CN110570013B - 一种单站位在线波周期数据的预测诊断方法 - Google Patents
一种单站位在线波周期数据的预测诊断方法 Download PDFInfo
- Publication number
- CN110570013B CN110570013B CN201910719442.4A CN201910719442A CN110570013B CN 110570013 B CN110570013 B CN 110570013B CN 201910719442 A CN201910719442 A CN 201910719442A CN 110570013 B CN110570013 B CN 110570013B
- Authority
- CN
- China
- Prior art keywords
- training
- data
- sample
- time
- neural network
- 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
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C13/00—Surveying specially adapted to open water, e.g. sea, lake, river or canal
-
- 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
- G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
-
- 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"
-
- 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
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Computing Systems (AREA)
- Development Economics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Remote Sensing (AREA)
- Game Theory and Decision Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Hydrology & Water Resources (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明公开了一种单站位在线波周期数据的预测诊断方法,包括RBF神经网络模型训练阶段和在线动态预测诊断阶段,模型训练好后,加载已经训练好的RBF神经网络初始模型,根据实时波浪传感器获得的海洋波浪波周期数据,逐一进行实际预测计算,并根据预测结果和下一时刻的实测结果判断数据是否异常,对满足条件的正常数据进行RBF神经网络动态再学习,在再学习过程中,调整样本集,调整隐层中心节点集,动态学习计算输出层最新权值。本发明所公开的方法能够随时间发展根据最新的正常波周期数据结果及时通过动态自适应调整模型内部参数,调整过程快速有效,能够满足海洋在线波浪数据监测系统的长时间不间断运行的实时性、动态性和准确性要求。
Description
技术领域
本发明涉及海洋波浪监测领域,特别涉及一种单站位在线波周期数据的预测诊断方法。
背景技术
现在,针对海洋波浪监测站位所监测到的在线波周期数据,只能进行简单的海陆通讯过程的发送与接收校验来判断通讯环节是否有数据错误。现有的数据在线接收软件也只能进行数据范围(如大于等于0小于30秒)的简单判断,针对具体的数据不能进行实质性的诊断。针对海洋测波仪器所测得数据是否异常存在预测与诊断方法的缺失,海洋测波仪器异常、空缺数据不能及时有效地发现和补充,需要人工进行有针对性的判断和识别。
现有的数据预测诊断技术主要有自回归移动平均模型,神经网络模型等,用于时间序列预测的神经网络模型主要有线性神经网络,BP神经网络和RBF神经网络等。
现有的自回归移动平均模型和神经网络模型大多针对既有数据进行处理,模型往往是静态不变的或者是复杂耗时的,这样导致模型准备率低或者运行速度慢,未考虑到在线监测过程中数据的实时更新,在线海洋监测过程中,需要及时有效地判断出异常数据,并对空缺时次数据进行及时预测补充。
发明内容
为解决上述技术问题,本发明提供了一种单站位在线波周期数据的预测诊断方法,以达到满足海洋在线波浪数据监测系统的长时间不间断运行的实时性、动态性、准确性要求的目的。
为达到上述目的,本发明的技术方案如下:
一种单站位在线波周期数据的预测诊断方法,包括如下两个阶段:
(1)RBF神经网络模型训练阶段:选取处理训练样本集,设置RBF神经网络模型的训练参数,包括初始输入层数量、隐含层节点数量和迭代精度;测试性训练确定输入层数量,训练样本数量,隐含层中心节点数量;训练得到RBF神经网络初始模型;
(2)在线动态预测诊断阶段:加载已经训练好的RBF神经网络初始模型,根据波浪传感器获得的实时海洋波浪波周期数据,逐一进行实际预测计算,并根据预测结果和下一时刻的实测结果判断数据是否异常,对满足条件的正常数据进行RBF神经网络的动态再学习,在再学习过程中,调整样本集,调整隐层中心节点集,动态学习计算输出层最新权值,在模型的不断训练调整中进行数据的动态预测诊断。
上述方案中,所述步骤(1)的具体方法如下:
1)选取有代表性的监测时间连续的样本数据,并分为训练样本和测试样本;
2)将样本数据处理为长度为1小时等时间间隔的数据序列,即训练样本和测试样本各360组,并进行归一化处理;
3)设置RBF神经网络模型训练时的训练样本数量为200、迭代精度为0.005、最大迭代次数为500、迭代步长为0.01、聚类分割因子为0.85;
4)以24,36,48,60作为RBF神经网络模型输入层数量分别进行训练和测试,获得测试准确度最佳的模型对应的输入层数量记为Ni,取模型输入层数量为Ni;
5)在[200,360]之间以10为步长使用不同训练样本数量进行训练和测试,获得测试准确度最佳的模型对应的训练样本数量记为Ns,取训练样本数量为Ns;
6)在[0.5,2]之间以0.01为步长使用不同分割因子进行训练和测试,获得测试准确度最佳的模型对应的分割因子记为pp,记聚类分割因子值为pp时对应的隐含层中心节点数量为Nt;
7)以输入层数量为Ni、样本数量为Ns、迭代精度为0.005、最大迭代次数为500、迭代步长为0.01、隐含层中心节点数量为Nt,训练得到初始RBF神经网络模型Ms。
上述方案中,所述步骤(2)的具体方法如下:
加载已经训练好的RBF神经网络初始模型,根据当前时刻之前最邻近的历史时刻实际有效的波周期数值确定模型的输入值、通过模型计算出预测值,待最新监测的波周期数据得到后,计算预测值与监测值的偏差,超出一定范围的监测值则视为异常值,在有效范围内的监测值视为正常值,如果该时刻数据缺失或诊断为异常值,则使用预测值作为当前时刻数据;
用诊断为正常值的最新数据形成最新样本,判断最新样本与已有样本集中每个样本的最小距离,若最小距离小于一定范围则不进行模型的学习调整,反之,若最小距离值达到一定数值条件,则替换时间最久的历史样本;
同时,根据最新样本与隐含层中心的最小距离、最新样本与历史样本间最小距离、各中心间的最小距离数值关系判断是否增加新的中心节点,如果增加新中心节点则替换掉时间最久样本对应的中心节点;不论是否增加新中心,只要有新样本加入进来,都要重新学习输出层权值,得到动态调整后的RBF神经网络模型,以此类推,随着时间的推移不断动态调整更新模型用于后续预测计算;当新增样本数量达到一定数量时,则全部重新计算得到隐含层中心节点集并重新学习计算输出层权值一次。
通过上述技术方案,本发明提供的一种单站位在线波周期数据的预测诊断方法建立了一种快速的RBF((Radial Basis Function)神经网络动态模型,能够随时间发展根据最新的正常波周期数据结果及时通过动态自适应调整模型内部参数,并且动态自适应调整过程快速有效,既能保证长时间海洋监测波周期数据的准确诊断,又能使用中低配置的普通PC机在1秒的时间内快速计算出预测值与实测值进行比较,并完成模型的自适应调整。这能够满足海洋在线波浪数据监测系统的长时间不间断运行的实时性、动态性和准确性要求。相比于线性神经网络和BP神经网络,RBF神经网络模型训练速度更快,能够很好地拟合非线性时间序列数据。
与现有技术相比本发明具有以下优点:
1、模型计算简单运行速度快、适应性强。
2、模型结果可靠、准确率更高。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。
图1为本发明实施例所公开的一种单站位在线波周期数据的预测诊断方法原理示意图;
图2为本发明实施例所公开的一种单站位在线波周期数据的预测诊断方法具体流程示意图(分两页显示)。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述。
本发明提供了一种单站位在线波周期数据的预测诊断方法,具体实施例如下:
本发明整体分为RBF神经网络模型训练阶段和在线动态预测诊断阶段两个过程。其中RBF神经网络模型训练阶段没有时间要求,在线动态预测诊断过程要求对每一监测站位的每一时次最新波周期数据在数秒甚至1秒时间内作出预测和诊断。
1、RBF神经网络模型训练阶段
1)选取有代表性的监测时间连续的样本数据(30天),并分为训练样本和测试样本,两类样本各15天;
2)将样本数据处理为长度为1小时等时间间隔的数据序列,即训练样本和测试样本各360组,并进行归一化处理(将数值范围处理为[-1,1]之间);
3)设置RBF神经网络模型训练时的训练样本数量为200、迭代精度为0.005、最大迭代次数为500,迭代步长为0.01,聚类分割因子为0.85;
4)以24,36,48,60作为RBF神经网络模型输入层数量分别进行训练和测试,获得测试准确度最佳的模型对应的输入层数量记为Ni,取模型输入层数量为Ni;
5)在[200,360]之间以10为步长使用不同训练样本数量进行训练和测试,获得测试准确度最佳的模型对应的训练样本数量记为Ns,取训练样本数量为Ns;
6)在[0.5,2]之间以0.01为步长使用不同分割因子进行训练和测试,获得测试准确度最佳的模型对应的分割因子记为pp,记聚类分割因子值为pp时对应的隐含层中心节点数量为Nt;
7)以输入层数量为Ni、样本数量为Ns、迭代精度为0.005、最大迭代次数为500,迭代步长为0.01,隐含层中心节点数量为Nt训练得到初始RBF神经网络模型Ms。
2、在线动态预测诊断阶段
8)加载RBF神经网络初始模型Ms;
9)设动态RBF神经网络模型Md与Ms相同,Md的Ns个训练样本集合记为S,Nt个中心节点集合记为T,输出层权值记为W,新增训练样本数量记为Nc=0;
10)用IN表示模型Md的输入,以最新时间的连续Ni个有效数值按时间顺序赋值给IN;
11)通过Md计算根据输入IN得到下一时次期望得到预测数据数值Pr;
12)如果下一时次没有实测数据值,则用Pr进行补充,将Pr及其之前时间的Ni-1个有效数值按时间顺序赋值给IN,转入步骤11);如果下一时次有实测数据值V,则将Pr与V比较判断,当二者差值绝对值Da>0.25时,则标注V为异常值,将Pr及其之前时间的Ni-1个有效数值按时间顺序赋值给IN,转入步骤11),否则,当Da<=0.25时,则判定V为有效值,将V及其之前时间的Ni-1个有效数值按时间顺序赋值给IN,并以当前时刻之前的Ni个数值以时间顺序作为输入,V作为输出组合形成新的样本A;
13)计算A与现有样本集中各样本的最短距离值DisS,判断是否满足DisS<Ni*0.005,如果满足,则转入步骤19);
14)将A添加进训练样本集S,新增样本数量Nc=Nc+1,当Nc>Ni*0.3时,转入步骤16);
15)计算A与集合T内所有中心节点的最短距离值DisT,计算T内所有中心节点间的最小距离DisM,当DisT>DisM*0.7并且DisS>DisM*0.5时,将A的前Ni个数值作为新中心节点加入T,同时从T中去掉与S中最久时间样本距离最小的中心节点,从S中去掉最久时间的样本,转入步骤18);
16)从S中去掉时间最久的样本,S现有时间最久的样本记为S0,将S中所有样本按距离S0的距离大小由小到大进行排序,S0为首样本,并用L0,L1,...,LNs-1表示排序后的各样本与S0的距离值,计算距离差值D1=L1-L0,D2=L2-L1,…,DNs-1=LNs-1-LNs-2;
17)对D1,D2,.,DNs1-中取Nt个最大的值,用这Nt个值对应的Nt个样本输入的集合替换成新的中心节点集合T;
18)用最小二乘法根据最新T,S重新计算输出层权值并将最新值更新至W中;
19)如果海洋波周期数据监测继续进行,则循环进行动态预测诊断,转入步骤11),否则,海洋波周期数据监测结束,则结束预测诊断操作。
另外,在线海洋波周期数据以10分钟、30分钟、60分钟等固定时间间隔连续不断地获得,受波浪传感器、数据封装、数据无线传输、数据解包等过程从海上传到陆地上的软件处理系统中,很难保证100%的传输效率。在1)过程中样本要选取连续时间段内的数据,并且选取遵循以下两个原则:各数据的监测时间尽量连续(即空缺数据少),人工检测无明显异常数据。
当实际波周期监测活动数据采集间隔为60分钟时可以直接使用本发明提出的方法。
当海洋监测站位的波浪传感器实际数据采集间隔为30分钟时,需要使用本发明所提方法2次分别建立整点时刻和半点时刻两套模型,当整点时刻时用整点模型进行预测判断、当半点时刻时用半点模型进行预测判断。
以此类推,当海洋监测站位的波浪传感器实际数据采集间隔为10分钟时,需要使用本发明所提方法6次分别建立整点时刻、10分时刻、20分时刻、30分时刻、40分时刻、50分时刻六套模型,在不同时刻使用对应时刻的模型进行预测判断。
例如:建立10分时刻模型时,在2)过程中,样本序列要选取确定日期天数范围内间隔1小时的序列数据,每天的00:10,01:10,…,23:10共24组时间序列数据。在动态预测诊断过程中,采用间隔为1小时的相应10分时刻的历史序列来预测诊断当前10分时刻的数据数值。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (1)
1.一种单站位在线波周期数据的预测诊断方法,其特征在于,包括如下两个阶段:
(1)RBF神经网络模型训练阶段:选取处理训练样本集,设置RBF神经网络模型的训练参数,包括初始输入层数量、隐含层节点数量和迭代精度;测试性训练确定输入层数量,训练样本数量,隐含层中心节点数量;训练得到RBF神经网络初始模型;
(2)在线动态预测诊断阶段:加载已经训练好的RBF神经网络初始模型,根据波浪传感器获得的实时海洋波浪波周期数据,逐一进行实际预测计算,并根据预测结果和下一时刻的实测结果判断数据是否异常,对满足条件的正常数据进行RBF神经网络的动态再学习,在再学习过程中,调整样本集,调整隐层中心节点集,动态学习计算输出层最新权值,在模型的不断训练调整中进行数据的动态预测诊断;
步骤(1)的具体方法如下:
1)选取有代表性的监测时间连续的样本数据,并分为训练样本和测试样本;
2)将样本数据处理为长度为1小时等时间间隔的数据序列,即训练样本和测试样本各360组,并进行归一化处理;
3)设置RBF神经网络模型训练时的训练样本数量为200、迭代精度为0.005、最大迭代次数为500、迭代步长为0.01、聚类分割因子为0.85;
4)以24,36,48,60作为RBF神经网络模型输入层数量分别进行训练和测试,获得测试准确度最佳的模型对应的输入层数量记为Ni,取模型输入层数量为Ni;
5)在[200,360]之间以10为步长使用不同训练样本数量进行训练和测试,获得测试准确度最佳的模型对应的训练样本数量记为Ns,取训练样本数量为Ns;
6)在[0.5,2]之间以0.01为步长使用不同分割因子进行训练和测试,获得测试准确度最佳的模型对应的分割因子记为pp,记聚类分割因子值为pp时对应的隐含层中心节点数量为Nt;
7)以输入层数量为Ni、样本数量为Ns、迭代精度为0.005、最大迭代次数为500、迭代步长为0.01、隐含层中心节点数量为Nt,训练得到初始RBF神经网络模型Ms;
步骤(2)的具体方法如下:
8)加载RBF神经网络初始模型Ms;
9)设动态RBF神经网络模型Md与Ms相同,Md的Ns个训练样本集合记为S,Nt个中心节点集合记为T,输出层权值记为W,新增训练样本数量记为Nc=0;
10)用IN表示模型Md的输入,以最新时间的连续Ni个有效数值按时间顺序赋值给IN;
11)通过Md计算根据输入IN得到下一时次期望得到预测数据数值Pr;
12)如果下一时次没有实测数据值,则用Pr进行补充,将Pr及其之前时间的Ni-1个有效数值按时间顺序赋值给IN,转入步骤11);如果下一时次有实测数据值V,则将Pr与V比较判断,当二者差值绝对值Da>0.25时,则标注V为异常值,将Pr及其之前时间的Ni-1个有效数值按时间顺序赋值给IN,转入步骤11),否则,当Da<=0.25时,则判定V为有效值,将V及其之前时间的Ni-1个有效数值按时间顺序赋值给IN,并以当前时刻之前的Ni个数值以时间顺序作为输入,V作为输出组合形成新的样本A;
13)计算A与现有样本集中各样本的最短距离值DisS,判断是否满足DisS<Ni*0.005,如果满足,则转入步骤19);
14)将A添加进训练样本集S,新增样本数量Nc=Nc+1,当Nc>Ni*0.3时,转入步骤16);
15)计算A与集合T内所有中心节点的最短距离值DisT,计算T内所有中心节点间的最小距离DisM,当DisT>DisM*0.7并且DisS>DisM*0.5时,将A的前Ni个数值作为新中心节点加入T,同时从T中去掉与S中最久时间样本距离最小的中心节点,从S中去掉最久时间的样本,转入步骤18);
16)从S中去掉时间最久的样本,S现有时间最久的样本记为S0,将S中所有样本按距离S0的距离大小由小到大进行排序,S0为首样本,并用L0,L1,...,LNs-1表示排序后的各样本与S0的距离值,计算距离差值D1=L1-L0,D2=L2-L1,…,DNs-1=LNs-1-LNs-2;
17)对D1,D2,...,DNs-1中取Nt个最大的值,用这Nt个值对应的Nt个样本输入的集合替换成新的中心节点集合T;
18)用最小二乘法根据最新T,S重新计算输出层权值并将最新值更新至W中;
19)如果海洋波周期数据监测继续进行,则循环进行动态预测诊断,转入步骤11),否则,海洋波周期数据监测结束,则结束预测诊断操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910719442.4A CN110570013B (zh) | 2019-08-06 | 2019-08-06 | 一种单站位在线波周期数据的预测诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910719442.4A CN110570013B (zh) | 2019-08-06 | 2019-08-06 | 一种单站位在线波周期数据的预测诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110570013A CN110570013A (zh) | 2019-12-13 |
CN110570013B true CN110570013B (zh) | 2023-04-07 |
Family
ID=68774578
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910719442.4A Active CN110570013B (zh) | 2019-08-06 | 2019-08-06 | 一种单站位在线波周期数据的预测诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110570013B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111307123B (zh) * | 2020-04-02 | 2021-03-02 | 中国水利水电科学研究院 | 一种水情监测数据的实时异常诊断与插补方法 |
CN112067289A (zh) * | 2020-08-21 | 2020-12-11 | 天津电气科学研究院有限公司 | 一种基于神经网络的电机轴及传动轴异常振动预警算法 |
CN113341919B (zh) * | 2021-05-31 | 2022-11-08 | 中国科学院重庆绿色智能技术研究院 | 一种基于时序数据长度优化的计算系统故障预测方法 |
CN117171604B (zh) * | 2023-11-03 | 2024-01-19 | 城资泰诺(山东)新材料科技有限公司 | 基于传感器的保温板生产线异常监测系统 |
Family Cites Families (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5649065A (en) * | 1993-05-28 | 1997-07-15 | Maryland Technology Corporation | Optimal filtering by neural networks with range extenders and/or reducers |
TWI240216B (en) * | 2002-06-27 | 2005-09-21 | Ind Tech Res Inst | Pattern recognition method by reducing classification error |
US8155735B2 (en) * | 2006-09-19 | 2012-04-10 | The Cleveland Clinic Foundation | Prediction and prevention of postoperative atrial fibrillation in cardiac surgery patients |
CN101149819A (zh) * | 2007-10-31 | 2008-03-26 | 山东省科学院海洋仪器仪表研究所 | 气象要素实时数据中奇异值的剔除方法 |
WO2012152858A1 (en) * | 2011-05-11 | 2012-11-15 | Shell Internationale Research Maatschappij B.V. | Method for monitoring seafloor movements |
US10366330B2 (en) * | 2013-05-03 | 2019-07-30 | Synopsys, Inc. | Formal verification result prediction |
CN103489034B (zh) * | 2013-10-12 | 2016-02-10 | 山东省科学院海洋仪器仪表研究所 | 预测与诊断在线海流监测数据的方法和装置 |
US9400955B2 (en) * | 2013-12-13 | 2016-07-26 | Amazon Technologies, Inc. | Reducing dynamic range of low-rank decomposition matrices |
CN103700255B (zh) * | 2013-12-30 | 2015-10-07 | 复旦大学 | 一种基于时空关联数据挖掘的交通流预测方法 |
CN104613944B (zh) * | 2015-01-27 | 2017-01-18 | 电子科技大学 | 一种基于gwr和bp神经网络的分布式水深预测方法 |
US10839302B2 (en) * | 2015-11-24 | 2020-11-17 | The Research Foundation For The State University Of New York | Approximate value iteration with complex returns by bounding |
CN105787592A (zh) * | 2016-02-26 | 2016-07-20 | 河海大学 | 基于改进rbf网络的风电机组超短期风功率预测方法 |
CN106096727B (zh) * | 2016-06-02 | 2018-12-07 | 腾讯科技(深圳)有限公司 | 一种基于机器学习的网络模型构造方法及装置 |
CN109564633B (zh) * | 2016-08-08 | 2023-07-18 | 诺基亚技术有限公司 | 人工神经网络 |
US11042802B2 (en) * | 2016-10-07 | 2021-06-22 | Global Optimal Technology, Inc. | System and method for hierarchically building predictive analytic models on a dataset |
CN107609633B (zh) * | 2017-05-03 | 2020-08-14 | 同济大学 | 车联网复杂网络中基于深度学习的车辆行驶影响因素的位置预测模型构造方法 |
US11200577B2 (en) * | 2017-08-31 | 2021-12-14 | Paypal, Inc. | Convolutional neural networks for variable prediction using raw data |
US10755188B2 (en) * | 2017-10-18 | 2020-08-25 | Nxgen Partners Ip, Llc | Unified nonlinear modeling approach for machine learning and artificial intelligence (attractor assisted AI) |
WO2019086867A1 (en) * | 2017-10-31 | 2019-05-09 | Babylon Partners Limited | A computer implemented determination method and system |
CN107992648B (zh) * | 2017-11-15 | 2021-04-20 | 南京航空航天大学 | 一种自适应rbf神经网络进行航空发动机推力估计算法 |
US11010658B2 (en) * | 2017-12-22 | 2021-05-18 | Intel Corporation | System and method for learning the structure of deep convolutional neural networks |
-
2019
- 2019-08-06 CN CN201910719442.4A patent/CN110570013B/zh active Active
Non-Patent Citations (2)
Title |
---|
Anonymous.Embedding of Pairwise Minimax Distance Measuresin Classification Tasks(IPCOM000252182D).《IP.COM非专利全文库》.IP.COM,2017,全文. * |
基于RBF神经网络的某复杂装备故障预测方法;黄波等;《计算机仿真》;20140115(第01期);21-24 * |
Also Published As
Publication number | Publication date |
---|---|
CN110570013A (zh) | 2019-12-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110570013B (zh) | 一种单站位在线波周期数据的预测诊断方法 | |
CN113305645B (zh) | 一种基于混合神经模型的数控机床刀具剩余寿命预测方法 | |
CN112284440B (zh) | 一种传感器数据偏差自适应修正方法 | |
CN111665066B (zh) | 基于卷积神经网络的设备故障自适应上下预警界生成方法 | |
Mathew et al. | Regression kernel for prognostics with support vector machines | |
CN114386312A (zh) | 一种设备故障诊断方法 | |
Zhang et al. | Remaining Useful Life Prediction of Rolling Bearings Using Electrostatic Monitoring Based on Two‐Stage Information Fusion Stochastic Filtering | |
CN111860839A (zh) | 基于多信号融合及Adam优化算法的岸桥故障监测方法 | |
CN111639842A (zh) | 一种设备健康评估方法、评估系统以及设备健康预测方法 | |
CN108961460B (zh) | 基于稀疏esgp与多目标优化的故障预测方法及装置 | |
CN114266289A (zh) | 一种复杂装备健康状态评估方法 | |
CN112232370A (zh) | 发动机的故障分析预测方法 | |
CN116292367A (zh) | 基于一维卷积的电厂风机系统异常工况检测方法 | |
CN113539382B (zh) | 一种亚磷酸二甲酯关键工艺参数的预警定位方法及系统 | |
CN113158448A (zh) | 一种船舶系统设备阈值的自适应计算方法 | |
CN112257893A (zh) | 一种考虑监测误差的复杂机电系统健康状态预测方法 | |
CN112067289A (zh) | 一种基于神经网络的电机轴及传动轴异常振动预警算法 | |
CN116862284A (zh) | 基于som网络与规则融合的船用柴油机健康状态评估方法 | |
CN115876467A (zh) | 一种基于伪标签传递式两阶段领域自适应的滚动轴承故障诊断方法 | |
CN113435794B (zh) | 一种基于图像处理的喷嘴铸件后处理智能监测方法 | |
CN112380782A (zh) | 一种基于混合指标和神经网络的旋转设备故障预测方法 | |
CN113988210A (zh) | 结构监测传感网失真数据修复方法、装置及存储介质 | |
KR102110319B1 (ko) | 학습 데이터 생성 시스템 | |
CN113177484A (zh) | 基于lof自编码的机械故障智能诊断方法 | |
CN110598860B (zh) | 一种多站位在线波周期数据的预测诊断方法 |
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 |