CN110110375A - 预测系统状态变量突变的判别方法 - Google Patents
预测系统状态变量突变的判别方法 Download PDFInfo
- Publication number
- CN110110375A CN110110375A CN201910281381.8A CN201910281381A CN110110375A CN 110110375 A CN110110375 A CN 110110375A CN 201910281381 A CN201910281381 A CN 201910281381A CN 110110375 A CN110110375 A CN 110110375A
- Authority
- CN
- China
- Prior art keywords
- variable
- control variable
- mutation
- value
- state variable
- 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
- 230000035772 mutation Effects 0.000 title claims abstract description 42
- 238000000034 method Methods 0.000 title claims abstract description 28
- 230000000694 effects Effects 0.000 claims abstract description 20
- 238000000513 principal component analysis Methods 0.000 claims abstract description 12
- 238000009825 accumulation Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 9
- 241000195493 Cryptophyta Species 0.000 claims description 5
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 5
- 238000012544 monitoring process Methods 0.000 claims description 5
- 229910052698 phosphorus Inorganic materials 0.000 claims description 5
- 239000011574 phosphorus Substances 0.000 claims description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 4
- 238000004088 simulation Methods 0.000 claims description 4
- 238000011835 investigation Methods 0.000 abstract 1
- 230000006870 function Effects 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000012851 eutrophication Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000000155 melt Substances 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- CCEKAJIANROZEO-UHFFFAOYSA-N sulfluramid Chemical group CCNS(=O)(=O)C(F)(F)C(F)(F)C(F)(F)C(F)(F)C(F)(F)C(F)(F)C(F)(F)C(F)(F)F CCEKAJIANROZEO-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及自然、突变事件的预测、多变量控制领域,为提出预测系统状态变量突变,预测系统状态变量突变的判别方法,步骤如下:(1)首先对主控制变量、次控制变量以及状态变量进行归一化;(2)对主控制变量、次控制变量进行主成分分析;(3)利用组合控制变量、状态变量构建尖点突变平衡曲面,并考察拟合值与实测值的拟合程度,考察DCCPI能否对系统变量的突变作出正确预测;如果效果不佳,则重新选取控制变量,重新构建平衡曲面,直到取得较好的拟合效果和预测效果为止。本发明主要应用于突变预测场合。
Description
技术领域
本发明涉及一种预测系统状态变量突变的判别指标,具体来说是在尖点突变理论的基础上,提出了一种预测系统状态变量突变的判别方法。
背景技术
自然界和社会现象中,存在许多突变和飞跃的过程,突变会造成系统的行为空间不可微,仅使用微积分对此类现象的作用不大。例如,水突然沸腾、冰突然融化、火山爆发、某地突然地震、房屋突然倒塌、病人突然死亡……。传统的预测方法多基于惯性原理,即认为未来的状态是现在规律的延伸,因此,对于规律的突变很难预报准确。而目前常用的其它方法,如神经网络方法,由于存在着追求训练误差最小、具有很强的学习记忆能力、构建模型过于精细等问题,容易出现拟合精度高而预测效果不好的现象,降低了预测能力。
因此,有必要引入新的方法手段,提高预测的精度、实用性。突变论是法国数学家雷内托姆提出的一种拓扑数学理论,用形象而精确的数学模型描述和预测事物连续性中断的质变过程。目前该理论主要用于突变分析和决策领域,如价格的突然上升,经济速度的突然加快或减慢,洪水引起的环境突变以及森林火灾的蔓延等。
发明内容
为克服现有技术的不足,本发明旨在提出一种预测系统状态变量突变的判别方法。为此,本发明采取的技术方案是,预测系统状态变量突变的判别方法,步骤如下:
(1)首先对主控制变量、次控制变量以及状态变量进行归一化;
(2)对主控制变量、次控制变量进行主成分分析,按照累积贡献率达到80%以上的原则,得出前i个主成分,并对其求和,得出尖点突变的控制变量;
(3)利用组合控制变量、状态变量构建尖点突变平衡曲面,并考察拟合值与实测值的拟合程度,考察DCCPI(Discriminant of Cusp Catastrophe as the PredictionIndicator)能否对系统变量的突变作出正确预测;如果效果不佳,则重新选取控制变量,重新构建平衡曲面,直到取得较好的拟合效果和预测效果为止。
尖点突变模型的平衡曲面M对应的方程为:
式中V(x)为尖点突变的势函数,u为主控制变量,v为次控制变量,x为状态变量,尖点突变的判别式△为:
△=8u3+27v2 (2)
u、v满足式(2)时,则处于即将发生突变的临界状态,当8u3+27v2<0时,状态变量将发生突变,因而利用判别式构建判别指标DCCPI,用于预测系统状态变量的突变。
各步骤细化如下:
(1)控制变量和状态变量的归一化,对于这些控制变量,采用如下公式进行归一化:
式中xij表示第j个变量的第i次监测值,xij’为xij的归一化值,xjmax为第j个变量的最大值,xjmin为第j个变量的最小值。
(2)对组合变量进行主成分分析:首先对多个控制变量采用主成分分析,按照累积贡献率占80%以上的原则,选择前i个控制变量,对其求和,得到单一变量,作为控制变量。
(3)平衡曲面方程的参数求解,定义实测值为y=4x3,令并写出尖点突变平衡曲面拟合式:
y=k1(-2u'x)+k2(-v')+k3 (4)
式中:
y——实测值;
x——状态变量的归一化值;
u'——主控制变量归一化值;
v'——次控制变量归一化值;
k1、k2、k3——待求解的系数。
定义拟合值为k1(-2u'x)+k2(-v')+k3,为了预测系统状态变量的突变,在计算实测值y=4x3时,x取某次监测的状态变量归一化值,在计算拟合值时,主、次控制变量均采用前一次监测的有关指标的归一化值;
为了求解参数k1、k2、k3,将公式(4)转换为矩阵形式为:
Y=XB (5)
式中:
B=[k1 k2 k3]T;
n——样本组个数;
利用多元回归方法求解系数矩阵B;如果拟合值和实测值吻合较好,则具有较好的拟合精度;在此基础上,定义状态变量的突变预测指标为公式(6):
DCCPI=8(k1u')3+27(k2v'-k3)2 (6)
如果预测效果不佳,则重新选取控制变量,重新构建模型,直到取得较好的拟合效果和预测效果为止。
依据历史数据求解出k1、k2、k3三个参数以后,利用DCCPI预测系统状态变量的突变。
更进一步地具体步骤如下:
(1)选择水库水体中藻细胞密度的归一化值作为状态变量x,则实测值为y=4x3,选择总磷的归一化值为主控制变量u';
(2)选择温度、pH、碱度、浊度的归一化值组合成次控制变量,由于尖点突变理论仅能使用单一变量作为控制变量,因此需要将温度、pH、碱度、浊度转换为单一变量,通过主成分分析,按照累积贡献率超过80%的原则,选取前两个主成分,对其求和,作为次控制变量;
(3)利用多元回归方法求解系数矩阵B;
(4)计算DCCPI,预测水库系统状态变量的突变。
本发明的特点及有益效果是:
由于尖点突变理论特别适用于处理突变类问题,本发明对于预测系统状态变量的突变,具有较高的拟合精度和预测精度。本模型需要的指标较少,与人工神经网络等方法相比,不需要大量的监测数据作为训练数据集,因而特别适用于监测数据较为缺乏的场合。为了便于自动化该求解过程,本发明提出了人性化的GUI程序界面,对有关部门、企事业单位的日常管理提供了简便、有效的工具。
附图说明:
图1为尖点突变理论的平衡曲面;
图2为本发明的流程图;
图3为本发明应用于某水库富营养化预测的实例;
图4为模型求解程序“文件”菜单;
图5为模型求解程序“求解”菜单。
图6为模型求解程序“图形输出”菜单。
具体实施方式
本发明提出了一种预测系统状态变量突变的判别指标DCCPI(Discriminant ofCusp Catastrophe as the Prediction Indicator)。首先,选择合适的指标作为主控制变量、次控制变量和状态变量,并对上述变量进行归一化。然后,利用控制变量的历史数据构建平衡曲面方程,求解参数,得出DCCPI的计算公式。此后,将DCCPI应用于系统状态变量突变的预测。与此同时,本发明开发了预测模型求解程序,具有图形化的操作界面,简洁、实用、便于操作。
为克服现有技术的不足,本发明旨在提出一种预测系统状态变量突变的判别指标。本发明采用的技术方案是,基于主成分分析、尖点突变理论,提出了判别指标,主要包括以下内容:
(1)由于不同的指标的数量级不同,为了消除数量级的影响,首先对主控制变量、次控制变量以及状态变量进行归一化。
(2)由于尖点突变理论只能接受单个变量作为控制变量,如果采用多个变量作为控制变量,则需要将其组合成单个变量。因此,对主控制变量、次控制变量进行主成分分析,按照累积贡献率达到80%以上的原则,得出前i个主成分,并对其求和,得出尖点突变的控制变量。
(3)利用组合控制变量、状态变量构建尖点突变平衡曲面,并考察拟合值与实测值的拟合程度,考察DCCPI能否对系统变量的突变作出正确预测。如果效果不佳,则重新选取控制变量,重新构建平衡曲面,直到取得较好的拟合效果和预测效果为止。
(4)对于以上求解过程,为了方便实际应用,编写自动求解程序,构建人性化的GUI(Graphical User Interface)求解程序界面。
尖点突变模型的平衡曲面M(附图1)对应的方程为:
式中u为主控制变量,v为次控制变量,x为状态变量。尖点突变判的别式为:
△=8u3+27v2 (2)
当u>0时,v的变化只引起状态变量x的光滑变化;但当u减少到负值时,就会出现对x的不连续变化,即发生突变。由此可见,一旦u、v满足式(2)时,则系统处于即将发生突变的临界状态,当8u3+27v2<0时,系统状态变量将发生突变。在实际应用时,当8u3+27v2由正值减小,迅速较低为较低的负值时,意味着系统状态变量会发生突变。因此,本发明利用判别式构建判别指标DCCPI,用于预测系统状态变量的突变。
本发明提出的方法主要包括以下步骤:
(1)控制变量和状态变量的归一化。对于这些控制变量,采用如下公式进行归一化:
(2)对组合变量进行主成分分析。系统状态变量的突变往往与较多的指标有关,因此采用单一变量作为控制变量可能效果不佳。为了准确的预测系统变量的突变,往往需要选用多个指标形成组合变量,但尖点突变理论只接受单一变量作为控制变量,因此需要采用恰当的方法,将组合变量转变成单一变量。本发明首先对多个控制变量采用主成分分析,按照累积贡献率占80%以上的原则,选择前i个控制变量,对其求和,得到单一变量,作为控制变量。
(3)平衡曲面方程的参数求解。定义实测值为y=4x3,令并写出尖点突变平衡曲面拟合式:
y=k1(-2u'x)+k2(-v')+k3 (4)
式中:
y——实测值;
x——状态变量的归一化值;
u'——主控制变量归一化值;
v'——次控制变量归一化值。
定义拟合值为k1(-2u'x)+k2(-v')+k3。为了预测系统状态变量的突变,在计算实测值y=4x3时,x取某次监测的状态变量归一化值。在计算拟合值时,主、次控制变量均采用前一次监测的有关指标的归一化值。
为了求解参数k1、k2、k3,将公式(4)转换为矩阵形式为:
Y=XB (5)
式中:
B=[k1 k2 k3]T;
n——样本组个数。
利用多元回归方法求解系数矩阵B。如果拟合值和实测值吻合较好,则具有较好的拟合精度。在此基础上,定义状态变量的突变预测指标为公式(6):
DCCPI=8(k1u')3+27(k2v'-k3)2 (6)
如果预测效果不佳,则重新选取控制变量,重新构建模型,直到取得较好的拟合效果和预测效果为止。在一定数量的历史数据求解出k1、k2、k3三个参数以后,即可利用DCCPI预测系统状态变量的突变。
(4)构建GUI求解程序。本程序包括“文件”、“求解”、“图形输出”、“帮助”等菜单。其中“文件”菜单包含数据的导入、导出功能,可用于主控制变量、次控制变量、状态变量的导入,也可用于数据的导出。“求解”菜单包括归一化、主成分分析、构建平衡曲面、计算模拟值、计算DCCPI等功能。“图形输出”菜单可以输出拟合值、实测值、DCCPI之间的曲线。
将本发明应用于北方某水库,通过预测藻细胞密度的突增预测水华现象,主要过程如下:(1)由于该水库富含氮而磷相对缺乏,磷成为藻类生长的限制因素。因此,选择藻细胞密度的归一化值作为状态变量x,则实测值为y=4x3,选择总磷的归一化值为主控制变量u'。(2)选择温度、pH、碱度、浊度的归一化值组合成次控制变量。由于尖点突变理论仅能使用单一变量作为控制变量,因此需要将温度、pH、碱度、浊度转换为单一变量。通过主成分分析,按照累积贡献率超过80%的原则,选取前两个主成分,对其求和,作为次控制变量。(3)利用多元回归方法求解系数矩阵B。结果发现,拟合值和实测值吻合较好,具有较好的拟合精度。(4)计算DCCPI,预测系统状态变量的突变。
对该水库水华现象的预测结果如图3,横坐标为时间,时间范围从4月份到10月份。在通常情况下,判别式DCCPI的值大于-10,但7月29日的判别式DCCPI显著降低到了-60,预示着该水库将发生水华现象。与此同时,7月29日的藻细胞密度迅速增加,表明该水库确实发生了水华现象。7月29日的判别式DCCPI是由上一次监测(7月22日)的控制变量计算得到的,因此能够提前预测出此次水华现象。这表明将本发明应用到该水库的水华预测取得了较好的效果。
Claims (4)
1.一种预测系统状态变量突变的判别方法,其特征是,步骤如下:
(1)首先对主控制变量、次控制变量以及状态变量进行归一化;
(2)对主控制变量、次控制变量进行主成分分析,按照累积贡献率达到80%以上的原则,得出前i个主成分,并对其求和,得出尖点突变的控制变量;
(3)利用组合控制变量、状态变量构建尖点突变平衡曲面,并考察拟合值与实测值的拟合程度,考察DCCPI(Discriminant of Cusp Catastrophe as the PredictionIndicator)能否对系统变量的突变作出正确预测;如果效果不佳,则重新选取控制变量,重新构建平衡曲面,直到取得较好的拟合效果和预测效果为止。
2.如权利要求1所述的预测系统状态变量突变的判别方法,其特征是,尖点突变模型的平衡曲面M对应的方程为:
式中V(x)为尖点突变的势函数,u为主控制变量,v为次控制变量,x为状态变量,尖点突变的判别式Δ为:
Δ=8u3+27v2 (2)
u、v满足式(2)时,则处于即将发生突变的临界状态,当8u3+27v2<0时,状态变量将发生突变,因而利用判别式构建判别指标DCCPI,用于预测系统状态变量的突变。
3.如权利要求1所述的预测系统状态变量突变的判别方法,其特征是,各步骤细化如下:
(1)控制变量和状态变量的归一化,对于这些控制变量,采用如下公式进行归一化:
式中xij表示第j个变量的第i次监测值,xij’为xij的归一化值,xjmax为第j个变量的最大值,xjmin为第j个变量的最小值;
(2)对组合变量进行主成分分析:首先对多个控制变量采用主成分分析,按照累积贡献率占80%以上的原则,选择前i个控制变量,对其求和,得到单一变量,作为控制变量;
(3)平衡曲面方程的参数求解,定义实测值为y=4x3,令并写出尖点突变平衡曲面拟合式:
y=k1(-2u'x)+k2(-v')+k3 (4)
式中:
y——实测值;
x——状态变量的归一化值;
u'——主控制变量归一化值;
v'——次控制变量归一化值;
k1、k2、k3——待求解的系数。
定义拟合值为k1(-2u'x)+k2(-v')+k3,为了预测系统状态变量的突变,在计算实测值y=4x3时,x取某次监测的状态变量归一化值,在计算拟合值时,主、次控制变量均采用前一次监测的有关指标的归一化值;
为了求解参数k1、k2、k3,将公式(4)转换为矩阵形式为:
式中:
B=[k1 k2 k3]T;
n——样本组个数;
利用多元回归方法求解系数矩阵B;如果拟合值和实测值吻合较好,则具有较好的拟合精度;在此基础上,定义状态变量的突变预测指标为公式(6):
DCCPI=8(k1u')3+27(k2v'-k3)2 (6)
如果预测效果不佳,则重新选取控制变量,重新构建模型,直到取得较好的拟合效果和预测效果为止。
依据历史数据求解出k1、k2、k3三个参数以后,利用DCCPI预测系统状态变量的突变。
4.如权利要求3所述的预测系统状态变量突变的判别方法,其特征是,更进一步地具体步骤如下:
(1)选择水库水体中藻细胞密度的归一化值作为状态变量x,则实测值为y=4x3,选择总磷的归一化值为主控制变量u';
(2)选择温度、pH、碱度、浊度的归一化值组合成次控制变量,由于尖点突变理论仅能使用单一变量作为控制变量,因此需要将温度、pH、碱度、浊度转换为单一变量,通过主成分分析,按照累积贡献率超过80%的原则,选取前两个主成分,对其求和,作为次控制变量;
(3)利用多元回归方法求解系数矩阵B;
(4)计算DCCPI,预测水库系统状态变量的突变。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910281381.8A CN110110375A (zh) | 2019-04-09 | 2019-04-09 | 预测系统状态变量突变的判别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910281381.8A CN110110375A (zh) | 2019-04-09 | 2019-04-09 | 预测系统状态变量突变的判别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110110375A true CN110110375A (zh) | 2019-08-09 |
Family
ID=67483788
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910281381.8A Pending CN110110375A (zh) | 2019-04-09 | 2019-04-09 | 预测系统状态变量突变的判别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110110375A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114264096A (zh) * | 2021-12-30 | 2022-04-01 | 西安建筑科技大学 | 一种基于尖点突变模型的除霜控制方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103114554A (zh) * | 2013-02-04 | 2013-05-22 | 河海大学 | 一种混凝土坝损伤场演化状态的预警方法 |
US20170185902A1 (en) * | 2015-12-29 | 2017-06-29 | Tata Consultancy Services Limited | System and method for predicting response time of an enterprise system |
CN107231377A (zh) * | 2017-07-21 | 2017-10-03 | 河南工程学院 | 基于突变平衡态理论的BGP‑LDoS攻击检测方法 |
KR20180060287A (ko) * | 2016-11-28 | 2018-06-07 | 한국외국어대학교 연구산학협력단 | 기상수치모델 예측변수를 이용한 집중호우 사전 예측 방법 및 시스템 |
CN108320516A (zh) * | 2018-04-08 | 2018-07-24 | 华中师范大学 | 基于尖点突变和量子粒子群优化的道路通行能力评价方法 |
CN108429771A (zh) * | 2018-06-11 | 2018-08-21 | 中国人民解放军战略支援部队信息工程大学 | 基于突变理论的软件定义网络安全状态评估方法及装置 |
CN108846565A (zh) * | 2018-06-04 | 2018-11-20 | 福建师范大学地理研究所 | 南方红壤侵蚀区生态恢复适时介入与安全退出的评估方法 |
CN109035730A (zh) * | 2018-07-16 | 2018-12-18 | 河海大学 | 一种考虑服役环境影响的混凝土坝损伤动力预警方法 |
-
2019
- 2019-04-09 CN CN201910281381.8A patent/CN110110375A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103114554A (zh) * | 2013-02-04 | 2013-05-22 | 河海大学 | 一种混凝土坝损伤场演化状态的预警方法 |
US20170185902A1 (en) * | 2015-12-29 | 2017-06-29 | Tata Consultancy Services Limited | System and method for predicting response time of an enterprise system |
KR20180060287A (ko) * | 2016-11-28 | 2018-06-07 | 한국외국어대학교 연구산학협력단 | 기상수치모델 예측변수를 이용한 집중호우 사전 예측 방법 및 시스템 |
CN107231377A (zh) * | 2017-07-21 | 2017-10-03 | 河南工程学院 | 基于突变平衡态理论的BGP‑LDoS攻击检测方法 |
CN108320516A (zh) * | 2018-04-08 | 2018-07-24 | 华中师范大学 | 基于尖点突变和量子粒子群优化的道路通行能力评价方法 |
CN108846565A (zh) * | 2018-06-04 | 2018-11-20 | 福建师范大学地理研究所 | 南方红壤侵蚀区生态恢复适时介入与安全退出的评估方法 |
CN108429771A (zh) * | 2018-06-11 | 2018-08-21 | 中国人民解放军战略支援部队信息工程大学 | 基于突变理论的软件定义网络安全状态评估方法及装置 |
CN109035730A (zh) * | 2018-07-16 | 2018-12-18 | 河海大学 | 一种考虑服役环境影响的混凝土坝损伤动力预警方法 |
Non-Patent Citations (1)
Title |
---|
田一梅: "天津市地表水体水质安全研究", 《中国博士学位论文全文数据库 工程科技Ⅰ辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114264096A (zh) * | 2021-12-30 | 2022-04-01 | 西安建筑科技大学 | 一种基于尖点突变模型的除霜控制方法 |
CN114264096B (zh) * | 2021-12-30 | 2024-03-12 | 西安建筑科技大学 | 一种基于尖点突变模型的除霜控制方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105139585B (zh) | 一种土质边坡险情智能预警预报方法 | |
Hua | Residential construction demand forecasting using economic indicators: A comparative study of artificial neural networks and multiple regression | |
CN107832897A (zh) | 一种基于深度学习的股票市场预测方法 | |
CN108985577B (zh) | 一种基于推理机的水库群实时防洪调度显效水库智能识别方法 | |
CN109086930A (zh) | 一种基于电力k线图及深度网络的用户用电行为分析方法 | |
CN111079860B (zh) | 基于情景相似度的突发事件多粒度响应模型构建方法 | |
CN114154700B (zh) | 一种基于transformer模型的用户用电量预测方法 | |
CN108510072A (zh) | 一种基于混沌神经网络的河道流量监测数据质量控制方法 | |
CN110110375A (zh) | 预测系统状态变量突变的判别方法 | |
CN107229970A (zh) | 共享直饮水水质自适应动态自学习在线监测系统 | |
CN114757416A (zh) | 一种基于定额法的需水预测方法及系统 | |
CN103294847B (zh) | 基于水力平差的供水管网模型模糊辨识方法 | |
Xuesen et al. | Consideration of trends in evaluating inter-basin water transfer alternatives within a fuzzy decision making framework | |
Chau | Rainfall-runoff correlation with particle swarm optimization algorithm | |
CN115759711A (zh) | 面向负荷管理的需求响应执行效果综合评价方法和系统 | |
CN113705091B (zh) | 考虑变化环境和调度影响的非一致性设计洪水计算方法 | |
CN107025497A (zh) | 一种基于Elman神经网络的电力负荷预警方法及装置 | |
CN113159427A (zh) | 一种地区电网负荷预测方法 | |
CN114021644A (zh) | 一种基于K-means和去丛聚法的区域代表性地下水位计算方法 | |
Siwek | Multiple asset portfolio with present value given as a discrete fuzzy number | |
CN103544404A (zh) | 一种多水源关键点危害控制安全供水方法 | |
Li | Study on Early Warning on the Financial Risk of Project Venture Capital through a Neural Network Model | |
CN109472398A (zh) | 基于相对鲁棒CVaR的电网投资项目组合优化方法 | |
CN110163748B (zh) | 一种流动性期限管理缺失数据回填方法和设备 | |
Alemho et al. | Simulation study on the comparison of error correction model and autoregressive distributed lag model for non-normally distributed data |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190809 |