CN110414146A - 一种基于深度学习的水环境治理项目设计参数优化方法 - Google Patents
一种基于深度学习的水环境治理项目设计参数优化方法 Download PDFInfo
- Publication number
- CN110414146A CN110414146A CN201910694878.2A CN201910694878A CN110414146A CN 110414146 A CN110414146 A CN 110414146A CN 201910694878 A CN201910694878 A CN 201910694878A CN 110414146 A CN110414146 A CN 110414146A
- Authority
- CN
- China
- Prior art keywords
- water environment
- environment treatment
- model
- design parameter
- deep learning
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于深度学习的水环境治理项目设计参数优化方法,包括:基于水环境治理区域的基础信息构建水环境治理区域的概念模型;基于水环境治理区域的概念模型构建水环境治理区域的数值模型,并对水环境治理区域的数值模型进行校正;运行校正后的水环境治理区域的数值模型生成替代模型训练样本;基于替代模型训练样本,使用深度学习对替代模型进行训练;基于训练后的替代模型进行水环境治理项目设计参数的多目标优化计算;本方法解决传统设计参数制定过程中无法得到最优的设计参数集的问题;能够对水环境系统中各个子系统的行为进行充分考量,并纳入最终的设计参数优化计算过程中;能够对水环境治理项目的设计工作进行多目标的优化分析。
Description
技术领域
本发明涉及水环境治理项目设计领域,具体地,涉及一种基于深度学习的水环境治理项目设计参数优化方法。
背景技术
水环境治理项目的设计参数制定是水环境治理项目中的重要环节,是后续项目落地实施的基础。设计参数的科学优化是水环境治理项目实施质量的重要保障。
目前,传统的水环境治理项目的设计参数制定方法是:首先观测和收集治理区域的基础水环境参数(水文、气象、水力条件和水质条件等),然后对得到的数据信息进行统计和趋势分析,进一步地可使用数值模型构建若干人为设定的情景进行模拟分析,最后在相关规范标准的框架下,确定水环境治理项目的相关设计参数。传统的水环境治理项目设计参数的制定方法主要是采用在相关规范标准框架指导下的独立参数计算分析。
目前,传统的水环境治理项目的设计参数制定过程主要是基于简单的数据统计分析和在规范标准的框架约束下进行的。传统的水环境治理项目的设计参数制定方法存在以下缺点:
(1)传统的水环境治理项目设计参数的制定过程过度依赖规范标准,而在规范和标准允许的范围内设计参数的制定存在一定的随意性,无法在相关的规范标准框架指导下分析得到最优的设计参数集;
(2)对于水环境系统内部复杂的水文、水力、水质和生态过程之间的交互作用和影响,传统的水环境治理项目的设计参数制定过程无法充分将这些影响因素纳入分析过程中;
(3)传统的水环境治理项目的设计参数的制定和成本控制之间的反馈渠道是单向的,无法构建二者之间双向的反馈机制,因此也就无法实现项目设计和成本控制之间的多目标优化。
发明内容
本发明提供一种基于深度学习的水环境治理项目设计参数优化方法,本方法有效解决传统设计参数制定过程中无法得到最优的设计参数集的问题;同时,本发明提出的水环境治理项目设计参数优化方法中在分析过程中引入了水环境数值模型,可以对水环境系统中各个子系统的行为进行充分考量,并纳入最终的设计参数优化计算过程中;并且本发明能够实现项目设计和成本控制之间的双向反馈,可以对水环境治理项目的设计工作进行多目标的优化分析。
为实现上述发明目的,本申请提供了一种基于深度学习的水环境治理项目设计参数优化方法,所述方法包括:
步骤1:基于水环境治理区域的基础信息构建水环境治理区域的概念模型;
步骤2:基于水环境治理区域的概念模型构建水环境治理区域的数值模型,并对水环境治理区域的数值模型进行校正;
步骤3:运行校正后的水环境治理区域的数值模型生成替代模型训练样本;
步骤4:基于替代模型训练样本,使用深度学习对替代模型进行训练;
步骤5:基于训练后的替代模型进行水环境治理项目设计参数的多目标优化计算。
其中,替代模型是由原始数值模型生成的输入输出数据集,经过训练得到的原始数值模型的替代模型,相对于数值模型,替代模型的主要优势在于计算效率更高。
优选的,所述步骤1具体包括:
步骤1a:收集水环境治理区域的基础资料,包括气象资料和水文资料,设计对水环境治理区域的水文观测和水质采样方案;
步骤1b:对治理区的水位、水温和电导率数据进行时序观测,观测和记录水环境治理区域的边界流量并对在关键点位采集水样进行测试分析;
步骤1c:对步骤1a收集和步骤1b观测得到的数据进行趋势分析、相关性分析和空间特征分析,构建水环境治理区域的概念模型。
优选的,所述步骤2具体包括:
步骤2a:基于已构建的水环境治理区域的概念模型,确定数值模型的时间和空间离散方法;
步骤2b:对治理区的源汇项和边界条件进行概化和参数化处理,确定数值模型的求解策略;
步骤2c:利用收集的水位时序数据对数值模型的水文-水动力模拟进行校正;
步骤2d:利用采样分析得到的水质数据对数值模型的水质模拟进行校正,并在数值模型的参数率定过程中根据模拟结果不断对概念模型进行调整和完善。
优选的,所述步骤3包括:
步骤3a:基于校正后的数值模型进行参数敏感性分析,筛选出工程措施可控的敏感性参数集,敏感性参数将作为替代模型的输入数据进行使用;
步骤3b:建立数值模拟软件输入文件的自动生成、模型的自动调用运行和模型输出的低空间需求储存,在实际计算中借助云计算完成替代模型所需训练样本(敏感性输入参数和对应的输出参数)的生成工作。
优选的,所述步骤4具体包括:
基于深度学习Keras框架搭建替代模型训练环境,使用不同数量的输入和输出样本数对替代模型进行训练,通过调整网络结构以及相关的训练参数探寻最优的训练策略。
优选的,所述步骤5包括:
收集和分析已有的水环境项目成本估算方法,构建水环境项目设计成本的量化策略,构建设计参数和项目设计成本之间的映射关系;
利用替代模型形成的设计参数和实施效果之间的映射关系,搭建基于基因算法的多目标优化框架,调整优化计算参数并完成对水环境项目设计参数的多目标优化计算。
优选的,所述方法还包括步骤6:基于多目标优化计算结果,确定水环境治理项目最优的设计参数。
优选的,所述步骤6具体包括:
基于多目标优化计算结果,对在实际水环境治理项目中的应用方案进行整理总结,包括确定项目成本和实施效果的帕累托最优集、对已有的水环境治理项目进行合理性评价、确定在给定成本限制或治理要求条件下最优的设计参数制定方案。
优选的,使用深度学习训练替代模型。
优选的,本方法在Python环境下搭建替代模型训练框架;本方法在MATLAB环境中搭建基于基因算法的多目标优化框架。
本申请提供的一个或多个技术方案,至少具有如下技术效果或优点:
本发明提供一种基于深度学习的水环境治理项目设计参数优化方法,通过在设计参数的制定过程中引入深度学习构建水环境数值模型的仿真模型,搭建起设计参数、项目实施效果和项目建设成本之间联系的桥梁,在此基础上使用基因多目标优化算法进行计算分析,得到最优的水环境项目设计参数配置策略。该方法可以有效解决传统设计参数制定过程中对规范标准生搬硬套的问题,设计参数的制定将更加有科学依据。同时,本发明提出的水环境治理项目设计参数优化方法中在分析过程中引入了水环境数值模型,可以对水环境系统中各个子系统的行为进行充分考量,并纳入最终的设计参数优化计算过程中。最后,本发明能够实现项目设计和成本控制之间的双向反馈,可以对水环境治理项目的设计工作进行多目标的优化分析。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解,构成本申请的一部分,并不构成对本发明实施例的限定;
图1是本申请中基于深度学习的水环境治理项目设计参数优化方法的流程示意图;
图2是本申请中水环境数值模型的空间离散示意图;
图3是本申请中深度学习计算原理示意图;
图4是本申请中深度学习的神经网络结构示意图;
图5是本申请中水环境治理项目设计参数的多目标优化计算帕累托曲线示意图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在相互不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述范围内的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
请参考图1-图5,本发明提供一种基于深度学习的水环境治理项目设计参数优化方法,在设计参数的制定过程中引入水环境数值模型对水环境系统行为进行仿真,使用人工智能中的深度学习(Python环境下的Keras架构)构建数值模型的替代模型(也叫代理模型),通过回归分析(数据拟合)搭建项目设计参数和项目建设成本之间的桥梁,在此基础上使用基因多目标优化算法(也叫遗传算法)通过模拟自然进化过程搜索最优解对水环境治理项目的设计参数进行多目标优化,得到项目实施效果和项目建设成本的帕累托最优锋线和对应的设计参数集,其操作流程如图1所示。
具体方法步骤如下:
(1)基于基础信息构建水环境治理区域的概念模型:
收集治理区域基础资料,包括气象(降水、湿度、温度、风速和风向等)和水文资料,设计对治理区的水文观测和水质采样方案;然后使用多参数水文水质监测仪(CTD Diver)对治理区的水位、水温和电导率数据进行时序观测,观测和记录治理区的边界流量并对在关键点位采集水样进行测试分析;最后对收集得到的数据进行趋势分析得到单个参数的变化规律、相关性分析得到多个参数之间的变化相应关系和空间特征分析得到参数的空间异质性特征,支撑构建水环境治理区域的水文-水力-水质系统循环的概念模型。
(2)构建水环境治理区域的数值模型并对其进行校正:
根据已构建的治理区水环境系统概念模型,确定数值模型的时间和空间离散(图2)方法,保证数值模型稳定收敛且有充分代表性;对治理区的源汇项和边界条件进行概化和参数化处理,确定数值模型的求解策略,保证模型顺利运行;利用收集的水位时序数据对数值模型的水文-水动力模拟进行校正;利用采样分析得到的水质数据(如COD、氨氮、总磷和总氮浓度)对数值模型的水质模拟进行校正,并在数值模型的参数率定过程中根据模拟结果不断对概念模型进行调整和完善。
(3)自动运行数值模型生成替代模型训练样本:
基于完成校正的数值模型进行参数敏感性分析,筛选出工程措施可控的敏感性参数集(如水深、边界流量、水生植被盖度等);建立数值模拟软件的输入文件自动生成、模型的自动调用运行和模型输出的低空间需求储存,在实际计算中借助云计算完成替代模型训练样本的生成工作。
(4)使用深度学习对替代模型进行训练:
在Python环境下基于Keras框架搭建替代模型训练环境,使用不同数量的输入和输出样本数对替代模型进行训练,通过调整网络结构(隐含层的神经元个数)以及相关的训练参数(激活函数的类型和学习率等)探寻最优的训练策略。
(5)使用基因算法基于替代模型进行多目标优化计算:
充分收集和分析已有的水环境项目成本估算方法,对设计参数和对应的工程成本数据进行回归分析,构建设计参数和最终的项目设计成本之间的映射关系;同时利用替代模型形成的设计参数和实施效果之间的映射关系,在MATLAB环境中搭建基于基因算法的多目标优化框架,调整优化计算参数并最终完成对水环境项目设计参数的多目标优化计算(图5)。
(6)基于多目标优化确定水环境治理项目最优的设计参数:
基于多目标优化计算结果,对提出的技术思路在实际水环境治理项目中的应用方案进行整理总结,包括确定项目成本和实施效果的帕累托最优集、对已有的水环境治理项目进行合理性评价、确定在给定成本限制或治理要求条件下最优的设计参数制定方案等。
本方法基于深度学习训练水环境仿真替代模型,包括在MATLAB环境下实现水环境数值模型的输入文件自动批量生成、自动调用运行和输出数据自动转存,运行并生成替代模型的输出特征参数集,继而使用深度学习训练水环境仿真的替代模型的方法。
本方法基于基因算法在MATLAB环境下搭建多目标优化计算环境,耦合使用训练完成的水环境替代模型,运行多目标优化计算程序,在规范标准框架允许的范围内实现水环境治理项目设计参数的多目标优化的方法。
上述本申请实施例中的技术方案,至少具有如下的技术效果或优点:
(1)科学性
传统的水环境治理项目的设计参数制定过程中,难以将水环境系统内部复杂的水文、水力、水质和生态过程之间的交互作用和影响纳入分析过程中来,项目设计的科学性难以得到有效保障,本发明提供的方法以“水环境数值模型+基于深度学习的替代建模+基于基因算法的参数多目标优化”为核心技术,将显著提升水环境治理项目设计的科学性。
(2)可靠性
本发明所提供的水环境治理项目的设计参数优化方法中,可使用水环境数值模型对未来若干年的项目实施效果进行预测和评价,有力支撑水环境治理项目设计方案的完善,是项目设计可靠性的坚强保障。
(3)高效性
在水环境治理项目设计参数的优化分析中,使用代理模型可以显著地降低分析的计算成本,相对于传统的水环境治理项目设计参数制定方法,本发明可以显著缩短设计参数制定所需的时间。
(4)经济性
传统的水环境治理项目的设计参数制定过程中,并没有实现项目设计和成本控制之间信息的双向传递和有效沟通,本发明提供的方法可以搭建项目设计和成本控制之间双向的信息反馈通道,通过多目标的优化计算可以有效地提升水环境治理项目的经济性。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种基于深度学习的水环境治理项目设计参数优化方法,其特征在于,所述方法包括:
步骤1:基于水环境治理区域的基础信息构建水环境治理区域的概念模型;
步骤2:基于水环境治理区域的概念模型构建水环境治理区域的数值模型,并对水环境治理区域的数值模型进行校正;
步骤3:运行校正后的水环境治理区域的数值模型生成替代模型训练样本;
步骤4:基于替代模型训练样本,使用深度学习对替代模型进行训练;
步骤5:基于训练后的替代模型进行水环境治理项目设计参数的多目标优化计算。
2.根据权利要求1所述的一种基于深度学习的水环境治理项目设计参数优化方法,其特征在于,所述步骤1具体包括:
步骤1a:收集水环境治理区域的基础资料,包括气象资料和水文资料,设计对水环境治理区域的水文观测和水质采样方案;
步骤1b:对治理区的水位、水温和电导率数据进行时序观测,观测和记录水环境治理区域的边界流量并对在关键点位采集水样进行测试分析;
步骤1c:对步骤1a收集和步骤1b观测得到的数据进行趋势分析、相关性分析和空间特征分析,构建水环境治理区域的概念模型。
3.根据权利要求1所述的一种基于深度学习的水环境治理项目设计参数优化方法,其特征在于,所述步骤2具体包括:
步骤2a:基于已构建的水环境治理区域的概念模型,确定数值模型的时间和空间离散方法;
步骤2b:对治理区的源汇项和边界条件进行概化和参数化处理,确定数值模型的求解策略;
步骤2c:利用收集的水位时序数据对数值模型的水文-水动力模拟进行校正;
步骤2d:利用采样分析得到的水质数据对数值模型的水质模拟进行校正,并在数值模型的参数率定过程中根据模拟结果不断对概念模型进行调整和完善。
4.根据权利要求1所述的一种基于深度学习的水环境治理项目设计参数优化方法,其特征在于,所述步骤3包括:
步骤3a:基于校正后的数值模型进行参数敏感性分析,筛选出工程措施可控的敏感性参数集,敏感性参数将作为替代模型的输入数据进行使用;
步骤3b:建立数值模拟软件输入文件的自动生成、模型的自动调用运行和模型输出的低空间需求储存,在实际计算中借助云计算完成替代模型所需训练样本的生成工作。
5.根据权利要求1所述的一种基于深度学习的水环境治理项目设计参数优化方法,其特征在于,所述步骤4具体包括:
基于深度学习Keras框架搭建替代模型训练环境,使用不同数量的输入和输出样本数对替代模型进行训练,通过调整网络结构以及相关的训练参数探寻最优的训练策略。
6.根据权利要求1所述的一种基于深度学习的水环境治理项目设计参数优化方法,其特征在于,所述步骤5包括:
收集和分析已有的水环境项目成本估算方法,构建水环境项目设计成本的量化策略,构建设计参数和项目设计成本之间的映射关系;
利用替代模型形成的设计参数和实施效果之间的映射关系,搭建基于基因算法的多目标优化框架,调整优化计算参数并完成对水环境项目设计参数的多目标优化计算。
7.根据权利要求1所述的一种基于深度学习的水环境治理项目设计参数优化方法,其特征在于,所述方法还包括步骤6:基于多目标优化计算结果,确定水环境治理项目最优的设计参数。
8.根据权利要求7所述的一种基于深度学习的水环境治理项目设计参数优化方法,其特征在于,所述步骤6具体包括:
基于多目标优化计算结果,对在实际水环境治理项目中的应用方案进行整理总结,包括确定项目成本和实施效果的帕累托最优集、对已有的水环境治理项目进行合理性评价、确定在给定成本限制或治理要求条件下最优的设计参数制定方案。
9.根据权利要求5所述的一种基于深度学习的水环境治理项目设计参数优化方法,其特征在于,使用人工智能技术中的深度学习训练替代模型。
10.根据权利要求1所述的一种基于深度学习的水环境治理项目设计参数优化方法,其特征在于,本方法在Python环境下搭建基于深度学习Keras框架的替代模型训练环境;本方法在MATLAB环境中搭建基于基因算法的多目标优化框架。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910694878.2A CN110414146B (zh) | 2019-07-30 | 2019-07-30 | 一种基于深度学习的水环境治理项目设计参数优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910694878.2A CN110414146B (zh) | 2019-07-30 | 2019-07-30 | 一种基于深度学习的水环境治理项目设计参数优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110414146A true CN110414146A (zh) | 2019-11-05 |
CN110414146B CN110414146B (zh) | 2022-08-05 |
Family
ID=68364225
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910694878.2A Active CN110414146B (zh) | 2019-07-30 | 2019-07-30 | 一种基于深度学习的水环境治理项目设计参数优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110414146B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113673170A (zh) * | 2021-08-29 | 2021-11-19 | 吉林农业科技学院 | 一种基于遗传算法的矩形渠道断面参数优化计算方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103559593A (zh) * | 2013-11-22 | 2014-02-05 | 华中科技大学 | 湖泊群多目标水质水量优化调度方法 |
US20170221152A1 (en) * | 2016-02-02 | 2017-08-03 | Loss Technology Services, Inc. | Water damage mitigation estimating system and method |
CN107832892A (zh) * | 2017-11-17 | 2018-03-23 | 北京大学 | 一种基于组合优化的多块地选种决策优化方法 |
CN108805254A (zh) * | 2018-04-27 | 2018-11-13 | 中国科学院自动化研究所 | 用于时序预测的参数优化系统 |
US20190080224A1 (en) * | 2017-09-08 | 2019-03-14 | Halliburton Energy Services, Inc. | Optimizing Production Using Design of Experiment and Reservoir Modeling |
CN109636194A (zh) * | 2018-12-14 | 2019-04-16 | 国网山东省电力公司电力科学研究院 | 一种输变电项目重大变动多源协同检测方法与系统 |
-
2019
- 2019-07-30 CN CN201910694878.2A patent/CN110414146B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103559593A (zh) * | 2013-11-22 | 2014-02-05 | 华中科技大学 | 湖泊群多目标水质水量优化调度方法 |
US20170221152A1 (en) * | 2016-02-02 | 2017-08-03 | Loss Technology Services, Inc. | Water damage mitigation estimating system and method |
US20190080224A1 (en) * | 2017-09-08 | 2019-03-14 | Halliburton Energy Services, Inc. | Optimizing Production Using Design of Experiment and Reservoir Modeling |
CN107832892A (zh) * | 2017-11-17 | 2018-03-23 | 北京大学 | 一种基于组合优化的多块地选种决策优化方法 |
CN108805254A (zh) * | 2018-04-27 | 2018-11-13 | 中国科学院自动化研究所 | 用于时序预测的参数优化系统 |
CN109636194A (zh) * | 2018-12-14 | 2019-04-16 | 国网山东省电力公司电力科学研究院 | 一种输变电项目重大变动多源协同检测方法与系统 |
Non-Patent Citations (2)
Title |
---|
M. OGAWA 等: "Application of Deep Learning to Underwater Invasion Warning System", 《2018 OCEANS - MTS/IEEE KOBE TECHNO-OCEANS (OTO)》 * |
阚光远 等: "基于耦合机器学习模型的洪水预报研究", 《中国农村水利水电》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113673170A (zh) * | 2021-08-29 | 2021-11-19 | 吉林农业科技学院 | 一种基于遗传算法的矩形渠道断面参数优化计算方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110414146B (zh) | 2022-08-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kalimuthu et al. | Crop prediction using machine learning | |
CN107342810B (zh) | 基于卷积神经网络的深度学习智能眼图分析方法 | |
CN107289998B (zh) | 基于can总线的猪舍环境温度智能监测系统 | |
CN102183621B (zh) | 水产养殖溶解氧浓度在线预测方法及系统 | |
Xu et al. | Study of short-term water quality prediction model based on wavelet neural network | |
CN110084367A (zh) | 一种基于lstm深度学习模型的土壤墒情预测方法 | |
CN107705556A (zh) | 一种基于支持向量机和bp神经网络结合的交通流预测方法 | |
CN106716479A (zh) | 从局部模型导出性能的计算机实现方法 | |
CN102183802B (zh) | 一种基于卡尔曼滤波及演化建模的短期气候预测方法 | |
CN103268519A (zh) | 基于改进Lyapunov指数的电力系统短期负荷预测方法及装置 | |
Jiang et al. | Automatic calibration a hydrological model using a master–slave swarms shuffling evolution algorithm based on self-adaptive particle swarm optimization | |
CN106650212A (zh) | 基于数据分析的植物智能培育方法及系统 | |
CN110212528A (zh) | 基于生成对抗和双重语义感知的配电网量测数据缺失重构方法 | |
CN105701540A (zh) | 一种自生成神经网络构建方法 | |
CN110648020A (zh) | 一种温室作物需水量预测方法及装置 | |
Priya et al. | An IoT based gradient descent approach for precision crop suggestion using MLP | |
Chen et al. | Typhoon event-based evolutionary fuzzy inference model for flood stage forecasting | |
CN109567313B (zh) | 一种具有生物特征识别功能的智能鞋垫 | |
CN112365359A (zh) | 种植决策确定模型的训练方法、装置、设备以及存储介质 | |
CN109858798A (zh) | 关联改造措施与电压指标的电网投资决策建模方法及装置 | |
CN110414146A (zh) | 一种基于深度学习的水环境治理项目设计参数优化方法 | |
CN107392398A (zh) | 一种农业管理方法、雾计算平台及系统 | |
Richards et al. | Optimisation of competition indices using simulated annealing and artificial neural networks | |
CN109272144A (zh) | 基于bpnn的中国北方草原地区ndvi的预测方法 | |
CN106802983A (zh) | 一种基于优化的bp神经网络的沼气产量建模计算方法及装置 |
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 |