的入侵检测方法
Hu et al. A niching backtracking search algorithm with adaptive local search for multimodal multiobjective optimization
Li et al. Disentangled graph contrastive learning with independence promotion
Zhu et al. Evolving soft subspace clustering
CN105550578A (zh) 一种基于特征选择和决策树的网络异常分类规则提取方法
Li et al. Transformer fault diagnosis based on improved deep coupled dense convolutional neural network
Zhang et al. Ensemble of kernel extreme learning machine based elimination optimization for multi-label classification
Zhu et al. Multiobjective evolutionary algorithm-based soft subspace clustering
Xueli et al. An improved KNN algorithm based on kernel methods and attribute reduction
Dai et al. An opposition-based differential evolution clustering algorithm for emotional preference and migratory behavior optimization
CN115114484A (zh) 异常事件检测方法、装置、计算机设备和存储介质
CN114742208A (zh) 一种基于对比学习和对抗学习的图预训练学习方法
Singh et al. Hybrid approach for gene selection and classification using filter and genetic algorithm
Xiao et al. Graph neural networks with multiple prior knowledge for multi-omics data analysis
Shi et al. Multi-objective multi-label classification
Ji et al. An improved simulated annealing genetic algorithm of EEG feature selection in sleep stage

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

Application publication date: 20180807

RJ01 Rejection of invention patent application after publication