CN109346177A - 一种基于改进ga-bp算法的疾病症状数量预测方法 - Google Patents
一种基于改进ga-bp算法的疾病症状数量预测方法 Download PDFInfo
- Publication number
- CN109346177A CN109346177A CN201811051875.9A CN201811051875A CN109346177A CN 109346177 A CN109346177 A CN 109346177A CN 201811051875 A CN201811051875 A CN 201811051875A CN 109346177 A CN109346177 A CN 109346177A
- Authority
- CN
- China
- Prior art keywords
- algorithm
- network
- threshold value
- follows
- formula
- 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
- 201000010099 disease Diseases 0.000 title claims abstract description 15
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 15
- 238000000034 method Methods 0.000 title claims abstract description 12
- 208000024891 symptom Diseases 0.000 title claims abstract description 12
- 239000002245 particle Substances 0.000 claims abstract description 31
- 230000002068 genetic effect Effects 0.000 claims abstract description 16
- 238000013528 artificial neural network Methods 0.000 claims abstract description 13
- 210000002569 neuron Anatomy 0.000 claims description 10
- 210000000349 chromosome Anatomy 0.000 claims description 9
- 230000035772 mutation Effects 0.000 claims description 6
- 108090000623 proteins and genes Proteins 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 230000009191 jumping Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 abstract 1
- 206010011224 Cough Diseases 0.000 description 2
- 206010037660 Pyrexia Diseases 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000006806 disease prevention Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Abstract
本发明涉及一种基于改进GA‑BP算法的疾病症状数量预测方法,属于人工智能算法技术领域。本发明利用遗传算法、粒子群算法和BP神经网络相结合,解决了传统BP网络容易陷入局部极小点、收敛速度慢等缺点,提高了预测的精确度。本发明先建立疾病症状数据库,并对数据预处理;然后根据预测对象确定网络拓扑结构,初始化BP神经网络的权值和阈值、初始化遗传参数;接着通过建立的BP神经网络训练所有样本,并计算其适应度函数,通过遗传算法求得最优适应度值及最优个体,获得最优的权值及阈值,并把最优参数代入BP神经网络中,训练网络,引入粒子群算法更新权值和阈值,并判断是否满足结束条件进而退出算法得出预测结果。
Description
技术领域
本发明涉及一种基于改进GA-BP算法的疾病症状数量预测方法,属于人工智能算法技术领域。
背景技术
现有的预测模型大多是基于BP神经网络的有一些组合模型,如GM-BP组合模型、IS-LM-B组合模型、ARMA-BP组合模型等,这些预测模型主要是运用算法的结合来预测数据,并没有在内部做任何优化。内部优化有很大的挖掘潜力。
现代医学比较发达,人们越来越关心自身的状况,国家也关心各地区的疾病状况问题,有些地方有些疾病需要上报数据,可是有的上报数据并不准确,这对地方疾病防控有一定的影响。
发明内容
本发明要解决的技术问题是提供一种基于改进GA-BP算法的疾病症状数量预测方法,用以解决上述问题。
本发明的技术方案是:一种基于改进GA-BP算法的疾病症状数量预测模型,具体步骤如下:
Step1、整理数据,数据预处理;
Step2、确定网络拓扑结构;
Step3、初始化网络参数,训练样本;
Step4、获取误差函数;
Step5、引入遗传算法,以误差函数作为目标函数,并计算其适应度;
Step6、获得最优权值和阈值;
Step7、训练网络,计算误差,并判断是否满足结束条件;
Step8、若满足则结束算法,不满足则引入粒子群算法更新网络的权值和阈值,继续进行Step7。
具体地,所述步骤Step1中,把整理好的数据赋值给矩阵X,预处理则通过下式把数据归一化到[0 1]之间:
Xnormm=X-Xmin/Xmax-Xmin
式中,Xnorm为归一化后的数据,X为原始数据,Xmax和Xmin分别是原始数据的最大和最小值;
具体地,所述步骤Step2中,定义Nin、Nout为输入、输出端神经元个数。隐含层神经元个数与输入层神经元个数满足Nhid=2Xin+1关系,继而得到网络的拓扑结构Nin-Nhid-Nout;
具体地,所述步骤Step3中,初始化网络参数包括网络的权值、阈值、误差及学习率。
具体地,所述步骤Step4中,获取误差函数其具体步骤如下:
通过下式得到预测值:
Ohk=Xn×Win+ak
Tj′=Ohk×Whj+bj
式中,Ohk、Tj′为隐含层输出值和预测输出值,Xn输入向量,Win为输入层到隐含层的第n神经元的权值、Whj隐含层到输出层的第j个权值,ak为输入层到隐含层的第k神经元的阈值、bj为隐含层到输出层第j个的阈值。
预测值与真实值之间的误差为:其中Tj′为神经网络第j个结点的预测输出值,Tj是第j个结点的真实值。
具体地,所述步骤Step5中,引入遗传算法具体步骤如下:
(1)初始化遗传算法参数包括种群规模Q、交叉概率Pc、变异概率Pm、终止进化代数G。
(2)计算适应度:把Step4中的E作为遗传算法的目标函数F(Win、ak、Whj、bj),则适应度函数为
(3)选择操作:基于适应度比例的选择策略,每个个体i的选择概率Pi为:
式中,Fi是个体i的适应度值,fi为其倒数。随机产生[0 1]之间的随机数r若:P1+P2+...+Pi-1<r<P1+P2+...+Pi,则选择第i个个体,重复Q次,选出Q个父体
(4)交叉操作:第k个染色体xk,与第1个染色体x1,在j位的交叉公式如下:
xkj=xkj(1-b)+xlj×b
xlj=xlj(1-b)+xkj×b
式中,b是[0 1]之间的随机数。
(5)变异操作:随机选取需要变异的染色体,命名为i,则i的第j个基因xij变异公式如下:
式中,xmax,xmin是基因xij的上下界;g为当前迭代次数,G为最大迭代次数;r′、r为[01]之间的随机数。
具体地,所述步骤Step6中,获得最优权值和阈值的步骤为:根据Step5中的过程计算目标函数的最优解,并判断是否满足跳出算法的条件,若满足则输出最优的权值和阈值。
具体地,所述步骤Step7中,训练网络,计算误差,并判断是否满足结束条件步骤如下:把Step6得到的最优解代入神经网络进行训练,计算预测与输出的误差值,若满足跳出算法的条件,若满足则结束算法,若不满足则进入下一步。
具体地,所述步骤Step8中引入粒子群算法更新网络的权值和阈值具体步骤如下:把Step4计算的结果(Win、ak、Whj、bj)记为群体中的粒子y=(y1,y2,y3,y4),记第i个粒子的位置表示为yi=(yi1,yi2,yi3,yi4),粒子i的速度记为vi=(vi1,vi2,vi3,vi4),粒子个体经历过得最优位置记为pi=(pi1,pi2,pi3,pi4),整个群体所有粒子经历过的最优位置记为pg=(pg1,pg2,pg3,pg4),粒子群算法采用如下方程对粒子所在的位置不断进行更新:
vij (t+1)=w×vij t+c1×r1×(pij t-yij t)+c2×r2×(pgi t-yij t)
yij t+1=yij t+vij t+1,j=1,2,3,4
式中,w为非负惯性因子;c1、c2为非负加速常数;γ1、γ1为[0 1]之间的随机数。把计算得到的y代入Step7再做运算和判断。
本发明的有益效果是:仅利用粒子群算法代替传统神经网络梯度下降算法求解局部最小值还提供了改进GA-BP算法对疾病症状数量的预测,准确的数据预测不仅能反映当地居民的身体健康状况,也能让疾病控制中心提前做好预防工作。
附图说明
图1是本发明步骤流程图;
图2是本发明遗传算法步骤流程图;
图3是本发明详细算法步骤流程图。
具体实施方式
下面结合附图和具体实施方式,对本发明作进一步说明。
实施例1:如图1-3所示,一种基于改进GA-BP算法的疾病症状数量预测模型。所述方法的具体步骤如下:
Step1、整理数据,数据预处理;
Step2、确定网络拓扑结构;
Step3、初始化网络参数,训练样本;
Step4、获取误差函数;
Step5、引入遗传算法,以误差函数作为目标函数,并计算其适应度;
Step6、获得最优权值和阈值;
Step7、训练网络,计算误差,并判断是否满足结束条件;
Step8、若满足则结束算法,不满足则引入粒子群算法更新网络的权值和阈值,继续进行Step7。
进一步地,所述步骤Step1中,把整理好的数据赋值给矩阵X,预处理则通过下式把数据归一化到[0 1]之间:
Xnorm=X-Xmin/Xmax-Xmin
式中,Xnorm为归一化后的数据,X为原始数据,Xmax和Xmin分别是原始数据的最大和最小值;
进一步地,所述步骤Step2中,定义Nin、Nout为输入、输出端神经元个数。隐含层神经元个数与输入层神经元个数满足Nhid=2Xin+1关系,继而得到网络的拓扑结构Nin-Nhid-Nout;
例如,选取病症数量发烧,感冒、咳嗽3个主要病症数量作为神经元的输入,则可以确定隐含层为7,因为预测的只是整体数量可以把输出端的神经元设为1。则网络拓扑结构为3-7-1。
具体地,所述步骤Step3中,初始化网络参数包括网络的权值、阈值、误差及学习率。
具体地,所述步骤Step4中,获取误差函数其具体步骤如下:
通过下式得到预测值:
Ohk=Xn×Win+ak
Tj′=Ohk×Whj+bj
式中,Ohk、Tj′为隐含层输出值和预测输出值,Xn输入向量,Win为输入层到隐含层的第n神经元的权值、Whj隐含层到输出层的第j个权值,ak为输入层到隐含层的第k神经元的阈值、bj为隐含层到输出层第j个的阈值。
预测值与真实值之间的误差为:其中Tj′为神经网络第j个结点的预测输出值,Tj是第j个结点的真实值。
具体地,所述步骤Step5中,引入遗传算法具体步骤如下:
(1)初始化遗传算法参数包括种群规模Q、交叉概率Pc、变异概率Pm、终止进化代数G。
(2)计算适应度:把Step4中的E作为遗传算法的目标函数F(Win、ak、Whj、bj),则适应度函数为
(3)选择操作:基于适应度比例的选择策略,每个个体i的选择概率Pi为:
式中,Fi是个体i的适应度值,fi为其倒数。随机产生[0 1]之间的随机数r若:P1+P2+...+Pi-1<r<P1+P2+...+Pi,则选择第i个个体,重复Q次,选出Q个父体
(4)交叉操作:第k个染色体xk,与第l个染色体x1,在j位的交叉公式如下:
xkj=xkj(1-b)+xlj×b
xlj=xlj(1-b)+xkj×b
式中,b是[0 1]之间的随机数。
(5)变异操作:随机选取需要变异的染色体,命名为i,则i的第j个基因xij变异公式如下:
式中,xmax,xmin是基因xij的上下界;g为当前迭代次数,G为最大迭代次数;r′、r为[01]之间的随机数。
具体地,所述步骤Step6中,获得最优权值和阈值的步骤为:根据Step5中的过程计算目标函数的最优解,并判断是否满足跳出算法的条件,若满足则输出最优的权值和阈值。
具体地,所述步骤Step7中,训练网络,计算误差,并判断是否满足结束条件步骤如下:把Step6得到的最优解代入神经网络进行训练,计算预测与输出的误差值,若满足跳出算法的条件,若满足则结束算法,若不满足则进入下一步。
具体地,所述步骤Step8中引入粒子群算法更新网络的权值和阈值具体步骤如下:把Step4计算的结果(Win、ak、Whj、bj)记为群体中的粒子y=(y1,y2,y3,y4),记第i个粒子的位置表示为yi=(yi1,yi2,yi3,yi4),粒子i的速度记为vi=(vi1,vi2,vi3,vi4),粒子个体经历过得最优位置记为pi=(pi1,pi2,pi3,pi4),整个群体所有粒子经历过的最优位置记为pg=(pg1,pg2,pg3,pg4),粒子群算法采用如下方程对粒子所在的位置不断进行更新:
vij (t+1)=w×vij t+c1×r1×(pij t-yij t)+c2×r2×(pgi t-yij t)
yij t+1=yij t+vij t+1,j=1,2,3,4
式中,w为非负惯性因子;c1、c2为非负加速常数;γ1、γ1为[0 1]之间的随机数。把计算得到的y代入Step7再做运算和判断。
最终结果,当医生输入本月发烧,感冒、咳嗽的人数时,该模型会自动输出本月患病总人数。本发明与现有技术相比,主要创新点:1、利用粒子群算法代替传统神经网络梯度下降算法求解局部最小值。2、提供了改进GA-BP算法对疾病症状数量的预测,准确的数据预测不仅能反映当地居民的身体健康状况,也能让疾病控制中心提前做好预防工作。
以上结合附图对本发明的具体实施方式作了详细说明,但是本发明并不限于上述实施方式,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下作出各种变化。
Claims (2)
1.一种基于改进GA-BP算法的疾病症状数量预测方法,其特征在于:
Step1、整理数据,数据预处理;
Step2、确定网络拓扑结构;
Step3、初始化网络参数,训练样本;
Step4、获取误差函数;
Step5、引入遗传算法,以误差函数作为目标函数,并计算其适应度;
Step6、获得最优权值和阈值;
Step7、训练网络,计算误差,并判断是否满足结束条件;
Step8、若满足则结束算法,不满足则引入粒子群算法更新网络的权值和阈值,继续执行Step7。
2.根据权利要求1所述的基于改进GA-BP算法的症状数量预测方法,其特征在于具体步骤为:
Step1:把整理好的数据赋值给矩阵X,预处理则通过下式把数据归一化到[0 1]之间;
Xnorm=X-Xmin/Xmax-Xmin
式中,Xnorm为归一化后的数据,X为原始数据,Xmax和Xmin分别是原始数据的最大和最小值;
Step2:定义Nin、Nout为输入、输出端神经元个数,隐含层神经元个数与输入层神经元个数满足Nhid=2Xin+1关系,继而得到网络的拓扑结构:
Nin-Nhid-Nout。
Step3:初始化网络参数包括网络的权值、阈值、误差及学习率;
Step4:获取误差函数其具体步骤如下:
通过下式得到预测值:
Ohk=Xn*Win+ak
Tj′=Ohk*Whj+bj
式中,Ohk、Tj′为隐含层输出值和预测输出值,Xn输入向量,Win为输入层到隐含层的第n神经元的权值、Whj隐含层到输出层的第j个权值,ak为输入层到隐含层的第k神经元的阈值、bj为隐含层到输出层第j个的阈值;
预测值与真实值之间的误差为:其中Tj′为神经网络第j个结点的预测输出值,Tj是第j个结点的真实值;
Step5:引入遗传算法具体步骤如下:
(1)初始化遗传算法参数包括种群规模Q、交叉概率Pc、变异概率Pm、终止进化代数G;
(2)计算适应度:作为遗传算法的目标函数F(Win、ak、Whj、bj),则适应度函数为
(3)选择操作:基于适应度比例的选择策略,每个个体i的选择概率Pi为:
式中,Fi是个体i的适应度值,fi为其倒数,随机产生[0 1]之间的随机数r若:
p1+p2+…+pi-1<r≤p1+p2+…+pi
则选择第i个个体,重复Q次,选出Q个父体;
(4)交叉操作:第k个染色体xk与第1个染色体x1在j位的交叉公式如下:
式中,b是[0 1]之间的随机数。
(5)变异操作:随机选取需要变异的染色体,命名为i,则i的第j个基因xij变异公式如下:
f(g)=r′(1-g/G)2
式中,xmax,xmin是基因xij的上下界,g为当前迭代次数,G为最大迭代次数,r′、r为[0 1]之间的随机数;
Step6:获得最优权值和阈值的步骤为:根据Step5中的过程计算目标函数的最优解,并判断是否满足跳出算法的条件,若满足则输出最优的权值和阈值;
Step7:训练网络,计算误差,并判断是否满足结束条件步骤如下:
把Step6中得到的最优解代入神经网络进行训练,计算预测与输出的误差值,若满足跳出算法的条件,若满足则结束算法,若不满足则进入Step8;
Step8:引入粒子群算法更新网络的权值和阈值具体步骤如下:
把Step4计算的结果(Win、ak、Whj、bj)记为y=(y1,y2,y3,y4),并将其看作群体中的粒子,记第i个粒子的位置表示为yi=(yi1,yi2,yi3,yi4),粒子i的速度记为vi=(vi1,vi2,vi3,vi4),粒子个体经历过得最优位置记为pi=(pi1,pi2,pi3,pi4),整个群体所有粒子经历过的最优位置记为pg=(pg1,pg2,pg3,pg4),粒子群算法采用下式对粒子所在的位置不断进行更新:
式中,w为非负惯性因子,c1、c2为非负加速常数,γ1、γ1为[0 1]之间的随机数,把计算得到的y代入Step7再做运算和判断。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811051875.9A CN109346177A (zh) | 2018-09-10 | 2018-09-10 | 一种基于改进ga-bp算法的疾病症状数量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811051875.9A CN109346177A (zh) | 2018-09-10 | 2018-09-10 | 一种基于改进ga-bp算法的疾病症状数量预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109346177A true CN109346177A (zh) | 2019-02-15 |
Family
ID=65304670
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811051875.9A Pending CN109346177A (zh) | 2018-09-10 | 2018-09-10 | 一种基于改进ga-bp算法的疾病症状数量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109346177A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109920547A (zh) * | 2019-03-05 | 2019-06-21 | 北京工业大学 | 一种基于电子病历数据挖掘的糖尿病预测模型构建方法 |
CN111863248A (zh) * | 2020-08-04 | 2020-10-30 | 桂林电子科技大学 | 一种构建临床决策模型的有效方法 |
CN112580703A (zh) * | 2020-12-07 | 2021-03-30 | 昆明理工大学 | 一种三七病害高发期发病率预测方法 |
CN112768056A (zh) * | 2021-01-14 | 2021-05-07 | 新智数字科技有限公司 | 基于联合学习框架的疾病预测模型建立方法和装置 |
CN112966423A (zh) * | 2021-03-30 | 2021-06-15 | 中国科学院光电技术研究所 | 基于ipso-iaga-bpnn算法的空间主镜结构响应预测模型的构建方法 |
CN113017608A (zh) * | 2021-03-17 | 2021-06-25 | 棉捷(深圳)网络科技有限公司 | 一种脚型检测方法、装置、终端设备和可读存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102243696A (zh) * | 2011-08-04 | 2011-11-16 | 洛阳理工学院 | 基于非线性观测器的传染病动力学模型疾病发生率的估计方法 |
CN103699943A (zh) * | 2013-12-27 | 2014-04-02 | 长春工业大学 | 一种基于ga-psobp算法的地质灾害危险性评价方法 |
CN104008164A (zh) * | 2014-05-29 | 2014-08-27 | 华东师范大学 | 基于广义回归神经网络的短期腹泻病多步预测方法 |
CN108417274A (zh) * | 2018-03-06 | 2018-08-17 | 东南大学 | 流行病预测方法、系统及设备 |
-
2018
- 2018-09-10 CN CN201811051875.9A patent/CN109346177A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102243696A (zh) * | 2011-08-04 | 2011-11-16 | 洛阳理工学院 | 基于非线性观测器的传染病动力学模型疾病发生率的估计方法 |
CN103699943A (zh) * | 2013-12-27 | 2014-04-02 | 长春工业大学 | 一种基于ga-psobp算法的地质灾害危险性评价方法 |
CN104008164A (zh) * | 2014-05-29 | 2014-08-27 | 华东师范大学 | 基于广义回归神经网络的短期腹泻病多步预测方法 |
CN108417274A (zh) * | 2018-03-06 | 2018-08-17 | 东南大学 | 流行病预测方法、系统及设备 |
Non-Patent Citations (1)
Title |
---|
周建新: ""基于GA-PSO的区域人力资本水平预测模型研究"", 《中国优秀硕士论文全文数据库》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109920547A (zh) * | 2019-03-05 | 2019-06-21 | 北京工业大学 | 一种基于电子病历数据挖掘的糖尿病预测模型构建方法 |
CN111863248A (zh) * | 2020-08-04 | 2020-10-30 | 桂林电子科技大学 | 一种构建临床决策模型的有效方法 |
CN111863248B (zh) * | 2020-08-04 | 2022-10-11 | 桂林电子科技大学 | 一种构建临床决策模型的有效方法 |
CN112580703A (zh) * | 2020-12-07 | 2021-03-30 | 昆明理工大学 | 一种三七病害高发期发病率预测方法 |
CN112580703B (zh) * | 2020-12-07 | 2022-07-05 | 昆明理工大学 | 一种三七病害高发期发病率预测方法 |
CN112768056A (zh) * | 2021-01-14 | 2021-05-07 | 新智数字科技有限公司 | 基于联合学习框架的疾病预测模型建立方法和装置 |
CN113017608A (zh) * | 2021-03-17 | 2021-06-25 | 棉捷(深圳)网络科技有限公司 | 一种脚型检测方法、装置、终端设备和可读存储介质 |
CN112966423A (zh) * | 2021-03-30 | 2021-06-15 | 中国科学院光电技术研究所 | 基于ipso-iaga-bpnn算法的空间主镜结构响应预测模型的构建方法 |
CN112966423B (zh) * | 2021-03-30 | 2022-08-23 | 中国科学院光电技术研究所 | 基于ipso-iaga-bpnn算法的空间主镜结构响应预测模型的构建方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109346177A (zh) | 一种基于改进ga-bp算法的疾病症状数量预测方法 | |
CN109858647B (zh) | 一种耦合gis和gbdt算法的区域洪涝灾害风险评价与预估方法 | |
CN110728401B (zh) | 基于松鼠杂草混合算法的神经网络短期电力负荷预测方法 | |
WO2021120787A1 (zh) | 一种流域干支流大规模水库群模拟调度方法 | |
CN109165764A (zh) | 一种遗传算法优化bp神经网络的线损计算方法 | |
CN103971160B (zh) | 基于复杂网络的粒子群优化方法 | |
CN109871995A (zh) | Spark框架下分布式深度学习的量子优化调参方法 | |
CN110824915B (zh) | 基于ga-dbn网络的废水处理智能监控方法及系统 | |
WO2018014658A1 (zh) | 一种柔鱼类的中心渔场预测方法 | |
CN106997669A (zh) | 一种基于特征重要性的判断交通拥堵成因的方法 | |
CN104636985A (zh) | 一种改进bp神经网络的输电线路无线电干扰预测方法 | |
CN106765959A (zh) | 基于遗传算法和深度bp神经网络算法的暖通空调节能控制方法 | |
CN106779084A (zh) | 机器学习系统及方法 | |
CN104636801A (zh) | 一种基于优化bp神经网络的预测输电线路可听噪声方法 | |
CN109214503B (zh) | 基于kpca-la-rbm的输变电工程造价预测方法 | |
CN110443418A (zh) | 基于ga-bp神经网络的城市用水量预测方法 | |
CN105512832A (zh) | 基于时变权最小方差的城市需水量组合预测方法 | |
CN108520345A (zh) | 基于ga-bp神经网络模型的耕地质量评价方法及系统 | |
CN105184415B (zh) | 一种配电网络重构设计方法 | |
CN106781465A (zh) | 一种道路车流量预测方法 | |
CN108280998A (zh) | 基于历史数据动态选择的短时交通流预测方法 | |
CN110472840A (zh) | 一种基于神经网络技术的农业水利调度方法及系统 | |
CN106991493A (zh) | 基于灰色神经网络组合模型的污水处理出水参数预测方法 | |
CN107392315B (zh) | 一种优化大脑情感学习模型的乳腺癌数据分类方法 | |
CN108830035A (zh) | 一种新型水处理混凝投药控制方法、计算机、计算机程序 |
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: 20190215 |
|
RJ01 | Rejection of invention patent application after publication |