CN110610261B - 基于神经网络的水体溶解氧预测方法 - Google Patents

基于神经网络的水体溶解氧预测方法 Download PDF

Info

Publication number
CN110610261B
CN110610261B CN201910785061.6A CN201910785061A CN110610261B CN 110610261 B CN110610261 B CN 110610261B CN 201910785061 A CN201910785061 A CN 201910785061A CN 110610261 B CN110610261 B CN 110610261B
Authority
CN
China
Prior art keywords
neural network
individual
dissolved oxygen
value
individuals
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
Application number
CN201910785061.6A
Other languages
English (en)
Other versions
CN110610261A (zh
Inventor
黄文俊
陈远存
郭肇禄
张文生
罗云
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong Oking Information Industry Co ltd
Original Assignee
Guangdong Oking Information Industry Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangdong Oking Information Industry Co ltd filed Critical Guangdong Oking Information Industry Co ltd
Priority to CN201910785061.6A priority Critical patent/CN110610261B/zh
Publication of CN110610261A publication Critical patent/CN110610261A/zh
Application granted granted Critical
Publication of CN110610261B publication Critical patent/CN110610261B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—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
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • 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
    • Y02A20/00—Water conservation; Efficient water supply; Efficient water use
    • Y02A20/152—Water filtration

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • Biophysics (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Primary Health Care (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明公开了一种基于神经网络的水体溶解氧预测方法。本发明应用神经网络来构建水体溶解氧的预测模型，首先采集水质样本数据集，并对采集水质样本数据集进行预处理，然后确定神经网络的输入和输出变量以及神经网络的结构，再用改进的正弦余弦算法优化神经网络的参数，将优化设计得到的神经网络设置为水体溶解氧的预测模型，从而实现水体溶解氧的预测。本发明能够提高水体溶解氧预测精度。

Description

基于神经网络的水体溶解氧预测方法
技术领域
本公开涉及大数据和环保信息处理技术领域，具体涉及一种基于神经网络的水体溶解氧预测方法。
背景技术
溶解氧在很大程度上反映了水体的质量指标。为了监测水域水质的变化，人们常常需要定期掌握水体中溶解氧的浓度。然而现有方法往往都是通过物理或化学的方法来测量水体中溶解氧的浓度。这些传统方法具有一定的滞后性，难以掌握水体中溶解氧在未来一段时间内的浓度变化规律。针对这种问题，研究人员提出了利用机器学习方法来建立溶解氧浓度变化的数学模型，基于机器学习模型来预测溶解氧浓度在未来一段时间内的变化规律。
神经网络是一种常用的机器学习方法，它在解决水体溶解氧浓度预测问题上获得了一定的效果。然而传统的神经网络都是采用梯度下降法来优化设计神经网络的参数，梯度下降法容易使得神经网络的参数陷入局部最优。正弦余弦算法是一种最近提出的神经网络优化设计算法[Mirjalili,S.(2016).SCA:a sine cosine algorithm for solvingoptimization problems.Knowledge-Based Systems,96,120-133.]，它在许多问题上比梯度下降法具有更优越的性能。然而，传统正弦余弦算法在优化设计水体溶解氧浓度预测的神经网络时，容易出现收敛速度慢的问题，从而导致水体溶解氧浓度的预测精度难以满足实际工程要求。
发明内容
本发明提供一种基于神经网络的水体溶解氧预测方法，它在一定程度上克服了传统正弦余弦算法应用于优化设计水体溶解氧预测模型时容易出现收敛速度慢，预测精度不够的缺点，本发明能够提高水体溶解氧预测精度。
本发明的技术方案：一种基于神经网络的水体溶解氧预测方法，包括以下步骤：
步骤1，采集水质样本数据集；
步骤2，对采集的水质样本数据集进行预处理；
步骤3，确定神经网络的输入变量和输出变量；
步骤4，确定神经网络的结构并构建神经网络；
步骤5，利用改进的正弦余弦算法优化神经网络的参数，利用得到的神经网络作为水体溶解氧预测模型；
步骤6，利用得到的水体溶解氧预测模型实现水体溶解氧的预测。
其中，步骤5所述的利用改进的正弦余弦算法优化神经网络的参数，包括以下步骤：
步骤5.1，初始化种群大小ISZ和最大迭代次数MIT；
步骤5.2，初始化当前迭代次数t＝0；
步骤5.4，初始化适应性因子SCi＝Rand(0,1)，其中Rand为随机实数产生函数；下标i＝1,2,…,ISZ；
步骤5.5，随机产生ISZ个个体，其中每个个体都存储了神经网络的参数，然后将产生的ISZ个个体组成种群；
步骤5.6，从种群的每个个体中提取出神经网络的参数，按公式(1)计算种群中每个个体当前代参数的适应值:
Figure BDA0002177533760000021
其中水质样本下标k＝1,2,…,DN；DN为水质样本的数量；
Figure BDA0002177533760000022
为种群中第i个个体的适应值；EDk为第k个水质样本的测量值；PDk为神经网络在第k个水质样本上的输出值；
步骤5.7，按公式(1)计算融合因子CMi：
Figure BDA0002177533760000023
其中扰动值RM为[0,1]之间的随机实数；扰动概率prc为[0,1]之间的随机实数；
步骤5.8，从整个种群中随机选择出两个个体XR1和XR2，如果个体XR1的适应值小于个体XR2的适应值，则令平衡个体SBX＝XR1，否则令平衡个体SBX＝XR2；
步骤5.9，按适应值从小到大从种群中选择出前10％的个体存放到临时个体集合TSet；
步骤5.10，设置导向个体DBX＝PBX×CMi+SBX×(1-CMi)，其中PBX为从临时个体集合TSet中随机选择出来的个体；
步骤5.11，按公式(3)执行正弦余弦操作算子:
Figure BDA0002177533760000024
其中
Figure BDA0002177533760000025
r2为[0,2×π]之间的随机实数，并且π为圆周率；r3为[0,2]之间的随机实数；r4为[0,1]之间的随机实数；sin为正弦函数；cos为余弦函数；
Figure BDA0002177533760000026
为个体的当前代参数；
Figure BDA0002177533760000027
为个体的新一代参数；
步骤5.12，计算种群中个体新一代参数的适应值
Figure BDA0002177533760000031
步骤5.13，如果个体新一代参数的适应值
Figure BDA0002177533760000032
小于
Figure BDA0002177533760000033
则令SCi＝CMi，否则保持SCi不变；
步骤5.14，令当前迭代次数t＝t+1；
步骤5.15，如果当前迭代次数t大于MIT，则转到步骤5.16，否则转到步骤5.7；
步骤5.16，从种群中找出适应值最小的个体记为ABX，从ABX中提取出神经网络的参数，即得到优化设计的神经网络参数。
本发明应用神经网络来构建水体溶解氧的预测模型，并利用改进的正弦余弦算法来优化设计神经网络的参数。在改进的正弦余弦算法中，适应性地利用随机个体和优秀个体的综合信息来生成导向个体。在优化过程中，利用导向个体的信息来引导搜索的方向，在加快收敛速度的同时减少陷入局部最优的概率，提升正弦余弦算法的搜索性能，从而能够提高水体溶解氧的预测精度。
附图说明
图1为改进的正弦余弦算法的流程图。
具体实施方式
下面通过实施例，并结合附图，对本发明的技术方案作进一步具体的说明。
实施例：
如图1所示为本发明的方法中的改进的适应性正弦余弦算法的流程图，本实施例结合图1，本发明的具体实施步骤如下：
步骤1，采集水质样本数据集，其中水质样本数据集包括但不限于水温、pH值、浊度、氨氮、总氮和溶解氧值；
步骤2，对采集的水质样本数据集进行预处理，所述预处理包括但不限于删除异常数据，弥补缺失数据，数据的归一化；
步骤3，确定神经网络的输入变量为一天的水温、pH值、浊度、氨氮、总氮和溶解氧值，输出变量为2天后的溶解氧值；
步骤4，确定神经网络的结构为6-5-1的三层神经网络，并构建神经网络；
步骤5，利用改进的正弦余弦算法优化神经网络的参数，利用优化后的神经网络作为水体溶解氧预测模型；
步骤6，利用得到的水体溶解氧预测模型实现2天后的水体溶解氧值的预测。
其中，步骤5所述的利用改进的正弦余弦算法优化神经网络的参数，包括以下步骤：
步骤5.1，初始化种群大小ISZ＝100和最大迭代次数MIT＝6000；
步骤5.2，初始化当前迭代次数t＝0；
步骤5.4，初始化适应性因子SCi＝Rand(0,1)，其中Rand为随机实数产生函数；下标i＝1,2,…,ISZ；
步骤5.5，随机产生ISZ个个体，其中每个个体都存储了神经网络的参数，然后将产生的ISZ个个体组成种群；
步骤5.6，从种群的每个个体中提取出神经网络的参数，按公式(1)计算种群中每个个体当前代参数的适应值:
Figure BDA0002177533760000041
其中水质样本下标k＝1,2,…,DN；DN为水质样本的数量；
Figure BDA0002177533760000042
为种群中第i个个体的适应值；EDk为第k个水质样本的测量值；PDk为神经网络在第k个水质样本上的输出值；
步骤5.7，按公式(1)计算融合因子CMi：
Figure BDA0002177533760000043
其中扰动值RM为[0,1]之间的随机实数；扰动概率prc为[0,1]之间的随机实数；
步骤5.8，从整个种群中随机选择出两个个体XR1和XR2，如果个体XR1的适应值小于个体XR2的适应值，则令平衡个体SBX＝XR1，否则令平衡个体SBX＝XR2；
步骤5.9，按适应值从小到大从种群中选择出前10％的个体存放到临时个体集合TSet；
步骤5.10，设置导向个体DBX＝PBX×CMi+SBX×(1-CMi)，其中PBX为从临时个体集合TSet中随机选择出来的个体；
步骤5.11，按公式(3)执行正弦余弦操作算子:
Figure BDA0002177533760000044
其中
Figure BDA0002177533760000045
r2为[0,2×π]之间的随机实数，并且π为圆周率；r3为[0,2]之间的随机实数；r4为[0,1]之间的随机实数；sin为正弦函数；cos为余弦函数；
Figure BDA0002177533760000046
为个体的当前代参数；
Figure BDA0002177533760000047
为个体的新一代参数；
步骤5.12，计算种群中个体新一代参数的适应值
Figure BDA0002177533760000048
步骤5.13，如果个体新一代参数的适应值
Figure BDA0002177533760000049
小于
Figure BDA00021775337600000410
则令SCi＝CMi，否则保持SCi不变；
步骤5.14，令当前迭代次数t＝t+1；
步骤5.15，如果当前迭代次数t大于MIT，则转到步骤5.16，否则转到步骤5.7；
步骤5.16，从种群中找出适应值最小的个体记为ABX，从ABX中提取出神经网络的参数，即得到优化设计的神经网络参数。

Claims (1)

1.一种基于神经网络的水体溶解氧预测方法，其特征在于，包括以下步骤：
步骤1，采集水质样本数据集，其中水质样本数据集包括：水温、pH值、浊度、氨氮、总氮和溶解氧值；
步骤2，对采集的水质样本数据集进行预处理；
步骤3，确定神经网络的输入变量为一天的水温、pH值、浊度、氨氮、总氮和溶解氧值，输出变量为2天后的溶解氧值；
步骤4，确定神经网络的结构并构建神经网络；
步骤5，利用改进的正弦余弦算法优化神经网络的参数，利用得到的神经网络作为水体溶解氧预测模型；
步骤6，利用得到的水体溶解氧预测模型实现水体溶解氧的预测；
其中，步骤5所述的利用改进的正弦余弦算法优化神经网络的参数，包括以下步骤：
步骤5.1，初始化种群大小
Figure 644404DEST_PATH_IMAGE001
和最大迭代次数
Figure 920665DEST_PATH_IMAGE002
；
步骤5.2，初始化当前迭代次数
Figure 154200DEST_PATH_IMAGE003
；
步骤5.4，初始化适应性因子
Figure 515911DEST_PATH_IMAGE004
，其中
Figure 493095DEST_PATH_IMAGE005
为随机实数产生函数；下标
Figure 395102DEST_PATH_IMAGE006
=1, 2, …,
Figure 799538DEST_PATH_IMAGE001
；
步骤5.5，随机产生
Figure 648546DEST_PATH_IMAGE001
个个体，其中每个个体都存储了神经网络的参数，然后将产生的
Figure 163841DEST_PATH_IMAGE001
个个体组成种群；
步骤5.6，从种群的每个个体中提取出神经网络的参数，按公式(1)计算种群中每个个体当前代参数的适应值:
Figure 414694DEST_PATH_IMAGE007
(1)
其中水质样本下标
Figure 990031DEST_PATH_IMAGE008
=1, 2, …,
Figure 326335DEST_PATH_IMAGE009
；
Figure 645321DEST_PATH_IMAGE009
为水质样本的数量；
Figure 501412DEST_PATH_IMAGE010
为种群中第
Figure 247651DEST_PATH_IMAGE006
个个体的适应值；
Figure 805672DEST_PATH_IMAGE011
为第k个水质样本的测量值；
Figure 193928DEST_PATH_IMAGE012
为神经网络在第k个水质样本上的输出值；
步骤5.7，按公式(1)计算融合因子
Figure 153794DEST_PATH_IMAGE013
：
Figure 70934DEST_PATH_IMAGE014
(2)
其中扰动值
Figure 381830DEST_PATH_IMAGE015
为[0, 1]之间的随机实数；扰动概率
Figure 793350DEST_PATH_IMAGE016
为[0, 1]之间的随机实数；
步骤5.8，从整个种群中随机选择出两个个体
Figure 607723DEST_PATH_IMAGE017
和
Figure 961344DEST_PATH_IMAGE018
，如果个体
Figure 493956DEST_PATH_IMAGE017
的适应值小于个体
Figure 958436DEST_PATH_IMAGE018
的适应值，则令平衡个体
Figure 627314DEST_PATH_IMAGE019
，否则令平衡个体
Figure 151837DEST_PATH_IMAGE020
；
步骤5.9，按适应值从小到大从种群中选择出前10%的个体存放到临时个体集合
Figure 171745DEST_PATH_IMAGE021
；
步骤5.10，设置导向个体
Figure 925069DEST_PATH_IMAGE022
，其中
Figure 714033DEST_PATH_IMAGE023
为从临时个体集合
Figure 409457DEST_PATH_IMAGE021
中随机选择出来的个体；
步骤5.11，按公式(3)执行正弦余弦操作算子:
Figure 651082DEST_PATH_IMAGE024
(3)
其中
Figure 457364DEST_PATH_IMAGE025
；r2为[0,
Figure 631993DEST_PATH_IMAGE026
]之间的随机实数，并且
Figure 232739DEST_PATH_IMAGE027
为圆周率；r3为[0, 2]之间的随机实数；r4为[0, 1]之间的随机实数；sin为正弦函数；cos为余弦函数；
Figure 975043DEST_PATH_IMAGE028
为个体的当前代参数；
Figure 319436DEST_PATH_IMAGE029
为个体的新一代参数；
步骤5.12，计算种群中个体新一代参数的适应值
Figure 82993DEST_PATH_IMAGE030
；
步骤5.13，如果个体新一代参数的适应值
Figure 854640DEST_PATH_IMAGE030
小于
Figure 336437DEST_PATH_IMAGE010
，则令
Figure 484521DEST_PATH_IMAGE031
，否则保持
Figure 102585DEST_PATH_IMAGE032
不变；
步骤5.14，令当前迭代次数
Figure 310712DEST_PATH_IMAGE033
；
步骤5.15，如果当前迭代次数
Figure 764958DEST_PATH_IMAGE034
大于
Figure 451154DEST_PATH_IMAGE002
，则转到步骤5.16，否则转到步骤5.7；
步骤5.16，从种群中找出适应值最小的个体记为
Figure 189303DEST_PATH_IMAGE035
，从
Figure 568332DEST_PATH_IMAGE035
中提取出神经网络的参数，即得到优化设计的神经网络参数。
CN201910785061.6A 2019-08-23 2019-08-23 基于神经网络的水体溶解氧预测方法 Active CN110610261B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910785061.6A CN110610261B (zh) 2019-08-23 2019-08-23 基于神经网络的水体溶解氧预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910785061.6A CN110610261B (zh) 2019-08-23 2019-08-23 基于神经网络的水体溶解氧预测方法

Publications (2)

Publication Number Publication Date
CN110610261A CN110610261A (zh) 2019-12-24
CN110610261B true CN110610261B (zh) 2023-02-28

Family

ID=68889845

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910785061.6A Active CN110610261B (zh) 2019-08-23 2019-08-23 基于神经网络的水体溶解氧预测方法

Country Status (1)

Country Link
CN (1) CN110610261B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112684130A (zh) * 2020-11-23 2021-04-20 深圳市水务科技有限公司 流域水质预测方法和装置、计算机可读存储介质
CN113297788B (zh) * 2021-05-12 2022-08-23 广东奥博信息产业股份有限公司 一种基于改进神经网络的水质软测量方法及系统
US20230295009A1 (en) * 2022-03-21 2023-09-21 Saudi Arabian Oil Company Model predictive control system and method using neural network to control dissolved oxygen and ph in seawater

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR2996546A1 (fr) * 2012-10-05 2014-04-11 Degremont Procede de regulation des performances d'une station de traitement des eaux residuaires, et station de traitement mettant en oeuvre ce procede
CN106124718A (zh) * 2016-06-27 2016-11-16 江西理工大学 多策略人工蜂群优化的水体溶解氧浓度预测方法
CN107169621A (zh) * 2017-04-01 2017-09-15 中国农业大学 一种水体溶解氧预测方法及装置
CN110046710A (zh) * 2019-04-11 2019-07-23 山东师范大学 一种神经网络的非线性函数极值优化方法及系统
CN110109904A (zh) * 2019-04-10 2019-08-09 广东奥博信息产业股份有限公司 一种面向环保大数据的水质软测量方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR2996546A1 (fr) * 2012-10-05 2014-04-11 Degremont Procede de regulation des performances d'une station de traitement des eaux residuaires, et station de traitement mettant en oeuvre ce procede
CN106124718A (zh) * 2016-06-27 2016-11-16 江西理工大学 多策略人工蜂群优化的水体溶解氧浓度预测方法
CN107169621A (zh) * 2017-04-01 2017-09-15 中国农业大学 一种水体溶解氧预测方法及装置
CN110109904A (zh) * 2019-04-10 2019-08-09 广东奥博信息产业股份有限公司 一种面向环保大数据的水质软测量方法
CN110046710A (zh) * 2019-04-11 2019-07-23 山东师范大学 一种神经网络的非线性函数极值优化方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
工厂化水产养殖溶解氧预测模型优化;朱成云等;《农业机械学报》;20160131;第47卷(第1期);第273-278页 *

Also Published As

Publication number Publication date
CN110610261A (zh) 2019-12-24

Similar Documents

Publication Publication Date Title
CN110610261B (zh) 基于神经网络的水体溶解氧预测方法
CN111967688B (zh) 一种基于卡尔曼滤波器与卷积神经网络的电力负荷预测方法
CN109740057B (zh) 一种基于知识萃取的增强神经网络及信息推荐方法
CN115222163B (zh) 港池入口波浪多要素的中长期实时预测方法、系统及应用
CN103105246A (zh) 一种基于遗传算法改进的bp神经网络的温室环境预测反馈方法
Soleimani et al. Artificial neural network application in predicting probabilistic seismic demands of bridge components
CN113554466A (zh) 一种短期用电量预测模型构建方法、预测方法和装置
AU2021106540A4 (en) Prediction method and system for river algal blooms
CN108304674A (zh) 一种基于bp神经网络的铁路软土路基沉降预测方法
Hwang et al. Detection and correction method of erroneous data using quantile pattern and LSTM
CN113435124A (zh) 一种基于长短时记忆和径向基函数神经网络的水质时空关联预测方法
Touqeer et al. Multi-attribute decision making using grey relational projection method based on interval type-2 trapezoidal fuzzy numbers
CN116599683A (zh) 一种恶意流量检测方法、系统、装置及存储介质
CN116244647A (zh) 一种无人机集群的运行状态估计方法
CN114417740A (zh) 一种深海养殖态势感知方法
CN114372561A (zh) 一种基于深度状态空间模型的网络流量预测方法
Zhang et al. Ordering for reduced transmission energy detection in sensor networks testing a shift in the mean of a gaussian graphical model
CN112270123A (zh) 一种基于卷积生成对抗网络的流域水库群径流随机生成方法
CN110109904B (zh) 一种面向环保大数据的水质软测量方法
CN117117850A (zh) 一种短期用电负荷预测方法及系统
CN113887119A (zh) 一种基于sarima-lstm的河流水质预测方法
Xu et al. Prediction of the Wastewater's pH Based on Deep Learning Incorporating Sliding Windows.
CN115395502A (zh) 一种光伏电站功率预测方法及系统
CN115062759A (zh) 一种基于改进型长短记忆神经网络的故障诊断方法
CN114694766A (zh) 赤泥重金属含量在线预测方法、系统、装置和存储介质

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