CN108459570A - 基于生成对抗网络架构的灌溉配水智能控制系统及方法 - Google Patents

基于生成对抗网络架构的灌溉配水智能控制系统及方法 Download PDF

Info

Publication number
CN108459570A
CN108459570A CN201810210376.3A CN201810210376A CN108459570A CN 108459570 A CN108459570 A CN 108459570A CN 201810210376 A CN201810210376 A CN 201810210376A CN 108459570 A CN108459570 A CN 108459570A
Authority
CN
China
Prior art keywords
convolutional network
network
water distribution
convolutional
differentiate
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
Application number
CN201810210376.3A
Other languages
English (en)
Other versions
CN108459570B (zh
Inventor
朱金秀
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.)
Changzhou Campus of Hohai University
Original Assignee
Changzhou Campus of Hohai 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 Changzhou Campus of Hohai University filed Critical Changzhou Campus of Hohai University
Priority to CN201810210376.3A priority Critical patent/CN108459570B/zh
Publication of CN108459570A publication Critical patent/CN108459570A/zh
Application granted granted Critical
Publication of CN108459570B publication Critical patent/CN108459570B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/41865—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by job scheduling, process planning, material flow
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Manufacturing & Machinery (AREA)
  • Quality & Reliability (AREA)
  • Automation & Control Theory (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于生成对抗网络架构的灌溉配水智能控制系统，该系统采用生成对抗网络框架，包括生成卷积网络和判别卷积网络；生成卷积网络：输入各河段用水量、闸门上下游水位以及过闸流量的历史数据，输出闸门开度和闸门配水时间；判别卷积网络：判断生成卷积网络输出的闸门开度和闸门配水时间分别与实际的闸门开度和闸门配水时间是否一致。同时也公开了该系统的方法。本发明根据历史数据训练生成卷积网络，利用训练好的生成卷积网络建立配水系统河网中各个河段用水量、闸门上下游水位、过闸流量与闸门开度、闸门配水时间的数学模型，实现灌溉配水河网闸群联调控制，达到系统整体配水调度最优化。

Description

基于生成对抗网络架构的灌溉配水智能控制系统及方法
技术领域
本发明涉及一种基于生成对抗网络架构的灌溉配水智能控制系统及方法，属于灌溉配水系统智能控制领域。
背景技术
水资源不足已成为社会经济发展的主要限制因素之一，农业生产用水占全国总用水量的70％，而灌溉用水在农业用水中占相当大的比重。配水系统就是在满足用水量的条件下，根据水闸的水位、闸门开度组合情况，动态、实时和智能控制闸群联动，实现水量在空间和时间上的合理分配，实现水资源的高效利用，提高水资源的利用率。现有的配水系统分为就地控制、集中控制和远程控制闸门方式，随着计算机及自动控制技术的应用，远程控制方式应用越来越多，管理人员可在控制中心实现对闸门的远程操作，但大部分的闸门开度主要依靠人工来进行测算和控制，没有采用深度学习技术，无法动态跟踪水位变化和相关闸门状态，不能充分发挥闸群的整体效益，实现系统闸群联调与系统整体配水调度最优化。
发明内容
为了解决上述技术问题，本发明提供了一种基于生成对抗网络架构的灌溉配水智能控制系统及方法。
为了达到上述目的，本发明所采用的技术方案是：
基于生成对抗网络架构的灌溉配水智能控制系统，所述系统采用生成对抗网络框架，包括生成卷积网络和判别卷积网络；
生成卷积网络：输入各河段用水量、闸门上下游水位以及过闸流量的历史数据，输出闸门开度和闸门配水时间；
判别卷积网络：判断生成卷积网络输出的闸门开度和闸门配水时间分别与实际的闸门开度和闸门配水时间是否一致。
基于生成对抗网络架构的灌溉配水智能控制系统的方法，包括以下步骤，
设置系统训练次数，初始化生成卷积网络和判别卷积网络；
固定判别卷积网络，训练生成卷积网络，固定生成卷积网络，训练判别卷积网络；
根据训练次数，完成判别卷积网络和生成卷积网络的训练；
将训练完成的生成卷积网络作为控制模型，即输入各河段用水量、闸门上下游水位以及过闸流量的实际数据，预测闸门开度和闸门配水时间；
根据预测的闸门开度和闸门配水时间，控制各闸门开度和配水时间。
初始化生成卷积网络，即设置生成卷积网络的代价函数、网络结构、初始参数以及梯度更新算法；
初始化判别卷积网络，即设置判别卷积网络的损失函数、网络结构、初始参数以及梯度更新算法。
生成卷积网络的代价函数为，
其中，为生成卷积网络的代价函数，Y为生成卷积网络输出，XQ为过闸流量，λ为权重系数，A为权重系数矢量，B为生成卷积网络输出的闸门开度，hu为闸门上下游水位，为l2范数，β为权重系数，Z为实际的闸门开度和闸门配水时间，|| ||1为l1范数，θg为生成卷积网络参数，G(Y；θg)为生成卷积网络在固定θg时的输出，θd为判别卷积网络参数，D(G(Y；θg)；θd)为在固定θd时，判别卷积网络对于生成卷积网络输出Y的真实性概率判定结果，EY为对于Y的真实性概率判定数学期望。
生成卷积网络的网络结构包括2个卷积层、1个反卷积层和1个输出层。
生成卷积网络的梯度更新算法针对最小化采用自适应矩估计一阶优化梯度算法，使得生成的Y概率分布尽量接近Z。
判别卷积网络的损失函数为，
其中，Z为实际的闸门开度和闸门配水时间，为判别卷积网络的损失函数，D(Z；θd)为判别卷积网络对于Z的概率判定结果，EZ为Z的概率判定数学期望，D(G(Y；θg)；θd)为在固定θg时，判别卷积网络对于生成卷积网络输出Y的真实性概率判定结果，EY为对于Y的真实性概率判定数学期望。
判别卷积网络的网络结构包括2个卷积层和1个输出层。
判别卷积网络的梯度更新算法针对最小化采用自适应矩估计一阶优化梯度算法，使判别卷积网络最大判别出Y与Z的区别。
存储各河段实际用水量、闸门上下游水位、过闸流量、闸门开度和闸门配水时间，采用离线方式训练生成卷积网络，对使用的生成卷积网络定时修正。
本发明所达到的有益效果：本发明根据历史数据训练生成卷积网络，利用训练好的生成卷积网络建立配水系统河网中各个河段用水量、闸门上下游水位、过闸流量与闸门开度、闸门配水时间的数学模型，实现灌溉配水河网闸群联调控制，达到系统整体配水调度最优化。
附图说明
图1为本发明系统的总框图；
图2为本发明方法的流程图；
图3为利用目标生成卷积网络灌溉配水智能控制方法图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
如图1所示，基于生成对抗网络架构的灌溉配水智能控制系统，该系统采用生成对抗网络框架，包括生成卷积网络(GCCN)和判别卷积网络(DCCN)。
GCCN：输入各河段用水量、闸门上下游水位以及过闸流量的历史数据，输出闸门开度和闸门配水时间。DCCN：用于辅助以及提高GCCN的“生成”能力，判断GCCN输出的闸门开度和闸门配水时间分别与实际的闸门开度和闸门配水时间是否一致，其输入为GCCN输出以及闸门开度、闸门配水时间的历史数据，输出为1(真)或0(假)。
如图2所述，上述系统的方法，包括以下步骤：
1)设置系统训练次数(即图中的M)，初始化GCCN和DCCN。
初始化GCCN，即设置GCCN的代价函数、网络结构、初始参数以及梯度更新算法。
GCCN初始参数采用正态随机分布初始化GCCN内部参数即GCCN的所有权值初始值W0和阈值初始值b0。
在生成对抗约束的基础上，进一步结合河网水动力约束以及生成数据与实际数据一致性约束构成GCCN的代价函数，GCCN的代价函数为：
其中，为生成卷积网络的代价函数，Y为生成卷积网络输出，XQ为过闸流量，λ为权重系数，A为权重系数矢量，B为生成卷积网络输出的闸门开度，hu为闸门上下游水位，为l2范数，β为权重系数，Z为实际的闸门开度和闸门配水时间，|| ||1为l1范数，θg为生成卷积网络参数，G(Y；θg)为生成卷积网络在固定θg时的输出，θd为判别卷积网络参数，D(G(Y；θg)；θd)为在固定θd时，判别卷积网络对于生成卷积网络输出Y的真实性概率判定结果，EY为对于Y的真实性概率判定数学期望。
将用水量、闸门上下游水位、过闸流量的历史数据以采集时间为行基准，按闸门号次序依次组成N＝n×4个列数据向量，如下式所示组成矩阵X作为GCCN的输入，其中n为配水系统中闸门总数；
根据GCCN输入与输出关系，GCCN的网络结构包括2个卷积层、1个反卷积层和1个输出层。第一卷积层包含有N个1*4大小的卷积核，步长为4，其中N为矩阵X的行数，设计步长为4的目的是建立每个闸门的参数联系，用ReLU激活；第二卷积层，包含有N/2个m*1大小的卷积核，步长为1，其中m根据河网结构设定，范围为[2，4]，该卷积层用于建立河段上下游闸门之间的输入关系，用带参数的ReLU激活；反卷积层包含有1*2大小的反卷积核，步长为1，用Sigmoid激活，得到生成卷积网络的输出。
带参数的ReLU激活函数，即PReLU的表达式为：
PReLU(h)＝max(0,h)+μ·min(0,h)
其中，h为PreLU的输入，μ为激活函数中的权重系数，即第二卷积层卷积之后的结果h经过ReLU激活函数得到输出PReLU(h)。
Sigmoid激活函数的表达式为：
其中，p为Sigmoid激活函数的输入，即反卷积层反卷积之后的结果p经过Sigmoid激活函数得到输出S(p)。
X经过GCCN生产Y，
矩阵Y包括n×2列数据，按闸门号次序依次为闸门开度列向量数据、闸门配水时间列向量数据，同样以采集时间为行基准，生成矩阵Y的行数和X相同。
GCCN的梯度更新算法：采用自适应矩估计(Adam)一阶优化梯度算法，根据最小化代价函数进行优化更新θg。
初始化DCCN，即设置DCCN的损失函数、网络结构、初始参数以及梯度更新算法。
DCCN初始参数采用正态随机分布初始化DCCN内部参数
将闸门开度、闸门配水时间以采集时间为行基准，按闸门号次序依次组成n×2个列向量，并组成矩阵Z，Z以及GCCN生成矩阵Y作为DCCN的输入。
DCCN损失函数为：
其中，Z为实际的闸门开度和闸门配水时间，为判别卷积网络的损失函数，D(Z；θd)为判别卷积网络对于Z的概率判定结果，EZ为Z的概率判定数学期望，D(G(Y；θg)；θd)为在固定θg时，判别卷积网络对于生成卷积网络输出Y的真实性概率判定结果，EY为对于Y的真实性概率判定数学期望。
根据DCCN输入与输出关系，DCCN的网络结构包括2个卷积层和1个输出层。第一卷积层包含有N个1*2大小的卷积核，设置卷积步长为4替代池化进行降维，使用与GCCN相同的ReLU激活；第二卷积层包含有N/4个m*1大小的卷积核，步长为1；线性输出层，使用与GCCN相同的Sigmoid激活，得到输出概率。
DCCN的梯度更新算法：采用自适应矩估计(Adam)一阶优化梯度算法，根据最小化代价函数进行优化更新θd。
2)固定DCCN，训练GCCN。
固定DCCN的参数θd，GCCN根据其代价函数采用自适应矩估计(Adam)一阶优化梯度算法完成GCCN参数θg的更新。
3)固定GCCN，训练DCCN。
固定GCCN的参数θg，根据DCCN的损失函数采用自适应矩估计(Adam)一阶优化梯度算法完成DCCN参数θd的更新。
4)根据训练次数，重复步骤2和3，完成DCCN和GCCN的训练。
5)将训练完成的GCCN作为控制模型，即输入各河段用水量、闸门上下游水位以及过闸流量的实际数据，预测闸门开度和闸门配水时间。
6)根据预测的闸门开度和闸门配水时间，控制各闸门开度和配水时间。
在实际应用中，为了进一步提高配水精度，如图3所示，存储各河段实际用水量、闸门上下游水位、过闸流量、闸门开度和闸门配水时间，采用离线方式训练GCCN，对使用的GCCN定时修正。
上述方法根据历史数据训练生成卷积网络，利用训练好的生成卷积网络建立配水系统河网中各个河段用水量、闸门上下游水位、过闸流量与闸门开度、闸门配水时间的数学模型，实现灌溉配水河网闸群联调控制，达到系统整体配水调度最优化。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (10)

1.基于生成对抗网络架构的灌溉配水智能控制系统，其特征在于：所述系统采用生成对抗网络框架，包括生成卷积网络和判别卷积网络；
生成卷积网络：输入各河段用水量、闸门上下游水位以及过闸流量的历史数据，输出闸门开度和闸门配水时间；
判别卷积网络：判断生成卷积网络输出的闸门开度和闸门配水时间分别与实际的闸门开度和闸门配水时间是否一致。
2.基于权利要求1所述的基于生成对抗网络架构的灌溉配水智能控制系统的方法，其特征在于：包括以下步骤，
设置系统训练次数，初始化生成卷积网络和判别卷积网络；
固定判别卷积网络，训练生成卷积网络，固定生成卷积网络，训练判别卷积网络；
根据训练次数，完成判别卷积网络和生成卷积网络的训练；
将训练完成的生成卷积网络作为控制模型，即输入各河段用水量、闸门上下游水位以及过闸流量的实际数据，预测闸门开度和闸门配水时间；
根据预测的闸门开度和闸门配水时间，控制各闸门开度和配水时间。
3.根据权利要求2所述的基于生成对抗网络架构的灌溉配水智能控制系统的方法，其特征在于：初始化生成卷积网络，即设置生成卷积网络的代价函数、网络结构、初始参数以及梯度更新算法；
初始化判别卷积网络，即设置判别卷积网络的损失函数、网络结构、初始参数以及梯度更新算法。
4.根据权利要求3所述的基于生成对抗网络架构的灌溉配水智能控制系统的方法，其特征在于：生成卷积网络的代价函数为，
其中，为生成卷积网络的代价函数，Y为生成卷积网络输出，XQ为过闸流量，λ为权重系数，A为权重系数矢量，B为生成卷积网络输出的闸门开度，hu为闸门上下游水位，为l2范数，β为权重系数，Z为实际的闸门开度和闸门配水时间，|| ||1为l1范数，θg为生成卷积网络参数，G(Y；θg)为生成卷积网络在固定θg时的输出，θd为判别卷积网络参数，D(G(Y；θg)；θd)为在固定θd时，判别卷积网络对于生成卷积网络输出Y的真实性概率判定结果，EY为对于Y的真实性概率判定数学期望。
5.根据权利要求3所述的基于生成对抗网络架构的灌溉配水智能控制系统的方法，其特征在于：生成卷积网络的网络结构包括2个卷积层、1个反卷积层和1个输出层。
6.根据权利要求3所述的基于生成对抗网络架构的灌溉配水智能控制系统的方法，其特征在于：生成卷积网络的梯度更新算法针对最小化采用自适应矩估计一阶优化梯度算法。
7.根据权利要求3所述的基于生成对抗网络架构的灌溉配水智能控制系统的方法，其特征在于：判别卷积网络的损失函数为，
其中，Z为实际的闸门开度和闸门配水时间，为判别卷积网络的损失函数，D(Z；θd)为判别卷积网络对于Z的概率判定结果，EZ为Z的概率判定数学期望，D(G(Y；θg)；θd)为在固定θg时，判别卷积网络对于生成卷积网络输出Y的真实性概率判定结果，EY为对于Y的真实性概率判定数学期望。
8.根据权利要求3所述的基于生成对抗网络架构的灌溉配水智能控制系统的方法，其特征在于：判别卷积网络的网络结构包括2个卷积层和1个输出层。
9.根据权利要求3所述的基于生成对抗网络架构的灌溉配水智能控制系统的方法，其特征在于：判别卷积网络的梯度更新算法针对最小化采用自适应矩估计一阶优化梯度算法。
10.根据权利要求2所述的基于生成对抗网络架构的灌溉配水智能控制系统的方法，其特征在于：存储各河段实际用水量、闸门上下游水位、过闸流量、闸门开度和闸门配水时间，采用离线方式训练生成卷积网络，对使用的生成卷积网络定时修正。
CN201810210376.3A 2018-03-14 2018-03-14 基于生成对抗网络架构的灌溉配水智能控制系统及方法 Active CN108459570B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810210376.3A CN108459570B (zh) 2018-03-14 2018-03-14 基于生成对抗网络架构的灌溉配水智能控制系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810210376.3A CN108459570B (zh) 2018-03-14 2018-03-14 基于生成对抗网络架构的灌溉配水智能控制系统及方法

Publications (2)

Publication Number Publication Date
CN108459570A true CN108459570A (zh) 2018-08-28
CN108459570B CN108459570B (zh) 2021-07-27

Family

ID=63219971

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810210376.3A Active CN108459570B (zh) 2018-03-14 2018-03-14 基于生成对抗网络架构的灌溉配水智能控制系统及方法

Country Status (1)

Country Link
CN (1) CN108459570B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110956591A (zh) * 2019-11-06 2020-04-03 河海大学 一种基于深度卷积生成对抗网络的大坝裂缝图像数据增强方法
CN113050565A (zh) * 2021-03-12 2021-06-29 北京航空航天大学杭州创新研究院 闸门控制方法和装置、电子设备及存储介质
CN116068883A (zh) * 2023-03-06 2023-05-05 山东慧点智能技术有限公司 一种水利闸门的远程智能控制方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101403929A (zh) * 2008-11-06 2009-04-08 清华大学 一种自动控制闸门泄流量的方法和系统
CN107358626A (zh) * 2017-07-17 2017-11-17 清华大学深圳研究生院 一种利用条件生成对抗网络计算视差的方法
CN107392312A (zh) * 2017-06-01 2017-11-24 华南理工大学 一种基于dcgan性能的动态调整算法
CN107563509A (zh) * 2017-07-17 2018-01-09 华南理工大学 一种基于特征返回的条件dcgan模型的动态调整算法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101403929A (zh) * 2008-11-06 2009-04-08 清华大学 一种自动控制闸门泄流量的方法和系统
CN107392312A (zh) * 2017-06-01 2017-11-24 华南理工大学 一种基于dcgan性能的动态调整算法
CN107358626A (zh) * 2017-07-17 2017-11-17 清华大学深圳研究生院 一种利用条件生成对抗网络计算视差的方法
CN107563509A (zh) * 2017-07-17 2018-01-09 华南理工大学 一种基于特征返回的条件dcgan模型的动态调整算法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李卓蓉: "生成式对抗网络研究及其应用", 《博士学位论文数据库》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110956591A (zh) * 2019-11-06 2020-04-03 河海大学 一种基于深度卷积生成对抗网络的大坝裂缝图像数据增强方法
CN113050565A (zh) * 2021-03-12 2021-06-29 北京航空航天大学杭州创新研究院 闸门控制方法和装置、电子设备及存储介质
CN113050565B (zh) * 2021-03-12 2022-05-20 北京航空航天大学杭州创新研究院 闸门控制方法和装置、电子设备及存储介质
CN116068883A (zh) * 2023-03-06 2023-05-05 山东慧点智能技术有限公司 一种水利闸门的远程智能控制方法及系统

Also Published As

Publication number Publication date
CN108459570B (zh) 2021-07-27

Similar Documents

Publication Publication Date Title
CN104392143B (zh) 一种自适应量子神经网络汽轮机故障趋势预测方法
CN107121679A (zh) 用于雷达回波外推的循环神经网络预测法及记忆单元结构
CN108459570A (zh) 基于生成对抗网络架构的灌溉配水智能控制系统及方法
CN101598109B (zh) 一种风力发电机偏航系统的智能控制方法
CN114217524B (zh) 一种基于深度强化学习的电网实时自适应决策方法
CN103235620A (zh) 基于全局变量预测模型的温室环境智能控制方法
CN108921298A (zh) 强化学习多智能体沟通与决策方法
Wang et al. Simulation with RBF neural network model for reservoir operation rules
CN102682345A (zh) 基于双最优学习率快速学习神经网络的交通流预测方法
Yasar Optimization of reservoir operation using cuckoo search algorithm: example of Adiguzel Dam, Denizli, Turkey
CN104050505A (zh) 一种基于带学习因子蜂群算法的多层感知器训练方法
CN108594793A (zh) 一种改进的rbf飞控系统故障诊断网络训练方法
CN109635938A (zh) 一种自主学习脉冲神经网络权值量化方法
CN109460874A (zh) 一种基于深度学习的有义波高预测方法
CN108376294A (zh) 一种供能反馈与气象因素的热负荷预测方法
Liu et al. Bayesian regularized NAR neural network based short-term prediction method of water consumption
CN102063640B (zh) 基于效用差分网络的机器人行为学习模型
Xu et al. Data mining-an adaptive neural network model for financial analysis
Du et al. Short-term water level prediction of Hongze Lake by Prophet-LSTM combined model based on LAE
Sulistiyo et al. Evolution strategies for weight optimization of Artificial Neural Network in time series prediction
Zhang et al. Evaluation model of enterprise operation based on BP neural network optimization algorithm
CN115018179A (zh) 一种基于CNN-BiGRU超短期电力负荷预测方法
CN110348121A (zh) 一种水电系统应对径流变化适应性调控与评价方法及系统
Gao et al. Real-time prediction of ship motion based on improved empirical mode composition and dynamic residual neural network
Wang et al. Adaptive neuro-fuzzy inference system on downstream water level forecasting

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