CN109740286A - 一种混合优化bp神经网络的湖泊水质预测模型构建方法 - Google Patents
一种混合优化bp神经网络的湖泊水质预测模型构建方法 Download PDFInfo
- Publication number
- CN109740286A CN109740286A CN201910055480.4A CN201910055480A CN109740286A CN 109740286 A CN109740286 A CN 109740286A CN 201910055480 A CN201910055480 A CN 201910055480A CN 109740286 A CN109740286 A CN 109740286A
- Authority
- CN
- China
- Prior art keywords
- neural network
- water quality
- data
- lake
- model
- 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 80
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 51
- 238000005457 optimization Methods 0.000 title claims abstract description 26
- 238000010276 construction Methods 0.000 title claims abstract description 17
- 238000000034 method Methods 0.000 claims abstract description 21
- 230000002068 genetic effect Effects 0.000 claims abstract description 20
- 239000002245 particle Substances 0.000 claims abstract description 17
- 238000012544 monitoring process Methods 0.000 claims abstract description 9
- 238000002474 experimental method Methods 0.000 claims abstract description 8
- 239000002352 surface water Substances 0.000 claims abstract description 4
- 238000007781 pre-processing Methods 0.000 claims abstract description 3
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 6
- 239000001301 oxygen Substances 0.000 claims description 6
- 229910052760 oxygen Inorganic materials 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 230000006872 improvement Effects 0.000 claims description 3
- 238000000714 time series forecasting Methods 0.000 claims description 3
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 claims description 2
- 229930002875 chlorophyll Natural products 0.000 claims description 2
- 235000019804 chlorophyll Nutrition 0.000 claims description 2
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 claims description 2
- 238000012217 deletion Methods 0.000 claims description 2
- 230000037430 deletion Effects 0.000 claims description 2
- 230000007613 environmental effect Effects 0.000 claims description 2
- 238000012372 quality testing Methods 0.000 claims description 2
- -1 with pH Chemical compound 0.000 claims description 2
- 238000005070 sampling Methods 0.000 claims 1
- 238000003062 neural network model Methods 0.000 abstract description 2
- 210000005036 nerve Anatomy 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 239000010865 sewage Substances 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000010170 biological method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005183 dynamical system Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 239000011664 nicotinic acid Substances 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A20/00—Water conservation; Efficient water supply; Efficient water use
- Y02A20/152—Water filtration
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种混合优化BP神经网络的湖泊水质预测模型构建方法,首先从Oracle数据库中导出某市地表水的基本信息与水质监测数据,并用VBA语言将数据格式调整正确。然后使用SPSS删除数据空缺较多的行。完成预处理之后,再根据水环境知识筛选出实验相关的水质指标参数,接着分别利用BP神经网络、PSO‑BP神经网络、GA‑BP神经网络和GA‑PSO‑BP神经网络对水质指标参数预测进行模型构建,最后运用评估方法对构建模型进行评估。通过结合不同算法构建方法,充分考虑了各种算法的优缺点,结果表明基于遗传算法GA和粒子群算法PSO混合优化的BP神经网络模型能够提高水质指标参数预测准确率。
Description
技术领域
本发明涉及湖泊水质预测模型构建领域,涉及基于遗传算法和粒子群算法优化BP神经网络的湖泊水质预测模型构建方法,特别涉及一种基于遗传算法和粒子群算法混合优化BP神经网络的湖泊水质预测模型构建方法。
背景技术
基于历史数据建立的水质预测预测模型,用以预测河流湖泊以及地下水的水质动态变化趋势,具有十分重大的理论价值和现实意义。目前国外对于这类水质时间序列预测模型已经有较多研究,提供并验证了许多较为可行的方法并具有较好的结果。我国的水质预测模型发展较晚,但随着对环境污染和环境保护的重视不断提高,越来越多的方法应用于水环境预测模型。比较知名的有2003年,陈丽华等人提出的基于Levenberg-Marguardt训练算法的BP神经网络水质浓度预测模型,对黄河水质的10项指标进行了预测和分类,取得了较好的预测结果;2010年,郑广勇等人利用免疫粒子群优化算法与径向基RBF神经网络相结合的水质参数预测模型,成功对广州某污水处理场污水处理出的重要水质参数进行预测仿真实验,取得了理想的预测效果,拓宽了在神经网络预测模型中对时间序列动态系统、非线性系统的应用场景;2013年,王泽平采用生物学方法遗传算法,对多隐层BP神经网络的初始权值和阈值进行优化,构建了新的水质预测模型和方法用以预测云南某水库总氮含量。现如今大多数的神经网络预测模型都是基于BP神经网络算法展开的,具有极强的自主学习和非线性映射能力,但其由于是一种局部搜索方法,易出现“过拟合”现象,且在算法训练过程中已陷入极小值,因此不断有新的方法去优化BP神经网络以提高预测精度,如遗传算法和粒子群算法,二者都是基于仿生学的全局搜索方法。遗传算法具备极强的全局搜索能力,并且具有并行性,具有较好的运行速度和可扩展性,但其局部搜索能力薄弱,易出现早起收敛,许多参数的选取缺乏确切的理论支持。粒子群算法也是一个全局搜索方法,具有记忆能力,收敛速度快,实现过程简单,但在高纬复杂问题中常遇到早起收敛,易收敛于局部极值而无法刀刀全局最优。为了弥补这些算法的不足,有人提出混合算法的思想,用遗传算法和贝叶斯算法构成混合算法,在一定程度上取得了不错的效果,但仍有很大的提升空间,需要不断地去提出,改进和验证。
发明内容
有鉴于上述现有的不足,本发明的目的在于提供一种混合优化BP神经网络的湖泊水质预测模型构建方法,旨在解决水环境水生态污染安全预测的问题。
本发明解决其技术问题所采取的技术方案是:一种混合优化BP神经网络时间序列预测模型构建方法,该方法包括如下步骤:
步骤1:从水质检测数据库中导出某市地表水的基本信息与水质监测数据,查询出实验湖泊数据进行时间序列排序以Excel表形式导出并保存。
步骤2:将导出的湖泊水质数据进行预处理,包括异常值检测和空缺值填充,根据水环境知识,选择合适的水质参数,整理出符合实验要求的数据。
步骤3:利用经典的BP神经网络构建水质预测模型,再分别用遗传算法和粒子群算法对BP神经网络进行优化,最后提出基于遗传算法和粒子群算法相结合的混合优化BP神经网络的湖泊水质时间序列预测模型,根据性能指标检验模型预测结果。
进一步的,本发明步骤1所述的构建湖泊水质数据的方法,其步骤具体包括:
步骤1-1:以授权用户身份登录Oracle数据库。
步骤1-2:使用SQL语句从Oracle数据库中水质监测库表和库表结构,然后从数据库中查询并导出某湖泊水质监测数据。
步骤1-3:将导出数据以Excel表格存储。
进一步的,本发明步骤2所述的数据预处理方法,其步骤具体包括:
步骤2-1:使用VBA语言将数据库数据调整为正确的数据格式,并以时间序列排序,导出为Excel格式。
步骤2-2:将Excel数据表导入SPSS,删除缺少数据量较多的行,对缺少少量数据水质指标参数进行维数列时间序列填补空缺值。
步骤2-3:使用3σ准则对填补完的数据进行异常值检测,将数据偏离3倍标准差以上作为异常值,并删除异常值所在的行。
步骤2-4:依据水环境知识挑选水质参数指标,以溶解氧为预测目标和输出参数,以pH、氨氮、生化需氧量、叶绿素和电导率(EC)为模型的输入参数。
步骤2-5:将预处理完的数据导出为Excel表格,导入到MATLAB中作为实验数据。
进一步的,本发明步骤3所述的构建遗传算法和粒子群算法混合优化BP神经网络的湖泊水质预测方法,其步骤具体包括:
步骤3-1:建立传统的BP神经网络时间序列湖泊水质预测模型。
步骤3-2:将传统的BP神经网络分别结合遗传算法和粒子群算法,得到GA-BP神经网络和PSO-GA神经网络两种预测模型。
步骤3-3:进行算法改进,将遗传算法和粒子群算法相结合,混合优化BP神经网络,提出一种混合优化BP神经网络的湖泊水质预测模型。
步骤3-4:根据性能评价指标,评估各个模型预测效果。
进一步的步骤3-4评指标:分别评估各种算法的预测效果利用最大相对误差、平均相对误差、均方根误差、决定系数来评价四种模型的预测结果相比于观测结果的准确性和鲁棒性,计算公式分别如下:
最大相对误差(%):
平均相对误差(%):
均方根误差:
决定系数:式中,为预测值,y为观测值,N为采样点数,n为测试集数目,i为第i个预测结果,t为测试集的第t个值。
最后,选取评估结果最好的一种算法,使其在该湖泊水质预测中的结果最好。应用在水环境领域建立湖泊水质预测模型对重要水质参数溶解氧进行时间序列预测。
本发明能够应用于湖泊水质预测及预警。
有益效果:
1.本发明在水环境领域数据预处理阶段,面对海量水环境监测数据,总结一套完整的数据清洗流程,为水质预测模型构建提供了数据保障。
2.本发明在水环境领域水质预测模型构建阶段,使用基于遗传算法和粒子群算法共同优化BP神经网络的时间序列预测模型,结合性能评价指标,最终建立了一种混合优化BP神经网络的湖泊水质预测模型。
附图说明
图1为本发明一种基于混合优化BP神经网络的湖泊水质预测模型构建方法的流程图。
图2为步骤2的具体流程图。
图3为步骤3的GA-PSO-BP神经网络算法流程图。
图4为算法仿真结果对比图。
图5为算法结果对比图。
具体实施方式
以下结合附图和实施例对本发明进行详细说明。
如图1-5所示,本发明提供一种混合优化BP神经网络的湖泊水质预测构建方法,为使本发明的目的、技术方案及效果更加清楚、明确,以下对本发明进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
请参阅图1。图1为本发明一种混合优化BP神经网络预测模型构建方法较佳实施例的流程图,如图所示,其实施步骤,包括如下:
步骤1:在水务局Oracle数据库中导出某市地表水的基本信息与水质监测数据,查询出实验湖泊数据以Excel表形式导出并保存导
步骤2:将导出的湖泊水质数据进行预处理,包括异常值检测和空缺值填充,根据水环境知识,选择合适的水质参数,整理出符合实验要求的数据。
步骤3:利用经典的BP神经网络构建水质预测模型,再分别用遗传算法和粒子群算法对BP神经网络进行优化,最后提出基于遗传算法和粒子群算法相结合的混合优化BP神经网络的湖泊水质时间序列预测模型,根据性能指标检验模型预测结果。
由图4可以看出,相比于真实的观测结果,GA-PSO-BP神经网络预测模型在水质预测上有较好的拟合效果,表现最差的是GA-BP神经网络预测模型,传统BP神经网络稳定性较差;通过图5的结果数据也可以看出,GA-PSO-BP神经网络预测模型无论是在准确率和鲁棒性上都取得了最佳预测效果。
应当理解的是,本发明的应用不限于上述的举例,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (5)
1.一种混合优化BP神经网络时间序列预测模型构建方法,其特征在于:该方法包括如下步骤,
步骤1:从水质检测数据库中导出某市地表水的基本信息与水质监测数据,查询出实验湖泊数据进行时间序列排序以Excel表形式导出并保存;
步骤2:将导出的湖泊水质数据进行预处理,包括异常值检测和空缺值填充,根据水环境知识,选择合适的水质参数,整理出符合实验要求的数据;
步骤3:利用经典的BP神经网络构建水质预测模型,再分别用遗传算法和粒子群算法对BP神经网络进行优化,最后提出基于遗传算法和粒子群算法相结合的混合优化BP神经网络的湖泊水质时间序列预测模型,根据性能指标检验模型预测结果。
2.根据权利要求1所述的一种混合优化BP神经网络时间序列预测模型构建方法,其特征在于:
步骤1所述的构建湖泊水质数据的方法,其步骤具体包括,
步骤1-1:以授权用户身份登录Oracle数据库;
步骤1-2:使用SQL语句从Oracle数据库中水质监测库表和库表结构,然后从数据库中查询并导出某湖泊水质监测数据;
步骤1-3:将导出数据以Excel表格存储。
3.根据权利要求1所述的一种混合优化BP神经网络时间序列预测模型构建方法,其特征在于:
步骤2所述的数据预处理方法,其步骤具体包括,
步骤2-1:使用VBA语言将数据库数据调整为正确的数据格式,并以时间序列排序,导出为Excel格式;
步骤2-2:将Excel数据表导入SPSS,删除缺少数据量较多的行,对缺少少量数据水质指标参数进行维数列时间序列填补空缺值;
步骤2-3:使用3σ准则对填补完的数据进行异常值检测,将数据偏离3倍标准差以上作为异常值,并删除异常值所在的行;
步骤2-4:依据水环境知识挑选水质参数指标,以溶解氧为预测目标和输出参数,以pH、氨氮、生化需氧量、叶绿素和电导率(EC)为模型的输入参数;
步骤2-5:将预处理完的数据导出为Excel表格,导入到MATLAB中作为实验数据。
4.根据权利要求1所述的一种混合优化BP神经网络时间序列预测模型构建方法,其特征在于:
步骤3所述的构建遗传算法和粒子群算法混合优化BP神经网络的湖泊水质预测方法,其步骤具体包括,
步骤3-1:建立传统的BP神经网络时间序列湖泊水质预测模型;
步骤3-2:将传统的BP神经网络分别结合遗传算法和粒子群算法,得到GA-BP神经网络和PSO-GA神经网络两种预测模型;
步骤3-3:进行算法改进,将遗传算法和粒子群算法相结合,混合优化BP神经网络,提出一种混合优化BP神经网络的湖泊水质预测模型;
步骤3-4:根据性能评价指标,评估各个模型预测效果。
5.根据权利要求4所述的一种混合优化BP神经网络时间序列预测模型构建方法,其特征在于:步骤3-4评指标,分别评估各种算法的预测效果利用最大相对误差、平均相对误差、均方根误差、决定系数来评价四种模型的预测结果相比于观测结果的准确性和鲁棒性,计算公式分别如下:
最大相对误差(%):
平均相对误差(%):
均方根误差:
决定系数:
式中,为预测值,y为观测值,N为采样点数,n为测试集数目,i为第i个预测结果,t为测试集的第t个值;
最后,选取评估结果最好的一种算法,使其在该湖泊水质预测中的结果最好;应用在水环境领域建立湖泊水质预测模型对重要水质参数溶解氧进行时间序列预测;能够应用于湖泊水质预测及预警。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910055480.4A CN109740286A (zh) | 2019-01-21 | 2019-01-21 | 一种混合优化bp神经网络的湖泊水质预测模型构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910055480.4A CN109740286A (zh) | 2019-01-21 | 2019-01-21 | 一种混合优化bp神经网络的湖泊水质预测模型构建方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109740286A true CN109740286A (zh) | 2019-05-10 |
Family
ID=66365497
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910055480.4A Pending CN109740286A (zh) | 2019-01-21 | 2019-01-21 | 一种混合优化bp神经网络的湖泊水质预测模型构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109740286A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110728826A (zh) * | 2019-05-20 | 2020-01-24 | 唐山工业职业技术学院 | 一种基于智慧技术的地下空间有毒有害气体预警报警方法 |
CN111291937A (zh) * | 2020-02-25 | 2020-06-16 | 合肥学院 | 基于支持向量分类与gru神经网络联合的处理污水水质预测方法 |
CN111510500A (zh) * | 2020-04-21 | 2020-08-07 | 江苏卓易信息科技股份有限公司 | 一种基于边缘计算的水质监测数据校准方法 |
CN111885534A (zh) * | 2020-07-27 | 2020-11-03 | 江苏开放大学(江苏城市职业学院) | 一种基于Zigbee无线传感器网络的鱼塘水质监测系统及其监测方法 |
CN112308228A (zh) * | 2020-11-12 | 2021-02-02 | 安徽江机重型数控机床股份有限公司 | 一种数控机床切削液泵送系统的故障检测预警方法 |
CN112666328A (zh) * | 2020-11-25 | 2021-04-16 | 广东省科学院广州地理研究所 | 基于遗传神经网络模型的叶绿素a遥感反演方法和装置 |
CN112990343A (zh) * | 2020-12-14 | 2021-06-18 | 四川轻化工大学 | 一种基于人工智能算法的水环境质量评价方法 |
CN113160593A (zh) * | 2021-01-18 | 2021-07-23 | 重庆交通大学 | 一种基于边云协同的山区公路行车安全预警方法 |
CN113935199A (zh) * | 2021-11-23 | 2022-01-14 | 安徽省(水利部淮河水利委员会)水利科学研究院(安徽省水利工程质量检测中心站) | 一种乡村水环境生态链式修复系统 |
CN116306156A (zh) * | 2023-03-28 | 2023-06-23 | 小米汽车科技有限公司 | 车身优化方法、装置、存储介质及电子设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108229721A (zh) * | 2017-12-04 | 2018-06-29 | 西北大学 | 基于改进型bp神经网络的煤热解产物的预测方法 |
CN108872508A (zh) * | 2018-05-08 | 2018-11-23 | 苏州科技大学 | 一种ga-bp优化tsfnn的富营养水质评价方法 |
-
2019
- 2019-01-21 CN CN201910055480.4A patent/CN109740286A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108229721A (zh) * | 2017-12-04 | 2018-06-29 | 西北大学 | 基于改进型bp神经网络的煤热解产物的预测方法 |
CN108872508A (zh) * | 2018-05-08 | 2018-11-23 | 苏州科技大学 | 一种ga-bp优化tsfnn的富营养水质评价方法 |
Non-Patent Citations (3)
Title |
---|
TAN GUOHUA等: "Prediction of water quality time series data based on least squares support vector machine", 《INTERNATIONAL CONFERENCE ON ADVANCES IN COMPUTATIONAL MODELING AND SIMULATION》 * |
王泽平: "基于GA-BP与多隐层BP网络模型的水质预测及比较分析", 《水资源与水工程学报》 * |
白书华 等: "基于PSO-GA-BP 神经网络的林火预测设计与研究", 《系统仿真学报》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110728826A (zh) * | 2019-05-20 | 2020-01-24 | 唐山工业职业技术学院 | 一种基于智慧技术的地下空间有毒有害气体预警报警方法 |
CN111291937A (zh) * | 2020-02-25 | 2020-06-16 | 合肥学院 | 基于支持向量分类与gru神经网络联合的处理污水水质预测方法 |
CN111510500B (zh) * | 2020-04-21 | 2023-03-31 | 江苏卓易信息科技股份有限公司 | 一种基于边缘计算的水质监测数据校准方法 |
CN111510500A (zh) * | 2020-04-21 | 2020-08-07 | 江苏卓易信息科技股份有限公司 | 一种基于边缘计算的水质监测数据校准方法 |
CN111885534A (zh) * | 2020-07-27 | 2020-11-03 | 江苏开放大学(江苏城市职业学院) | 一种基于Zigbee无线传感器网络的鱼塘水质监测系统及其监测方法 |
CN112308228A (zh) * | 2020-11-12 | 2021-02-02 | 安徽江机重型数控机床股份有限公司 | 一种数控机床切削液泵送系统的故障检测预警方法 |
CN112666328A (zh) * | 2020-11-25 | 2021-04-16 | 广东省科学院广州地理研究所 | 基于遗传神经网络模型的叶绿素a遥感反演方法和装置 |
CN112990343A (zh) * | 2020-12-14 | 2021-06-18 | 四川轻化工大学 | 一种基于人工智能算法的水环境质量评价方法 |
CN112990343B (zh) * | 2020-12-14 | 2023-04-07 | 四川轻化工大学 | 一种基于人工智能算法的水环境质量评价方法 |
CN113160593A (zh) * | 2021-01-18 | 2021-07-23 | 重庆交通大学 | 一种基于边云协同的山区公路行车安全预警方法 |
CN113935199A (zh) * | 2021-11-23 | 2022-01-14 | 安徽省(水利部淮河水利委员会)水利科学研究院(安徽省水利工程质量检测中心站) | 一种乡村水环境生态链式修复系统 |
CN116306156A (zh) * | 2023-03-28 | 2023-06-23 | 小米汽车科技有限公司 | 车身优化方法、装置、存储介质及电子设备 |
CN116306156B (zh) * | 2023-03-28 | 2023-09-19 | 小米汽车科技有限公司 | 车身优化方法、装置、存储介质及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109740286A (zh) | 一种混合优化bp神经网络的湖泊水质预测模型构建方法 | |
Uyan | GIS-based solar farms site selection using analytic hierarchy process (AHP) in Karapinar region, Konya/Turkey | |
CN103033856B (zh) | 基于水文气象一致性地区分析的雨量频率估计方法 | |
Wu et al. | Location selection of seawater pumped hydro storage station in China based on multi-attribute decision making | |
Li et al. | Study on spatial distribution of soil heavy metals in Huizhou city based on BP--ANN modeling and GIS | |
CN107247888B (zh) | 基于储备池网络的污水处理出水总磷tp软测量方法 | |
CN104535733A (zh) | 一种基于灰色聚类分析法的城市内湖水环境功能指标评价方法 | |
Wang et al. | An approach of recursive timing deep belief network for algal bloom forecasting | |
CN102880917B (zh) | 基于对数负荷密度增长曲线的中长期电力负荷预测方法 | |
CN108764522A (zh) | 一种基于多变量输入的局部负荷预测方法 | |
CN103473476B (zh) | 基于区域内数座测风塔测风数据的风能资源推算方法 | |
CN104794328A (zh) | 一种考虑水足迹的水电开发生态适宜性评价方法 | |
CN106021873B (zh) | 矿山地质环境评价方法 | |
CN102226332A (zh) | 一种基于环境监测反馈的调水方法 | |
Sun et al. | Research and Application of Water Quality Evaluation of a Certain Section of Yangtze River Based on Fuzzy Neural Network | |
Li et al. | Synthetic assessment method with cloud theory for marine water quality | |
Cai et al. | Impact of land cover changes on the wetland ecosystem water environment using soft computing methods | |
Qu | [Retracted] Construction of Land Ecological Sustainable Evaluation System Based on Dynamic Simulation and TOPSIS Model | |
Jia et al. | Assessing the carrying capacity of water resources in Wuhan City, China | |
Ju et al. | Appropriateness Assessment Method of Eco-environment in Creative Cultural Products Production Areas. | |
Cui et al. | Research and application of ecological river courses restoration technology | |
Cai et al. | BP artificial neural network based on improved methods of surface soil in Jilin City Environmental Quality Evaluation | |
Zhang et al. | The spatiotemporal evolution of carbon emissions in China using machine learning methods: evidence from remote sensing data | |
Peng et al. | A Hybrid Deep Learning Model for Short-Term Hydropower Generation Prediction Incorporating Hydrometeorological Factors | |
Zhao et al. | Research on drought disaster assessment based on information diffusion and BP neural network |
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: 20190510 |
|
RJ01 | Rejection of invention patent application after publication |