CN110490351A - 基于pca-ga-rbf的换热器污垢生长预测方法 - Google Patents
基于pca-ga-rbf的换热器污垢生长预测方法 Download PDFInfo
- Publication number
- CN110490351A CN110490351A CN201910236098.3A CN201910236098A CN110490351A CN 110490351 A CN110490351 A CN 110490351A CN 201910236098 A CN201910236098 A CN 201910236098A CN 110490351 A CN110490351 A CN 110490351A
- Authority
- CN
- China
- Prior art keywords
- rbf
- neural network
- heat exchanger
- prediction model
- vector
- 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
Classifications
-
- 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
- G06N3/08—Learning methods
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- Computational Linguistics (AREA)
- Game Theory and Decision Science (AREA)
- Tourism & Hospitality (AREA)
- Physiology (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- General Business, Economics & Management (AREA)
- Genetics & Genomics (AREA)
- Feedback Control In General (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于PCA‑GA‑RBF的换热器污垢生长预测方法,包括以下步骤:步骤1.构建最佳的换热器污垢训练样本;步骤2.构建基于GA‑RBF的人工神经网络预测模型,确定RBF人工神经网络预测模型的输入层神经元个数、隐含层神经元个数以及输出神经元个数;步骤3.利用遗传算法对RBF人工神经网络预测模型的初始参数值进行优化,获得RBF人工神经网络预测模型的初始参数值;用遗传算法来优化RBF网络的隐节点中心和宽度参数;步骤4.利用优化好的RBF人工神经预测模型的初始参数值,带入RBF人工神经网络预测模型,采用正交最小二乘法调整RBF的隐含层节点中心位置和权值。本发明学习速度快、精度较高。
Description
技术领域
本发明涉及化工过程工业换热器污垢生成,特别涉及基于PCA-GA-RBF的换热器污垢生长预测模型。
技术背景
换热器广泛应用于石油、化工和动力等领域中,在实际运行时,换热器都不可避免地或多或少存在污垢问题,污垢的存在给换热器的运行带来不利影响,特别是使换热器的传热性能恶化,同时考虑到换热器中污垢的时变性(即随时间变化),污垢的形成是一个长期积累的过程,受众多因素的影响,如流体性质、壁温、流体与壁面的温度梯度、壁面材料、表面粗糙度、流体速度、湍流强度、流体与壁面的剪切力、污秽物质粒子的形状、组成、浓度、粒径分布、作用域粒子的热、电磁和引力等。
传统的实验研究方法中主要是研究单个因素对换热器污垢生长的影响,得出一个经验函数,但是对多种因素共同作用的污垢生长无法给出变化趋势。BP神经网络也被应用于换热器污垢的研究,但是由于BP神经网络本身存在着收敛速度慢和局部极值的缺点,预测的准确性和精度不好。
因此,迫切需要建立一个精度较高的换热器污垢预测模型,为换热器性能评价提供依据,促进工业换热器的节能优化。
发明内容
为了克服已有换热器污垢预测方法存在的精度较低、响应时间慢等不足,本发明提供一种学习速度快、精度较高的基于PCA-GA-RBF的换热器污垢预测模型。RBF网络由一个隐含层和一个线性输出层组成,对径向基的权值训练采用无监督训练;在输出层的权值设计采用误差修正算法,为监督训练。与传统的BP神经网络相比,RBF神经网络规模较大,具有任意逼近非线性函数的能力,可处理难以解析的规律性,具有良好的泛化能力,同时有很快的学习收敛速度,很高的预测精度。而遗传算法由于具有分布、并行、快速全局搜索的能力,克服了以往动态规划渐进法和非线性规划求解不能收敛到真正最优解的缺陷。
本发明解决技术问题所采用的技术方案是:
一种基于PCA-GA-RBF的换热器污垢生长预测方法,包括以下步骤:
步骤1.利用石化生产中采集到的流量、温度、压力、污垢热阻和物性参数的历史数据,通过主成分分析方法(PCA),对采集到的数据进行降维处理,通过少数几个主因素来反应影响污垢生成的复杂内部规律,重新组合一组新的互相无关的数据组,然后构建最佳的换热器污垢训练样本;
1.1)假设原始数据集W有n×m维数据;
1.2)原始数据标准化,为了消除量纲的干扰,在主成分分析中采用下式进行处理:
1.3)求相关系数矩阵R
R=(rjk)m×m
1.4)求相关系数矩阵R的特征值、特征向量和贡献率;
R·x=λ·x
1.5)每一个新因子对应方差所占的百分比表示该变量在所有变量中的相对地位,对该系统综合的贡献,故称为贡献率,由贡献率求得累积贡献率用来表示信息的含量;
1.6)确定主成分的个数K,根据“累积贡献率大于85%”原则和准则,选取最佳的主因素,组成最好的数据组;
步骤2.构建基于GA-RBF的人工神经网络预测模型,确定RBF人工神经网络预测模型的输入层神经元个数、隐含层神经元个数以及输出神经元个数,对于三层神经网络的训练,隐含层神经元的个数选取是a为1-10之间的常数。p和q分别是输入、输出的神经元个数,由PCA构建的最好的数据组可见,输入神经元的个数是K,输出神经元的个数是1,隐含层的神经元个数定为
步骤3.利用遗传算法对RBF人工神经网络预测模型的初始参数值进行优化,获得RBF人工神经网络预测模型的初始参数值,其中,RBF人工神经网络参数包括连接权值W、高斯函数中心向量C和基宽向量B;用遗传算法来优化RBF网络的隐节点中心和宽度参数,其连接权值采用正则最小二乘法确定;
3.1)采用实数编码,中心向量C和宽度б分别用一个染色体表示。设输入向量的个数为N,隐含层节点为M,种群大小为P,则一个中心向量染色体长度就是M×N,中心向量就是一个P×(M×N)矩阵;一个宽度染色体的长度是M,宽度染色体就是一个P×M矩阵;
3.2)适应度函数的选择,对RBF网络的训练就是使其逼近精度。逼近误差精度目标函数由误差平方和来表示,因此要建立反应性能指标的适应度函数,采用以下的适应度函数:
其中N为样本数,di为期望输出,yi为实际输出;
3.3)初始化总群,遗传算法的随机寻优搜索过程范围基本上就在初始化的种群范围中,只有变异操作使其跳出初始的搜索空间,所以种群的初始化很重要。由于采用了径向基函数中心C和宽度б分别编码,中心参数初始为输入样本数据范围内的实数,中心宽度初始化为[1,4]区间上的实数;
3.4)选择,采用轮盘赌法,把种群中所有染色体的适应度总和看作一个轮盘的周围,而每个染色体按其适应度在总和中所占的比例占据轮盘的一个扇区,轮盘赌法选择采用下式计算种群中个体i的选择概率:
3.5)交叉,模拟二进制交叉从父代群体中随机选取两个个体x1和x2,按下式定义的线性组合交叉方式产生后代:
3.6)变异,实数编码中,采用均匀性变异,在父代群体中随机地选择一个个体x=[x1,x2,···xm],随机选择一个分量,假设是第k个分量,在其定义区间[ak,bk]中均匀随机地选取一个个体x'k=ak+r(bk-ak),r是一个均匀分布的随机数;
步骤4.利用优化好的RBF人工神经预测模型的初始参数值,带入RBF人工神经网络预测模型,采用正交最小二乘法调整RBF的隐含层节点中心位置和权值。正交最小二乘方法提供了用于中心选择的系统方法,显著地压缩神经网络的大小。正交最小二乘法基于格拉姆-斯密特正交化算法,过程是:
4.1)设置第一个基向量等于矩阵M的第一列:
w1=m1
4.2)抽取第k个基向量,以便它与前面k-1个向量正交:
重复步骤4.2),直到k=m。
本发明的有益效果主要表现在:本发明是基于机器学习的方法对影响参数多、非线性强、无法完全依靠函数关系表示的换热器污垢生成问题的技术解决方法。针对石化厂采集到的换热器数据,通过智能方法进行建模研究,弥补了实验数据建立的半经验模型对污垢生成预测的不足。同时,通过对石化厂运行过程中的流速、压力、温度、黏度、管壁厚度、介质性质、运行时间等复杂参数指标数据,进行主成分分析,发现运行参数之间的关系,确定在实际过程中对污垢生成的主要影响参数。建立好的预测模型,一方面可以实现对换热器污垢生长的准确预测,另一方面可以为调节换热器的运行状态提供依据。
附图说明
图1是基于GA-RBF换热器污垢生长预测的流程图。
图2是换热器污垢生长的数据主成分分析(PCA)的流程图。
图3是PCA主成分分析的贡献率和累积贡献率图。
图4是神经元个数和误差的关系图。
图5是预测值与实验值的相对误差率图。
具体实施方式
为了更好的说明本发明的应用效果,现对该方法应用实例进行说明。
参照图1~图5,一种基于PCA-GA-RBF的换热器污垢生长预测方法,包括以下步骤:
步骤1.利用石化生产中采集到的流量、温度、压力、污垢热阻和物性参数的历史数据,通过主成分分析方法(PCA),对采集到的数据进行降维处理,通过少数几个主因素来反应影响污垢生成的复杂内部规律,重新组合一组新的互相无关的数据组,然后构建最佳的换热器污垢训练样本;
1.1)假设原始数据集W有n×m维数据;
1.2)原始数据标准化,为了消除量纲的干扰,在主成分分析中采用下式进行处理:
1.3)求相关系数矩阵R
R=(rjk)m×m
1.4)求相关系数矩阵R的特征值、特征向量和贡献率;
R·x=λ·x
1.5)每一个新因子对应方差所占的百分比表示该变量在所有变量中的相对地位,对该系统综合的贡献,故称为贡献率,由贡献率求得累积贡献率用来表示信息的含量;
1.6)确定主成分的个数K,根据“累积贡献率大于85%”原则和准则,选取最佳的主因素,组成最好的数据组;
步骤2.构建基于GA-RBF的人工神经网络预测模型,确定RBF人工神经网络预测模型的输入层神经元个数、隐含层神经元个数以及输出神经元个数,对于三层神经网络的训练,隐含层神经元的个数选取是a为1-10之间的常数。p和q分别是输入、输出的神经元个数,由PCA构建的最好的数据组可见,输入神经元的个数是K,输出神经元的个数是1,隐含层的神经元个数定为
步骤3.利用遗传算法对RBF人工神经网络预测模型的初始参数值进行优化,获得RBF人工神经网络预测模型的初始参数值,其中,RBF人工神经网络参数包括连接权值W、高斯函数中心向量C和基宽向量B;用遗传算法来优化RBF网络的隐节点中心和宽度参数,其连接权值采用正则最小二乘法确定;
3.1)采用实数编码,中心向量C和宽度б分别用一个染色体表示。设输入向量的个数为N,隐含层节点为M,种群大小为P,则一个中心向量染色体长度就是M×N,中心向量就是一个P×(M×N)矩阵;一个宽度染色体的长度是M,宽度染色体就是一个P×M矩阵;
3.2)适应度函数的选择,对RBF网络的训练就是使其逼近精度。逼近误差精度目标函数由误差平方和来表示,因此要建立反应性能指标的适应度函数,采用以下的适应度函数:
其中N为样本数,di为期望输出,yi为实际输出;
3.3)初始化总群,遗传算法的随机寻优搜索过程范围基本上就在初始化的种群范围中,只有变异操作使其跳出初始的搜索空间,所以种群的初始化很重要。由于采用了径向基函数中心C和宽度б分别编码,中心参数初始为输入样本数据范围内的实数,中心宽度初始化为[1,4]区间上的实数;
3.4)选择,采用轮盘赌法,把种群中所有染色体的适应度总和看作一个轮盘的周围,而每个染色体按其适应度在总和中所占的比例占据轮盘的一个扇区,轮盘赌法选择采用下式计算种群中个体i的选择概率:
3.5)交叉,模拟二进制交叉从父代群体中随机选取两个个体x1和x2,按下式定义的线性组合交叉方式产生后代:
3.6)变异,实数编码中,采用均匀性变异,在父代群体中随机地选择一个个体x=[x1,x2,···xm],随机选择一个分量,假设是第k个分量,在其定义区间[ak,bk]中均匀随机地选取一个个体x'k=ak+r(bk-ak),r是一个均匀分布的随机数;
步骤4.利用优化好的RBF人工神经预测模型的初始参数值,带入RBF人工神经网络预测模型,采用正交最小二乘法调整RBF的隐含层节点中心位置和权值。正交最小二乘方法提供了用于中心选择的系统方法,显著地压缩神经网络的大小。正交最小二乘法基于格拉姆-斯密特正交化算法,过程是:
4.1)设置第一个基向量等于矩阵M的第一列:
w1=m1
4.2)抽取第k个基向量,以便它与前面k-1个向量正交:
重复步骤4.2),直到k=m。
本案例采用某炼油厂管式换热器的监测数据。包括流速、主流体的平均温度、换热器外壁温度、污垢的生长速率等。
表1
实施步骤如下:
步骤1.对采集到的影响污垢生成速率的参数指标进行主成分分析。
1.1)将速度、平均温度和外壁温生成8×3矩阵,对数据进行标准化处理,消除不同量纲的干扰。
1.2)经过计算求解,得到每个参数指标的贡献率分别68.0671,30.7330,1.199,将贡献率从大到小排列,如图3所示。
1.3)流速、主流体的平均温度两个指标的累积贡献率已经达到85%以上,选择流速、主流体的平均温度作为主要的影响参数指标。
步骤2.采用遗传算法对RBF的参数进行优化,构建最佳的三层RBF神经网络
2.1)初始化遗传算法的各参数,采用实数编码的方法对种群和个体进行编码。设置种群规模、交叉概率、变异概率和最大迭代次数。种群规模取100~200,交叉概率0.25~0.5,变异概率0.001~0.1,最大迭代次数为20~100。
2.2)种群初始化。设置进化代数计数器t=0,最大进化代数maxgen,并随机产生初始种群。
2.3)适应度计算,以误差作为RBF神经网络的适应度值,来衡量各染色体的优劣。其中,适应度越大,即误差小,拟合精度越高,获得的个体越优越。
2.4)通过选择、交叉和变异操作,达到更新种群的目的。寻找目标函数的全局最优值及对应的输入值,即获得与之对应的RBF参数,其中选择是轮盘赌方法,交叉形式是二进制交叉,变异形式为均匀性变异。
2.5)直到达到最大迭代次数,停止遗传算法的寻优计算。
步骤3.得出最佳的宽度б,径向基函数中心C,构建三层RBF神经网络。
3.1)载入流速、主流体平均温度、污垢测试值的数据,对三列数据进行归一化处理。
3.2)运用正交最小二乘法的RBF对数据进行训练,数据预测的误差曲线如图4所示,当神经元个数为6时,达到误差精度小于设定值0.001,满足预测精度要求。
3.3)通过反归一化处理得到最后的预测值,如表1所示。预测值与实验值之间的相对误差率如图5所示,结果表明,通过RBF模型,误差在±7%以内,模型误差较小,精度高,与传统机理方法±25%~±109%的误差相比,能够达到更好的预测效果。
Claims (4)
1.一种基于PCA-GA-RBF的换热器污垢生长预测方法,其特征在于,所述方法包括以下步骤:
步骤1.利用石化生产中采集到的流量、温度、压力、污垢热阻和物性参数的历史数据,通过主成分分析方法PCA,对采集到的数据进行降维处理,通过少数几个主因素来反应影响污垢生成的复杂内部规律,重新组合一组新的互相无关的数据组,然后构建最佳的换热器污垢训练样本;
1.1)假设原始数据集W有n×m维数据;
1.2)原始数据标准化,为了消除量纲的干扰,在主成分分析中采用下式进行处理:
1.3)求相关系数矩阵R
R=(rjk)m×m
1.4)求相关系数矩阵R的特征值、特征向量和贡献率;
R·x=λ·x
1.5)每一个新因子对应方差所占的百分比表示该变量在所有变量中的相对地位,对该系统综合的贡献,故称为贡献率,由贡献率求得累积贡献率用来表示信息的含量;
1.6)确定主成分的个数K,根据“累积贡献率大于85%”原则和准则,选取最佳的主因素,组成最好的数据组;
步骤2.构建基于GA-RBF的人工神经网络预测模型,确定RBF人工神经网络预测模型的输入层神经元个数、隐含层神经元个数以及输出神经元个数;
步骤3.利用遗传算法对RBF人工神经网络预测模型的初始参数值进行优化,获得RBF人工神经网络预测模型的初始参数值,其中,RBF人工神经网络参数包括连接权值W、高斯函数中心向量C和基宽向量B;用遗传算法来优化RBF网络的隐节点中心和宽度参数,其连接权值采用正则最小二乘法确定;
步骤4.利用优化好的RBF人工神经预测模型的初始参数值,带入RBF人工神经网络预测模型,采用正交最小二乘法调整RBF的隐含层节点中心位置和权值。
2.如权利要求1所述的一种基于PCA-GA-RBF的换热器污垢生长预测方法,其特征在于,所述步骤2中,对于三层神经网络的训练,隐含层神经元的个数选取是a为1-10之间的常数,p和q分别是输入、输出的神经元个数,由PCA构建的最好的数据组可见,输入神经元的个数是K,输出神经元的个数是1,隐含层的神经元个数定为
3.如权利要求1或2所述的一种基于PCA-GA-RBF的换热器污垢生长预测方法,其特征在于,所述步骤3的过程如下:
3.1)采用实数编码,中心向量C和宽度б分别用一个染色体表示,设输入向量的个数为N,隐含层节点为M,种群大小为P,则一个中心向量染色体长度就是M×N,中心向量就是一个P×(M×N)矩阵;一个宽度染色体的长度是M,宽度染色体就是一个P×M矩阵;
3.2)适应度函数的选择,对RBF网络的训练就是使其逼近精度,逼近误差精度目标函数由误差平方和来表示,因此要建立反应性能指标的适应度函数,采用以下的适应度函数:
其中N为样本数,di为期望输出,yi为实际输出;
3.3)初始化总群,遗传算法的随机寻优搜索过程范围基本上就在初始化的种群范围中,只有变异操作使其跳出初始的搜索空间,所以种群的初始化很重要,由于采用了径向基函数中心C和宽度б分别编码,中心参数初始为输入样本数据范围内的实数,中心宽度初始化为[1,4]区间上的实数;
3.4)选择,采用轮盘赌法,把种群中所有染色体的适应度总和看作一个轮盘的周围,而每个染色体按其适应度在总和中所占的比例占据轮盘的一个扇区,轮盘赌法选择采用下式计算种群中个体i的选择概率:
3.5)交叉,模拟二进制交叉从父代群体中随机选取两个个体x1和x2,按下式定义的线性组合交叉方式产生后代:
3.6)变异,实数编码中,采用均匀性变异,在父代群体中随机地选择一个个体x=[x1,x2,···xm],随机选择一个分量,假设是第k个分量,在其定义区间[ak,bk]中均匀随机地选取一个个体x'k=ak+r(bk-ak),r是一个均匀分布的随机数。
4.如权利要求1或2所述的一种基于PCA-GA-RBF的换热器污垢生长预测方法,其特征在于,所述步骤4中,正交最小二乘法基于格拉姆-斯密特正交化算法,过程是:
4.1)设置第一个基向量等于矩阵M的第一列:
w1=m1
4.2)抽取第k个基向量,以便它与前面k-1个向量正交:
重复步骤4.2),直到k=m。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910236098.3A CN110490351A (zh) | 2019-03-27 | 2019-03-27 | 基于pca-ga-rbf的换热器污垢生长预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910236098.3A CN110490351A (zh) | 2019-03-27 | 2019-03-27 | 基于pca-ga-rbf的换热器污垢生长预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110490351A true CN110490351A (zh) | 2019-11-22 |
Family
ID=68545826
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910236098.3A Pending CN110490351A (zh) | 2019-03-27 | 2019-03-27 | 基于pca-ga-rbf的换热器污垢生长预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110490351A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111178627A (zh) * | 2019-12-30 | 2020-05-19 | 杭州电子科技大学 | 一种基于spca的神经网络混合优化预测方法 |
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 |
CN111664823A (zh) * | 2020-05-25 | 2020-09-15 | 重庆大学 | 基于介质热传导系数差异的均压电极垢层厚度检测方法 |
CN113052379A (zh) * | 2021-03-17 | 2021-06-29 | 河北工程大学 | 一种基于bas-rbf的番茄需水预测方法 |
CN113219408A (zh) * | 2021-04-07 | 2021-08-06 | 吉林化工学院 | 改进型rbf神经网络室内可见光定位方法及系统 |
CN113705098A (zh) * | 2021-08-30 | 2021-11-26 | 国网江苏省电力有限公司营销服务中心 | 一种基于pca和ga-bp网络的风道加热器建模方法 |
CN113919243A (zh) * | 2021-09-11 | 2022-01-11 | 西北工业大学 | 基于机器学习的超临界流体传热关联式代理模型构建方法 |
CN114354455A (zh) * | 2022-01-17 | 2022-04-15 | 北京石油化工学院 | 一种电池浆料粒度分布在线测量的方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101430293A (zh) * | 2008-12-17 | 2009-05-13 | 湖南大学 | 大型凝汽器污垢变化趋势的预测方法 |
CN103729534A (zh) * | 2012-10-13 | 2014-04-16 | 东北电力大学 | 弧线管换热器颗粒污垢实验装置与预测方法及预测系统 |
CN105913175A (zh) * | 2016-04-07 | 2016-08-31 | 哈尔滨理工大学 | 基于改进神经网络算法的智能电网短期负荷预测方法 |
-
2019
- 2019-03-27 CN CN201910236098.3A patent/CN110490351A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101430293A (zh) * | 2008-12-17 | 2009-05-13 | 湖南大学 | 大型凝汽器污垢变化趋势的预测方法 |
CN103729534A (zh) * | 2012-10-13 | 2014-04-16 | 东北电力大学 | 弧线管换热器颗粒污垢实验装置与预测方法及预测系统 |
CN105913175A (zh) * | 2016-04-07 | 2016-08-31 | 哈尔滨理工大学 | 基于改进神经网络算法的智能电网短期负荷预测方法 |
Non-Patent Citations (5)
Title |
---|
于海琦 等: "一种基于GA-RBF神经网络的打印机颜色预测模型", 《激光与光电子学进展》 * |
李汉林 等: "《石油数学地质》", 30 November 2008, 东营:中国石油大学出版社 * |
柴海棣 等: "基于径向基神经网络的污垢预测方法研究", 《东北电力大学学报》 * |
谢为安 等: "《经济代数》", 30 September 2006, 北京:中国计量出版社 * |
雷定猷 等: "基于非线性主成分分析和GA-RBF的高速公路交通量预测方法", 《交通运输工程学报》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111178627A (zh) * | 2019-12-30 | 2020-05-19 | 杭州电子科技大学 | 一种基于spca的神经网络混合优化预测方法 |
CN111178627B (zh) * | 2019-12-30 | 2022-05-31 | 杭州电子科技大学 | 一种基于spca的神经网络混合优化预测方法 |
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 |
CN111664823A (zh) * | 2020-05-25 | 2020-09-15 | 重庆大学 | 基于介质热传导系数差异的均压电极垢层厚度检测方法 |
CN113052379A (zh) * | 2021-03-17 | 2021-06-29 | 河北工程大学 | 一种基于bas-rbf的番茄需水预测方法 |
CN113219408A (zh) * | 2021-04-07 | 2021-08-06 | 吉林化工学院 | 改进型rbf神经网络室内可见光定位方法及系统 |
CN113705098A (zh) * | 2021-08-30 | 2021-11-26 | 国网江苏省电力有限公司营销服务中心 | 一种基于pca和ga-bp网络的风道加热器建模方法 |
CN113919243A (zh) * | 2021-09-11 | 2022-01-11 | 西北工业大学 | 基于机器学习的超临界流体传热关联式代理模型构建方法 |
CN113919243B (zh) * | 2021-09-11 | 2022-09-13 | 西北工业大学 | 基于机器学习的超临界流体传热关联式代理模型构建方法 |
CN114354455A (zh) * | 2022-01-17 | 2022-04-15 | 北京石油化工学院 | 一种电池浆料粒度分布在线测量的方法 |
CN114354455B (zh) * | 2022-01-17 | 2023-12-08 | 北京石油化工学院 | 一种电池浆料粒度分布在线测量的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110490351A (zh) | 基于pca-ga-rbf的换热器污垢生长预测方法 | |
Xu et al. | Mid-term prediction of electrical energy consumption for crude oil pipelines using a hybrid algorithm of support vector machine and genetic algorithm | |
Onwubolu | Design of hybrid differential evolution and group method of data handling networks for modeling and prediction | |
CN106600094A (zh) | 一种基于供水管网动态模型的管道水质风险评价方法 | |
Wang et al. | Calibration of Xinanjiang model parameters using hybrid genetic algorithm based fuzzy optimal model | |
Li et al. | Melt index prediction by RBF neural network optimized with an MPSO-SA hybrid algorithm | |
CN112610903A (zh) | 一种基于深度神经网络模型的给水管网泄漏定位方法 | |
CN112418491B (zh) | 一种水库剩余拦沙库容动态配置方法 | |
Ismail et al. | A hybrid model of self organizing maps and least square support vector machine for river flow forecasting | |
CN108460461A (zh) | 基于ga-bp神经网络的火星壤剪切参数预测方法 | |
Li et al. | Melt index prediction by RBF neural network optimized with an adaptive new ant colony optimization algorithm | |
Papakostas et al. | Training fuzzy cognitive maps by using Hebbian learning algorithms: a comparative study | |
CN112364560B (zh) | 矿山凿岩装备作业工时智能预测方法 | |
Li et al. | Melt index prediction by adaptively aggregated RBF neural networks trained with novel ACO algorithm | |
CN109242558A (zh) | 一种基于神经网络的经营数据预测方法、可读存储介质和预测系统 | |
Vahdani et al. | A neural network model based on support vector machine for conceptual cost estimation in construction projects | |
Matias et al. | Using a neural network for estimating plant gradients in real-time optimization with modifier adaptation | |
Mattar et al. | Machine learning and regression-based techniques for predicting sprinkler irrigation's wind drift and evaporation losses | |
CN106383889A (zh) | 降维聚类的数据分析方法 | |
CN109086887A (zh) | 深度rbf神经网络与基于熵权的ahp结合的预警方法 | |
Wei et al. | Applications of genetic neural network for prediction of critical heat flux | |
Pacheco-Vega | Soft computing applications in thermal energy systems | |
Zahiri et al. | Flow discharge determination in straight compound channels using ANNs | |
Hosen et al. | Prediction interval-based modelling of polymerization reactor: A new modelling strategy for chemical reactors | |
CN116663607A (zh) | 一种基于lstm来构建油田分层注水预测模型的方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191122 |