CN110020712B - 一种基于聚类的优化粒子群bp网络预测方法和系统 - Google Patents
一种基于聚类的优化粒子群bp网络预测方法和系统 Download PDFInfo
- Publication number
- CN110020712B CN110020712B CN201910230781.6A CN201910230781A CN110020712B CN 110020712 B CN110020712 B CN 110020712B CN 201910230781 A CN201910230781 A CN 201910230781A CN 110020712 B CN110020712 B CN 110020712B
- Authority
- CN
- China
- Prior art keywords
- network
- data
- particle swarm
- particle
- value
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于聚类的优化粒子群BP网络预测方法和系统,包括:建立数据库实时存储监控器测量所得的数据;对原始数据预处理后通过聚类将相似的数据划分为一类,提高预测模型的准确性;通过优化的粒子群算法对BP网络初始权重和阈值进行赋值,相比于通过随机数对权重和阈值的初始化,本发明能够使得BP网络在避免陷入局部最优的基础上同时提升收敛速度;通过选取Sigmoid函数作为激活函数,并采用反向传播算法对BP网络权重和阈值进行更新,训练得到最终模型,输出预测结果。本发明克服了传统的回归分类等预测模型存在对非线性数据预测不准确,预测精度不高的问题,有效地提高了预测结果的准确性。
Description
技术领域
本发明属于数据分析领域,尤其是涉及一种基于聚类的优化粒子群BP网络预测方法和系统。
背景技术
随着大数据时代的到来,数据挖掘技术为数据预测提供了一种新的方法。在无法很好确定原始数据内部相互规律、作用机理的情况下,可以考虑从数据挖掘技术的角度建立预测模型。目前,国内外对于填埋气不同成分之间关系的研究大部分集中在填埋气与环境因素如风向、风速、温度以及与地理因素如洼地、山谷之间的相关性或是关注同一填埋场在不同季节之间的填埋气变化规律。
从数据挖掘角度对数据进行分析处理,国内外已经提出来许多优秀的模型并在不同的领域均取得了令人满意的结果,但在填埋气数据分析领域的应用,国内外相关的研究均不多见。此外,与股市、天气领域的预测不同,填埋气数据在分析挖掘过程中还存在如下几方面的困难和挑战:
1.垃圾填埋气相对比于金融、天气等时间序列,除了受本身有机物分解程度的影响外,还受填埋场场地特性、温度、pH、水分等条件的影响,除此之外,节假日等特殊时间段中大量垃圾的产生同样对填埋气的产生有重大影响。而天气或股市领域的时间序列均只受节假日或环境因素单方面的影响。
2.填埋气变化规律除受垃圾本身成分影响外,还受填埋场处理措施的影响,相关工作人员每次对垃圾填埋场污染物的治理均会影响接下来一段时间填埋气不同成分的含量值,如处理措施的间隔周期性不明显,势必会影响填埋气预测模型的准确性。
3.填埋气预测另一难点还在于填埋气数据中部分污染成分由于本身含量低以及检测器精度不高的问题,导致其测量值有效数字位数较少,对填埋气时序预测以及成分预测模型的精确性造成一定的干扰。
为此,本发明针对传统的多元回归和贝叶斯分类等模型存在对非线性数据预测不准确,预测精度不高的问题,提出了一种基于聚类的优化粒子群BP网络预测方法和系统。
发明内容
本发明针对传统的回归分类等预测模型存在对非线性数据预测不准确,预测精度不高的问题,提出了一种基于聚类的优化粒子群BP网络预测方法和系统。
为实现上述目的,本发明采用以下技术方案:
一种基于聚类的优化粒子群BP网络预测系统,包括计算机存储器、计算机处理器以及存储在所述计算机存储器中并可在所述计算机处理器上执行的计算机程序,所述计算机存储器中存有以下模块:
数据库系统模块,用于存储监控器测量得到的原始数据,同时提供与其他模块之间的数据连接查询;
数据预处理模块,用于在聚类分析之前对数据库系统模块的原始数据进行预处理;
聚类分析模块,用于对预处理后的原始数据进行聚类类别判断,并将数据分成不同的类别;
权重初始化模块,内含权重初始化模型,采用优化的粒子群算法对不同类别数据BP网络的权重和阈值进行初始化;
预测模块,用于对权重初始化模块中初始化的BP网络进行训练迭代,输出最终预测结果。
所述数据库系统模块包括多张数据库表,数据库表主要存储实时数据,数据的存储结构繁杂。
所述数据预处理模块包括异常值检测和缺失值处理两个部分,
异常值通过双向梯度进行检测,主要分为如下几步:
a.计算当前时刻t的前向梯度Gt1和后向梯度Gt2,前向梯度Gt1和后向梯度Gt2的计算方法为:
其中,dt为相邻监测记录的时间间隔,Vt为当前值,Vt-1为前一记录的值,Vt+1为后一记录值,边界值以均值代替。
b.判断前后梯度与阈值的大小关系。如果时刻t的前向梯度Gt1和后向梯度Gt2均大于某一阈值T,则认为该条记录为异常数据,阈值T计算方法为:
T=min(Vi-Vi-1,2σ) i=1,2,...,n Vi-Vi-1<σ
其中,Vi为当前值,Vi-1为前一记录的值,σ为对应变量标准差。
c.对于异常数据,采用两侧的均值进行修正,修正方法为:
缺失值采用多重填补法进行处理。
所述的聚类分析模块采用K-Means或Mean-Shift分析方法确定最佳聚类类别,采用肘部观察法判断最佳聚类类别数,并选取空间距离相隔最远的点作为聚类中心。
权重初始化模型采用优化的粒子群算法(Ameliorated Particle SwarmOptimization,APSO)对BP网络权重和阈值进行初始化,计算方法包括以下步骤:
A.粒子初始化。记粒子迭代总次数为n,粒子总数为N,每个粒子的维度为D∈Rd,粒子初始位置为X,粒子初始速度为V,则每个粒子的初始化值为:
Xi=Umin+rand()*(Umax-Umin)
其中,Umin,Umax分别为粒子群位置取值的边界范围,rand()为随机数函数。
B.粒子更新。记每个粒子的局部最优解为Pi(t),粒子群整体最优解为G,粒子i在t时刻的位置为Xi(t),速度为Vi(t)。本发明采用对数形式的惯性权重对粒子群算法进行优化,即当算法前期惯性权重较大,算法具有倾向于全局搜索的特点时,通过惯性权重快速减小的方式加快收敛效率;算法后期惯性权重较小,算法具有倾向于局部搜索的特点时,通过惯性权重缓慢减小的方式对最优解大密度进行寻找。改进后的粒子更新方法为:
其中,c1,c2分别为认知系数与社会系数,即分别对每个粒子自身的局部最优解和整体全局最优解进行加权,r1,r2分别为(0,1)之间的随机参数,用于避免算法本身陷入局部最优解的情况,t为目前的迭代次数,即Xi(t)为粒子i在t时刻的位置,Vi(t)为粒子i在t时刻的速度。
C.更新局部全局最优解。当所有粒子完成上述一次迭代时,计算并更新当前粒子群的全局最优解G。全局最优解计算方法为:
f(G)=minf(Pi)
D.迭代终止。重复上述步骤直到全局最优解G小于某个值ε或者迭代达到一定次数为止。
预测模块中,BP网络采用优化的粒子群算法所确定的粒子值作为初始权重和阈值,权重和阈值通过反向传播算法进行更新,重复迭代直到输出值满足某一精确度或者训练次数达到一定次数为止。BP网络节点权重和阈值的更新计算方法为:
本发明还提供了一种利用上述基于聚类的优化粒子群BP网络预测系统进行预测的方法,其特征在于,包括如下步骤:
(1)采集原始数据存储到数据库系统模块;
(2)利用数据预处理模块对原始数据进行预处理,包括剔除错误值、空值以及填补缺失值;
(3)使用聚类分析模块对预处理后的数据进行聚类分析,将相似数据划分为同一类别;
(4)对不同类别的数据分别采用优化的粒子群算法对BP网络初始权重和阈值进行赋值,得到不同类别数据BP网络的不同初始权重和阈值;
(5)预测模块采用反向传播算法将初始化的BP网络进行训练迭代,输出最终预测结果。
步骤(5)中,所述BP网络进行训练迭代的具体过程为:
(5-1)确定初始权重及激活函数,激活函数采用Sigmoid函数;
(5-2)对BP网络节点权重和阈值进行更新,更新计算方法为:
其中,y0为输出值,t为真实值;
(5-3)对BP网络输出的精确度进行检验,如果没有达到预期阈值,则重复上述两步,直到模型满足误差为止。
与现有技术相比,本发明具有以下有益效果:
1、本发明在数据库系统模块中建立数据特征表,存储监控仪测量数据,实现实时地在线和离线数据分析。
2、本发明通过聚类将相似数据分为一类,并针对粒子群算法收敛缓慢的不足之处,提出了优化的粒子群算法,最后对不同类别数据通过BP网络进行训练,有效提高了预测的准确性。
3、本发明通过优化的粒子群算法对BP网络初始权重和阈值进行赋值,相比于通过随机数对权重和阈值的初始化,本方法能够使得BP网络在避免陷入局部最优的基础上同时提升收敛速度;通过选取Sigmoid函数作为激活函数,并采用反向传播算法对BP网络权重和阈值进行更新,训练得到最终模型,输出预测结果,克服了传统的回归分类等预测模型存在对非线性数据预测不准确,预测精度不高的问题,有效地提高了预测结果的准确性。
附图说明
图1为本发明实施例中一种基于聚类的优化粒子群BP网络预测方法的流程示意图;
图2为本发明实施例中聚类分析模块进行聚类分析的流程图;
图3为本发明实施例中聚类分析模块采用不同聚类方法的SSE结果图;
图4为本发明实施例中优化的粒子群算法流程图;
图5为本发明实施例中APSO-BP模型算法流程图;
图6为本发明一种基于聚类的优化粒子群BP网络预测方法与其它现有模型预测结果的RMSE对比图。
具体实施方式
下面结合附图和实施例对本发明做进一步详细描述,需要指出的是,以下所述实施例旨在便于对本发明的理解,而对其不起任何限定作用。
如图1所示,一种基于聚类的优化粒子群BP网络预测方法,包括以下步骤:
(1)采集原始数据存储到数据库系统模块。
本实施例选择某垃圾填埋场的时序数据作为原始数据,建立对应的数据库系统。
(2)利用数据预处理模块对原始数据进行预处理。
原始数据是不完整的、有噪音的,因此数据预处理模块可以处理这些粗糙数据,并且最终得到完整正确的数据,预处理包括剔除错误值、空值以及填补缺失值。
异常值通过双向梯度进行检测,主要分为如下几步:
a.计算当前时刻t的前向梯度Gt1和后向梯度Gt2,前向梯度Gt1和后向梯度Gt2的计算方法为:
b.判断前后梯度与阈值的大小关系。如果时刻t的前向梯度Gt1和后向梯度Gt2均大于某一阈值T,则认为该条记录为异常数据,阈值T计算方法为:
T=min(Vi-Vi-1,2σ) i=1,2,...,n Vi-Vi-1<σ
c.对于异常数据,采用两侧的均值进行修正,修正方法为:
缺失值采用多重填补法进行处理。
(3)使用聚类分析模块对预处理后的数据进行聚类分析。
如图2所示,为聚类分析模块进行聚类分析的流程图,根据风向、风速、温度、湿度四个指标对填埋气数据进行聚类,然后分别对各个类别的填埋气成分之间以及填埋气与环境因素的相关性进行分析。在聚类类别的确定上,为避免单个算法的偶然性,聚类个数采用K-Means、Mean-Shift、DBSCAN、GMM、HAC五种方法进行实验判断,不同方法实验结果如图3所示,最终确定的聚类类别数为3。
(4)对不同类别的数据分别采用优化的粒子群算法对BP网络初始权重和阈值进行赋值,得到不同类别数据BP网络的不同初始权重和阈值。
针对填埋气突变性大的特点,为避免粒子群算法陷入局部最优解的情况,提出了优化的粒子群算法(APSO),该算法的流程如图4所示,采用对数形式的惯性权重对粒子群算法进行优化,即当算法前期惯性权重较大,算法具有倾向于全局搜索的特点时,通过惯性权重快速减小的方式加快收敛效率;算法后期惯性权重较小,算法具有倾向于局部搜索的特点时,通过惯性权重缓慢减小的方式对最优解大密度进行寻找。改进后的粒子更新方法为:
(5)预测模块采用反向传播算法对初始化的BP网络进行训练迭代,输出最终预测结果。
本实施例中,APSO-BP模型算法流程图如图5所示。
训练神经网络模型一共分为以下三步:
a.初始权重及激活函数确定。BP网络初始权重采用步骤(4)提到的优化粒子群算法确定,激活函数采用Sigmoid函数。
b.节点权重和阈值的更新。建立初始权重后,BP网络输出值与真实值的误差计算方法为:
其中,y0为输出值,t为真实值。之后分别对输入层和隐藏层、隐藏层和输出层的权重及阈值进行更新。
c.对模型输出的精确度进行检验,如果没有达到预期阈值,则重复上述两步,直到模型满足误差为止。
不同预测模型预测结果RMSE对比如图6所示,可以看出,本发明提出的方法在准确度上相比传统预测算法在预测结果的准确度上有着明显的提升。
以上所述的实施例对本发明的技术方案和有益效果进行了详细说明,应理解的是以上所述仅为本发明的具体实施例,并不用于限制本发明,凡在本发明的原则范围内所做的任何修改、补充和等同替换,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于聚类的优化粒子群BP网络预测系统,包括计算机存储器、计算机处理器以及存储在所述计算机存储器中并可在所述计算机处理器上执行的计算机程序,其特征在于,所述计算机存储器中存有以下模块:
数据库系统模块,用于存储监控器测量得到的原始数据,同时提供与其他模块之间的数据连接查询;
数据预处理模块,用于在聚类分析之前对数据库系统模块的原始数据进行预处理;
聚类分析模块,用于对预处理后的原始数据进行聚类类别判断,并将数据分成不同的类别;
权重初始化模块,内含权重初始化模型,采用优化的粒子群算法对不同类别数据BP网络的权重和阈值进行初始化;
预测模块,用于对权重初始化模块中初始化的BP网络进行训练迭代,输出最终预测结果;
所述优化的粒子群算法进行初始化的具体步骤如下:
A.粒子初始化:记粒子迭代总次数为n,粒子总数为N,每个粒子的维度为D∈Rd,粒子初始位置为X,粒子初始速度为V,则每个粒子的初始化值为:
Xi=Umin+rand()*(Umax-Umin)
其中,Umin,Umax分别为粒子群位置取值的边界范围,rand()为随机数函数;
B.粒子更新:记每个粒子的局部最优解为Pi(t),粒子群全局最优解为G,粒子i在第t次迭代的位置为Xi(t),速度为Vi(t),更新方法为:
其中,c1,c2分别为认知系数与社会系数,即分别对每个粒子自身的局部最优解和整体全局最优解进行加权,r1,r2分别为(0,1)之间的随机参数,用于避免算法本身陷入局部最优解的情况,t为目前的迭代次数,即Xi(t)为粒子i在第t次迭代的位置,Vi(t)为粒子i在第t次迭代的速度;
C.更新全局最优解:当所有粒子完成上述一次迭代时,计算并更新当前粒子群的全局最优解G,全局最优解计算方法为:
f(G)=minf(Pi);
D.迭代终止:重复上述步骤直到全局最优解G小于预设值ε或者迭代达到一定次数为止。
2.根据权利要求1所述的基于聚类的优化粒子群BP网络预测系统,其特征在于,所述数据库系统模块包括若干张用于存储实时数据的数据库表。
3.根据权利要求1所述的基于聚类的优化粒子群BP网络预测系统,其特征在于,所述数据预处理模块包括异常值检测和缺失值处理两个部分。
4.根据权利要求3所述的基于聚类的优化粒子群BP网络预测系统,其特征在于,采用双向梯度法进行异常值检测,采用多重填补法对缺失值进行处理,其中,所述双向梯度法的具体步骤如下:
a.计算第t次迭代的前向梯度Gt1和后向梯度Gt2,前向梯度Gt1和后向梯度Gt2的计算方法为:
其中,dt为相邻监测记录的时间间隔,Vt为当前值,Vt-1为前一记录的值,Vt+1为后一记录值,边界值以均值代替;
b.判断前、后向梯度与阈值的大小关系,如果第t次迭代的前向梯度Gt1和后向梯度Gt2均大于某一预设的阈值T,则认为该条记录为异常值,阈值T计算方法为:
T=min(Vt-Vt-1,2σ)t=1,2,…,n Vt-Vt-1<σ
其中,σ为对应变量标准差;
c.对于异常值,采用两侧的均值进行修正,修正方法为:
5.根据权利要求1所述的基于聚类的优化粒子群BP网络预测系统,其特征在于,所述的聚类分析模块采用K-Means或Mean-Shift分析方法确定最佳聚类类别,采用肘部观察法判断最佳聚类类别数,并选取空间距离相隔最远的点作为聚类中心。
6.根据权利要求1所述的基于聚类的优化粒子群BP网络预测系统,其特征在于,所述的预测模块采用反向传播算法对BP网络权重和阈值进行更新。
7.一种利用权利要求1~6任一所述的基于聚类的优化粒子群BP网络预测系统进行预测的方法,其特征在于,包括如下步骤:
(1)采集原始数据存储到数据库系统模块;
(2)利用数据预处理模块对原始数据进行预处理,包括剔除错误值、空值以及填补缺失值;
(3)使用聚类分析模块对预处理后的数据进行聚类分析,将相似数据划分为同一类别;
(4)对不同类别的数据分别采用优化的粒子群算法对BP网络初始权重和阈值进行赋值,得到不同类别数据BP网络的不同初始权重和阈值;
(5)预测模块采用反向传播算法将初始化的BP网络进行训练迭代,输出最终预测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910230781.6A CN110020712B (zh) | 2019-03-26 | 2019-03-26 | 一种基于聚类的优化粒子群bp网络预测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910230781.6A CN110020712B (zh) | 2019-03-26 | 2019-03-26 | 一种基于聚类的优化粒子群bp网络预测方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110020712A CN110020712A (zh) | 2019-07-16 |
CN110020712B true CN110020712B (zh) | 2021-01-26 |
Family
ID=67189967
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910230781.6A Active CN110020712B (zh) | 2019-03-26 | 2019-03-26 | 一种基于聚类的优化粒子群bp网络预测方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110020712B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110458288A (zh) * | 2019-08-08 | 2019-11-15 | 单菊平 | 基于小波神经网络的数据预测系统、方法及装置 |
CN112607240A (zh) * | 2019-10-05 | 2021-04-06 | 山西集智数据服务有限公司 | 一种智能垃圾分类投放装置 |
TWI767368B (zh) * | 2020-10-20 | 2022-06-11 | 國立勤益科技大學 | 智慧型超音波輔助研磨加工系統及其方法 |
CN112905716A (zh) * | 2021-02-24 | 2021-06-04 | 同济大学 | 一种半导体生产过程数据预处理方法及装置 |
CN113065574A (zh) * | 2021-02-24 | 2021-07-02 | 同济大学 | 一种半导体制造系统数据预处理方法及装置 |
CN113418885A (zh) * | 2021-07-22 | 2021-09-21 | 合肥学院 | 一种用于紫外分光光度计实验数据的分析方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101630376B (zh) * | 2009-08-12 | 2012-06-20 | 江苏大学 | 多模型神经网络的生物发酵过程软测量建模方法及软仪表 |
CN102945332B (zh) * | 2012-11-26 | 2016-05-11 | 慈溪市供电局 | 一种基于梯度的离线异常数据检测方法 |
CN106931453B (zh) * | 2017-02-27 | 2018-02-16 | 浙江大学 | 循环流化床生活垃圾焚烧锅炉NOx排放的预测系统及方法 |
CN108090608A (zh) * | 2017-12-13 | 2018-05-29 | 上海海事大学 | 一种基于bp神经网络的岸桥状态预测方法 |
CN108364637B (zh) * | 2018-02-01 | 2021-07-13 | 福州大学 | 一种音频句子边界检测方法 |
CN108665322A (zh) * | 2018-05-18 | 2018-10-16 | 河南工业大学 | 口粮消费量预测模型的构建方法、消费量预测方法及装置 |
-
2019
- 2019-03-26 CN CN201910230781.6A patent/CN110020712B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110020712A (zh) | 2019-07-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110020712B (zh) | 一种基于聚类的优化粒子群bp网络预测方法和系统 | |
CN110097755B (zh) | 基于深度神经网络的高速公路交通流量状态识别方法 | |
CN110084610B (zh) | 一种基于孪生神经网络的网络交易欺诈检测系统 | |
WO2022121289A1 (en) | Methods and systems for mining minority-class data samples for training neural network | |
CN106650767B (zh) | 基于聚类分析和实时校正的洪水预报方法 | |
CN110006649B (zh) | 一种基于改进蚁狮算法和支持向量机的轴承故障诊断方法 | |
CN111178611B (zh) | 一种日电量预测的方法 | |
CN111860982A (zh) | 一种基于vmd-fcm-gru的风电场短期风电功率预测方法 | |
CN106022954B (zh) | 基于灰色关联度的多重bp神经网络负荷预测方法 | |
CN111814956B (zh) | 一种基于多维度二次特征提取的多任务学习的空气质量预测方法 | |
CN110087207B (zh) | 无线传感器网络缺失数据重建方法 | |
CN112287294B (zh) | 一种基于深度学习的时空双向土壤含水量插值方法 | |
CN115374995A (zh) | 一种分布式光伏、小风电场站功率预测方法 | |
CN113988426A (zh) | 一种基于fcm聚类和lstm的电动汽车充电负荷预测方法及系统 | |
CN111368900A (zh) | 一种图像目标物识别方法 | |
CN116702992A (zh) | 一种发电功率预测方法、装置、电子设备及存储介质 | |
CN114970946A (zh) | 基于深度学习模型与经验模态分解耦合的pm2.5污染浓度长时空预测方法 | |
CN114330486A (zh) | 基于改进Wasserstein GAN的电力系统不良数据辨识方法 | |
CN117370766A (zh) | 一种基于深度学习的卫星任务规划方案评估方法 | |
CN113449919A (zh) | 一种基于特征和趋势感知的用电量预测方法及系统 | |
CN116542382A (zh) | 基于混合优化算法的污水处理溶解氧浓度预测方法 | |
CN116187561A (zh) | 一种基于空间时域卷积网络的pm10浓度精细化预测方法 | |
CN113742204B (zh) | 一种基于模糊测试的深度学习算子测试方法 | |
CN114065335A (zh) | 基于多尺度卷积循环神经网络的建筑物能耗预测方法 | |
CN113221447A (zh) | 一种基于改进遗传算法优化bp神经网络的土壤湿度预测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |