CN108710964A - 一种模糊时间序列水产养殖水质环境数据的预测方法 - Google Patents
一种模糊时间序列水产养殖水质环境数据的预测方法 Download PDFInfo
- Publication number
- CN108710964A CN108710964A CN201810311551.8A CN201810311551A CN108710964A CN 108710964 A CN108710964 A CN 108710964A CN 201810311551 A CN201810311551 A CN 201810311551A CN 108710964 A CN108710964 A CN 108710964A
- Authority
- CN
- China
- Prior art keywords
- fuzzy
- moment
- data
- water quality
- prediction
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 50
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000009360 aquaculture Methods 0.000 title claims abstract description 16
- 244000144974 aquaculture Species 0.000 title claims abstract description 16
- 230000007613 environmental effect Effects 0.000 title claims abstract description 10
- 238000012544 monitoring process Methods 0.000 claims abstract description 26
- 241001269238 Data Species 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 3
- 238000011161 development Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Life Sciences & Earth Sciences (AREA)
- Algebra (AREA)
- Molecular Biology (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Computational Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- Fuzzy Systems (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Biomedical Technology (AREA)
- Automation & Control Theory (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Primary Health Care (AREA)
Abstract
本发明涉及一种模糊时间序列水产养殖水质环境数据的预测方法,该方法包括步骤如下:第一步:计算水质监测历史数据中两个相邻数据的变动;第二步:定义论域;第三步:定义模糊集合;第四步:将水质传感器已监测到的历史数据模糊化,第五步:计算在时刻t的预测输出;第六步:将预测变化结果去模糊化;第七步:计算预测的时间序列的数值。本发明考虑到水质环境数据时间序列的非线性和数据不确定性的特点,采用模糊时间序列的方法来预测水质监测数据,该方法能够提高水质环境数据时间序列单步预测的预测精度,能够充分利用养殖水域以及养殖品种的历史数据,获得比一般时间序列预测模型更加理想的预测结果。
Description
技术领域
本发明属于水产养殖水质监测技术领域,尤其设及一种模糊时间序列水产养殖水质环境数据的预测方法。
背景技术
目前随着水产养殖业的大力发展,养殖水环境正在发生急剧变化、富营养化程度严重,极易引起水产品的生态异常现象,导致病害频发,损害水产品健康,对水产养殖造成巨大经济损失。水质环境监测技术应用于水产养殖的重要性已越来越得到我国水产养殖界的重视,该项技术在水产养殖业中的应用,将会极大地促进水产养殖业的健康发展。水质环境信息监控是实现高强度水产养殖的关键环节,通过监控水体温度、pH、溶解氧等对水产品生长环境有重大影响的水质因子,能够为水产品提供最佳的生长环境。
利用目前的自动在线监测系统,使用水质监测传感器自动采集水质环境数据,能够实现自动测量、实时传输及数据的广泛覆盖,代表了水产养殖水质环境监测的发展方向;但由于水产养殖水质因子在线监测数据中包含有大量的不确定信息或不确定因素,因此现阶段存在着测量精度低、数据易缺失的劣势,成为此类方法发展的瓶颈,阻碍了在水产养殖中的广泛应用。
发明内容
本发明的目的在于克服现有技术的不足,而提供一种模糊时间序列水产养殖水质环境数据的预测方法,
本发明解决其技术问题是采取以下技术方案实现的:
一种模糊时间序列水产养殖水质环境数据的预测方法,该方法是利用目前的自动在线监测系统,使用水质监测传感器自动采集水质环境数据,该方法包括步骤如下:
第一步:计算水质监测历史数据中两个相邻数据的变动,
计算得到任意两个相邻水质监测数据的最大增加量Imax和最大减小量Dmax,定义论域U=[Dmax-R1,Imax+R2],其中R1、R2为选取的适当的正实数;
第二步:水质监测历史数据为时间序列{X(t)∈R,t=1,2,…n},U为其论域,将论域U分为适当长度的区间u1,u2,…,um;
第三步:在论域U上,对于X(t)的模糊时间序列F(t)=(μ1(t),μ2(t),…,μn(t)),μi(t)是关于X(t)的模糊化变动的模糊集合,i=1,2,…,n,t=1,2,…n,将水质数据的变化以k个语言值描述,则相应语言变量为A1,A2,…,Ak,
其模糊集表达式如下:
第四步:根据上述定义的模糊集合,将水质传感器已监测到的历史数据模糊化,具体方法为:水质数据在时刻i时的变化数值为v,v∈uj,(j=1,2,…,k);选取uj取最大隶属度值时的模糊集Aj,(j=1,2,…,k);将变化数值v转换为模糊集Aj,(j=1,2,…,k);则F(t)在t和t-1之间的历史数据模糊变动为Aj,(j=1,2,…,k),即为向量f(t)=[μAj(u1),μAj(u2),…,μAj(um)];
第五步:选择适当的窗口值w,计算在时刻t的预测输出,
以数据模糊变动f(t-1)为时刻t的标准向量S(t)=f(t-1)=[s1 s2 … sm],
其中,f(t-1)是模糊时间序列F(t)在t-1和t-2之间的模糊变动,si为向量f(t-1)中相应的模糊集合,i=1,2,…,m,m是论域中元素的个数;
以矩阵为时刻t的操作矩阵O(t),
其中,f(t-i)是模糊时间序列F(t)在t-i和t-i-1之间的模糊变动,oij为向量f(t-i)中相应的模糊集合,i=2,3,…,w,j=1,2,…,m,w为选取的窗口值,m为论域中元素的个数;
前一时刻的水质数据变化和前w时刻的水质数据变化之间的模糊关系矩阵R(t)为:
其中,Rij=oij×sj,i=2,3,…,w,j=1,2,…,m;
则预测当前时刻将要发生的模糊变动F(t)为:
F(t)=[Max(R11 R21 … Rw1)Max(R12 R22 … Rw2)…Max(R1m R2m … Rwm)]第六步:将预测变化结果去模糊化,
设w1,w2,…,wn为论域U上输出元素的隶属度,以标准化的隶属度加权数,对各组中点作加权平均为其输出值,
即,输出值O=S1·M1+S2·M2+…+Sn·Mn,
其中为标准化后的隶属度,
Mi,(i=11,2,…,n)为指数分区的组的中点。
第七步:计算预测的时间序列的数值,
如果第i第时刻的模糊化的历史数据为Xi,为则其第i-k其时刻,第i-k-1时刻,…,第i-2时刻,第i-1时刻与第i时刻数据之间的模糊逻辑关系为(Xik),(Xi(k-1)),…,(Xi2),(Xi1)→Xj,其中,Xik,Xi(k-1),…,Xi2,Xi1表示第i-k时刻,第i-k-1时刻,…,第i-2时刻,第i-1时刻的模糊化值;
如果只有一个模糊关系匹配:
(Xik),(Xi(k-1)),…,(Xi2),(Xi1)→Xj
则第i时刻的预测值tj为:
当j=1时,
当2≤j≤n-1时,
当j=n时
其中,mj-1,mj和mj+1分别为区间uj-1,uj和uj+1的中点,
如果多个模糊关系匹配:
(Xik),(Xi(k-1)),…,(Xi2),(Xi1)→Xj2
·
且Xj1、Xj2…Xjp模糊关系库中出现的次数分别为nj1、nj2…njp
则第i的预测值tj为:
其中tj1,tj2,…,tjp依只有一个模糊关系匹配时tj计算,
如果不存在匹配的模糊关系:
(Xik),(Xi(k-1)),…,(Xi2),(Xi1)→#
则第i的预测值tj为:
其中tik,ti(k-1),…,ti1依只有一个模糊关系匹配时tj计算。
本发明的优点和积极效果是:
本发明利用时变或非时变的模糊关系式描述时间序列的动态过程,能够处理时间序列中的语言变量数据或模糊化数据,考虑到水质环境数据时间序列的非线性和数据不确定性等特点,采用模糊时间序列的方法来预测水质监测数据,该方法能够提高水质环境数据时间序列单步预测的预测精度,利用模糊时间序列处理水质环境数据时间序列能够充分利用养殖水域以及养殖品种的历史数据,获得比一般时间序列预测模型更加理想的预测结果。
附图说明
图1是本发明方法模糊时间序列数据预测流程图。
具体实施方式
以下结合附图对本发明实施例做进一步详述,需要强调的是,以下实施方式是说明性的,而不是限定性的,不能以此实施方式作为对本发明的限定。
一种模糊时间序列水产养殖水质环境数据的预测方法,该方法是利用目前的自动在线监测系统,使用水质监测传感器自动采集水质环境数据,如图1所示,该方法包括步骤如下:
第一步:计算水质监测历史数据中两个相邻数据的变动,
计算得到任意两个相邻水质监测数据的最大增加量Imax和最大减小量Dmax,定义论域U=[Dmax-R1,Imax+R2],其中R1、R2为选取的适当的正实数;
第二步:水质监测历史数据为时间序列{X(t)∈R,t=1,2,…n},U为其论域,将论域U分为适当长度的区间u1,u2,…,um;
第三步:在论域U上,对于X(t)的模糊时间序列F(t)=(μ1(t),μ2(t),…,μn(t)),μi(t)是关于X(t)的模糊化变动的模糊集合,i=1,2,…,n,t=1,2,…n,将水质数据的变化以k个语言值描述,则相应语言变量为A1,A2,…,Ak,
其模糊集表达式如下:
第四步:根据上述定义的模糊集合,将水质传感器已监测到的历史数据模糊化,具体方法为:水质数据在时刻i时的变化数值为v,v∈uj,(j=1,2,…,k);选取uj取最大隶属度值时的模糊集Aj,(j=1,2,…,k);将变化数值v转换为模糊集Aj,(j=1,2,…,k);则F(t)在t和t-1之间的历史数据模糊变动为Aj,(j=1,2,…,k),即为向量f(t)=[μAj(u1),μAj(u2),…,μAj(um)]
第五步:选择适当的窗口值w,计算在时刻t的预测输出,
以数据模糊变动f(t-1)为时刻t的标准向量S(t)=f(t-1)=[s1 s2 … sm],
其中,f(t-1)是模糊时间序列F(t)在t-1和t-2之间的模糊变动,si为向量f(t-1)中相应的模糊集合,i=1,2,…,m,m是论域中元素的个数;
以矩阵为时刻t的操作矩阵O(t),
其中,其中,f(t-i)是模糊时间序列F(t)在t-i和t-i-1之间的模糊变动,oij为向量f(t-i)中相应的模糊集合,i=2,3,…,w,j=1,2,…,m,w为选取的窗口值,m为论域中元素的个数;
前一时刻的水质数据变化和前w时刻的水质数据变化之间的模糊关系矩阵R(t)为:
其中,Rij=oij×sj,i=2,3,…,w,j=1,2,…,m;
则预测当前时刻将要发生的模糊变动F(t)为:
F(t)=[Max(R11 R21 … Rw1)Max(R12 R22 … Rw2)…Max(R1m R2m … Rwm)]
第六步:将预测变化结果去模糊化,
设w1,w2,…,wn为论域U上输出元素的隶属度,以标准化的隶属度加权数,对各组中点作加权平均为其输出值,
即,输出值O=S1·M1+S2·M2+…+Sn·Mn,
其中为标准化后的隶属度,
Mi,(i=11,2,…,n)为指数分区的组的中点。
第七步:计算预测的时间序列的数值,
如果第i第时刻的模糊化的历史数据为Xi,为则其第i-k其时刻,第i-k-1时刻,…,第i-2时刻,第i-1时刻与第i时刻数据之间的模糊逻辑关系为(Xik),(Xi(k-1)),…,(Xi2),(Xi1)→Xj,其中,Xik,Xi(k-1),…,Xi2,Xi1表示第i-k时刻,第i-k-1时刻,…,第i-2时刻,第i-1时刻的模糊化值;
如果只有一个模糊关系匹配:
(Xik),(Xi(k-1)),…,(Xi2),(Xi1)→Xj
则第i时刻的预测值tj为:
当j=1时,
当2≤j≤n-1时,
当j=n时
其中,mj-1,mj和mj+1分别为区间uj-1,uj和uj+1的中点,
如果多个模糊关系匹配:
(Xik),(Xi(k-1)),…,(Xi2),(Xi1)→Xj2
·
且Xj1、Xj2…Xjp模糊关系库中出现的次数分别为nj1、nj2…njp
则第i的预测值tj为:
其中tj1,tj2,…,tjp依只有一个模糊关系匹配时tj计算,如果不存在匹配的模糊关系:
(Xik),(Xi(k-1)),…,(Xi2),(Xi1)→#
则第i的预测值tj为:
其中tik,ti(k-1),…,ti1依只有一个模糊关系匹配时tj计算。
Claims (1)
1.一种模糊时间序列水产养殖水质环境数据的预测方法,该方法是利用目前的自动在线监测系统,使用水质监测传感器自动采集水质环境数据,其特征在于该方法包括步骤如下:
第一步:计算水质监测历史数据中两个相邻数据的变动,
计算得到任意两个相邻水质监测数据的最大增加量Imax和最大减小量Dmax,定义论域U=[Dmax-R1,Imax+R2],其中R1、R2为选取的适当的正实数;
第二步:水质监测历史数据为时间序列{X(t)∈R,t=1,2,…n},U为其论域,将论域U分为适当长度的区间u1,u2,…,um;
第三步:在论域U上,对于X(t)的模糊时间序列F(t)=(μ1(t),μ2(t),…,μn(t)),μi(t)是关于X(t)的模糊化变动的模糊集合,i=1,2,…,n,t=1,2,…n,将水质数据的变化以k个语言值描述,则相应语言变量为A1,A2,…,Ak,
其模糊集表达式如下:
第四步:根据上述定义的模糊集合,将水质传感器已监测到的历史数据模糊化,具体方法为:水质数据在时刻i时的变化数值为v,v∈uj,(j=1,2,…,k);选取uj取最大隶属度值时的模糊集Aj,(j=1,2,…,k);将变化数值v转换为模糊集Aj,(j=1,2,…,k);则F(t)在t和t-1之间的历史数据模糊变动为Aj,(j=1,2,…,k),即为向量f(t)=[μAj(u1),μAj(u2),…,μAj(um)];
第五步:选择适当的窗口值w,计算在时刻t的预测输出,
以数据模糊变动f(t-1)为时刻t的标准向量S(t)=f(t-1)=[s1 s2 … sm],
其中,f(t-1)是模糊时间序列F(t)在t-1和t-2之间的模糊变动,si为向量f(t-1)中相应的模糊集合,i=1,2,…,m,m是论域中元素的个数;
以矩阵为时刻t的操作矩阵O(t),
其中,f(t-i)是模糊时间序列F(t)在t-i和t-i-1之间的模糊变动,oij为向量f(t-i)中相应的模糊集合,i=2,3,…,w,j=1,2,…,m,w为选取的窗口值,m为论域中元素的个数;
前一时刻的水质数据变化和前w时刻的水质数据变化之间的模糊关系矩阵R(t)为:
其中,Rij=oij×sj,i=2,3,…,w,j=1,2,…,m;
则预测当前时刻将要发生的模糊变动F(t)为:
F(t)=[Max(R11 R21 … Rw1) Max(R12 R22 … Rw2) … Max(R1m R2m … Rwm)]
第六步:将预测变化结果去模糊化,
设w1,w2,…,wn为论域U上输出元素的隶属度,以标准化的隶属度加权数,对各组中点作加权平均为其输出值,
即,输出值O=S1·M1+S2·M2+…+Sn·Mn,
其中为标准化后的隶属度,
Mi,(i=11,2,…,n)为指数分区的组的中点;
第七步:计算预测的时间序列的数值,
如果第i第时刻的模糊化的历史数据为Xi,为则其第i-k其时刻,第i-k-1时刻,…,第i-2时刻,第i-1时刻与第i时刻数据之间的模糊逻辑关系为
(Xik),(Xi(k-1)),…,(Xi2),(Xi1)→Xj,其中,Xik,Xi(k-1),…,Xi2,Xi1表示第i-k时刻,第i-k-1时刻,…,第i-2时刻,第i-1时刻的模糊化值;
如果只有一个模糊关系匹配:
(Xik),(Xi(k-1)),…,(Xi2),(Xi1)→Xj
则第i时刻的预测值tj为:
当j=1时,
当2≤j≤n-1时,
当j=n时
其中,mj-1,mj和mj+1分别为区间uj-1,uj和uj+1的中点,
如果多个模糊关系匹配:
(Xik),(Xi(k-1)),…,(Xi2),(Xi1)→Xj2
且Xj1、Xj2…Xjp模糊关系库中出现的次数分别为nj1、nj2…njp
则第i的预测值tj为:
其中tj1,tj2,…,tjp依只有一个模糊关系匹配时tj计算,
如果不存在匹配的模糊关系:
(Xik),(Xi(k-1)),…,(Xi2),(Xi1)→#
则第i的预测值tj为:
其中tik,ti(k-1),…,ti1依只有一个模糊关系匹配时tj计算。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810311551.8A CN108710964A (zh) | 2018-04-09 | 2018-04-09 | 一种模糊时间序列水产养殖水质环境数据的预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810311551.8A CN108710964A (zh) | 2018-04-09 | 2018-04-09 | 一种模糊时间序列水产养殖水质环境数据的预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108710964A true CN108710964A (zh) | 2018-10-26 |
Family
ID=63867118
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810311551.8A Pending CN108710964A (zh) | 2018-04-09 | 2018-04-09 | 一种模糊时间序列水产养殖水质环境数据的预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108710964A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109460608A (zh) * | 2018-11-09 | 2019-03-12 | 东北大学 | 一种基于模糊时间序列的高陡边坡形变预测的方法 |
CN111412758A (zh) * | 2020-04-14 | 2020-07-14 | 福建三钢闽光股份有限公司 | 一种自动聚类模糊时间序列的加热炉炉温控制器 |
CN112215484A (zh) * | 2020-09-30 | 2021-01-12 | 天津科技大学 | 一种基于改进模糊的水产养殖水质综合评价法 |
CN112381334A (zh) * | 2020-12-09 | 2021-02-19 | 鞍钢集团矿业有限公司 | 基于多因素模糊时间序列的高陡边坡形变趋势预测的方法 |
CN114340384A (zh) * | 2019-08-20 | 2022-04-12 | 卡塞株式会社 | 养殖池用水质管理装置和方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105023071A (zh) * | 2015-08-14 | 2015-11-04 | 中国科学院重庆绿色智能技术研究院 | 一种基于高斯云变换和模糊时间序列的水质预测方法 |
-
2018
- 2018-04-09 CN CN201810311551.8A patent/CN108710964A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105023071A (zh) * | 2015-08-14 | 2015-11-04 | 中国科学院重庆绿色智能技术研究院 | 一种基于高斯云变换和模糊时间序列的水质预测方法 |
Non-Patent Citations (3)
Title |
---|
倪明: "模糊时间序列预测模型研究及其在污水处理上的应用", 《中国优秀硕士学位论文全文数据库 工程科技1辑(月刊)》 * |
孙曦浩等: "太湖水质的改进模糊时间序列的预测模型", 《科技与创新》 * |
孟辉: "智能化水质预测模型研究", 《万方期刊数据库》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109460608A (zh) * | 2018-11-09 | 2019-03-12 | 东北大学 | 一种基于模糊时间序列的高陡边坡形变预测的方法 |
CN109460608B (zh) * | 2018-11-09 | 2022-11-25 | 东北大学 | 一种基于模糊时间序列的高陡边坡形变预测的方法 |
CN114340384A (zh) * | 2019-08-20 | 2022-04-12 | 卡塞株式会社 | 养殖池用水质管理装置和方法 |
CN114340384B (zh) * | 2019-08-20 | 2023-09-26 | 卡塞株式会社 | 养殖池用水质管理装置和方法 |
CN111412758A (zh) * | 2020-04-14 | 2020-07-14 | 福建三钢闽光股份有限公司 | 一种自动聚类模糊时间序列的加热炉炉温控制器 |
CN112215484A (zh) * | 2020-09-30 | 2021-01-12 | 天津科技大学 | 一种基于改进模糊的水产养殖水质综合评价法 |
CN112381334A (zh) * | 2020-12-09 | 2021-02-19 | 鞍钢集团矿业有限公司 | 基于多因素模糊时间序列的高陡边坡形变趋势预测的方法 |
CN112381334B (zh) * | 2020-12-09 | 2024-02-13 | 鞍钢集团矿业有限公司 | 基于多因素模糊时间序列的高陡边坡形变趋势预测的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108710964A (zh) | 一种模糊时间序列水产养殖水质环境数据的预测方法 | |
CN108898215B (zh) | 一种基于二型模糊神经网络的污泥膨胀智能辨识方法 | |
CN108846199B (zh) | 基于时空一体化的特高拱坝变形时空序列预测方法 | |
CN115018021B (zh) | 基于图结构与异常注意力机制的机房异常检测方法及装置 | |
CN110991690B (zh) | 一种基于深度卷积神经网络的多时次风速预测方法 | |
CN104914723B (zh) | 基于协同训练偏最小二乘模型的工业过程软测量建模方法 | |
CN109670580A (zh) | 一种基于时间序列的数据修复方法 | |
CN110689171A (zh) | 一种基于e-lstm的汽轮机健康状态预测方法 | |
JPH1091208A (ja) | プロセス運転支援方法およびシステム | |
CN111160620A (zh) | 一种基于端到端记忆网络的短期风电功率预测方法 | |
CN114169638A (zh) | 一种水质预测方法及装置 | |
CN112288193A (zh) | 基于注意力机制的gru深度学习的海洋站表层盐度预测方法 | |
CN116434777B (zh) | 基于多级注意力和特征融合的变压器故障诊断方法及系统 | |
Jia et al. | Water quality prediction method based on LSTM-BP | |
CN116975645A (zh) | 一种基于vae-mrcnn的工业过程软测量建模方法 | |
Sun et al. | Intelligent fault diagnosis scheme for rolling bearing based on domain adaptation in one dimensional feature matching | |
CN114330089B (zh) | 一种稀土元素含量变化预测方法及系统 | |
Zhang et al. | Collaborative Forecasting and Analysis of Fish Catch in Hokkaido From Multiple Scales by Using Neural Network and ARIMA Model | |
Zhao | The water potability prediction based on active support vector machine and artificial neural network | |
CN115274009A (zh) | 基于半监督gru回归模型的聚酯熔体质量在线预测方法 | |
Kang et al. | Research on forecasting method for effluent ammonia nitrogen concentration based on GRA-TCN | |
CN111444614B (zh) | 一种基于图卷积的流场重构方法 | |
Zhou | Optimization modeling for GM (1, 1) model based on BP neural network | |
Xiaozhi et al. | Fault Diagnosis Based on Sparse Semi-supervised GAN Model | |
CN111797987A (zh) | 一种动态机器学习方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20181026 |
|
WD01 | Invention patent application deemed withdrawn after publication |