CN110619176A - 一种基于dbn-rlssvm的航煤闪点预测方法 - Google Patents
一种基于dbn-rlssvm的航煤闪点预测方法 Download PDFInfo
- Publication number
- CN110619176A CN110619176A CN201910881446.2A CN201910881446A CN110619176A CN 110619176 A CN110619176 A CN 110619176A CN 201910881446 A CN201910881446 A CN 201910881446A CN 110619176 A CN110619176 A CN 110619176A
- Authority
- CN
- China
- Prior art keywords
- dbn
- flash point
- rlssvm
- aviation kerosene
- formula
- 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
- 239000003350 kerosene Substances 0.000 title claims abstract description 35
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 36
- 238000005259 measurement Methods 0.000 claims abstract description 27
- 238000000605 extraction Methods 0.000 claims abstract description 11
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 230000006870 function Effects 0.000 claims description 23
- 241000282461 Canis lupus Species 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 150000001875 compounds Chemical class 0.000 claims description 5
- 238000009826 distribution Methods 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 4
- 238000013459 approach Methods 0.000 claims description 3
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims 1
- 238000012545 processing Methods 0.000 claims 1
- 238000005194 fractionation Methods 0.000 abstract description 3
- 230000007547 defect Effects 0.000 abstract description 2
- 230000009466 transformation Effects 0.000 abstract description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000003556 assay Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000002283 diesel fuel Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000003502 gasoline Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Animal Husbandry (AREA)
- Biomedical Technology (AREA)
- Operations Research (AREA)
- Agronomy & Crop Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Biophysics (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)
Abstract
本发明涉及一种基于DBN‑RLSSVM的航煤闪点预测方法,包括以下步骤:步骤S1:采集航煤闪点的测量数据,并进行预处理得到训练样本;步骤S2:对训练样本进行DBN特征提取,得到训练样本的特征向量;步骤S3:构建RLSSVM模型;步骤S4:采用GWO算法优化参数摆动因子C和核参数σ,得到DBN‑RLSSVM软测量预测模型;步骤S5:将待测分馏装置的历史航煤闪点测量数据经过预处理和DBN特征提取后,输入DBN‑RLSSVM软测量预测模型,得到预测航煤闪点数据。本发明采用DBN网络,通过逐层特征变换和抽取,能够提取更深刻的特征信息,克服了PCA和PLS无法提取非线性特征信息的不足,从而使得DBN‑RLSSVM模型具有较高的预测精度,能够满足航煤闪点的软测量要求。
Description
技术领域
本发明涉及一种基于DBN-RLSSVM的航煤闪点预测方法。
背景技术
常压分馏塔是炼油企业生产煤油、柴油、汽油等的主要装置之一。航空煤油闪点是分馏塔塔顶产品的两个重要的规格分析指标,及时、准确地获取航煤闪点的测量值是进行分馏装置质量控制的关键[1]。然而,由于受到检测技术和工艺条件的限制,在实际生产中航煤闪点无法做到在线实时测量,只能通过定时抽取样本进行离线化验分析获得,存在较大的测量滞后,难以满足实时控制的要求。因此,采用软测量方法对航空煤油闪点进行预测和估计具有重要的意义。
由于分馏过程存在机理复杂,高度非线性、强耦合、大时滞等特点,传统的建模方法往往不能获得理想的效果。
发明内容
有鉴于此,本发明的目的在于提供一种基于DBN-RLSSVM的航煤闪点预测方法,解决常压分馏装置塔顶产品中航煤闪点不能在线测量的问题,提高模型训练速度,具有较高预测精度和泛化能力。
为实现上述目的,本发明采用如下技术方案:
一种基于DBN-RLSSVM的航煤闪点预测方法,包括以下步骤:
步骤S1:采集航煤闪点的测量数据,并进行预处理得到训练样本;
步骤S2:对训练样本进行DBN特征提取,得到训练样本的特征向量;
步骤S3:构建RLSSVM模型;
步骤S4:采用GWO算法优化参数摆动因子C和核参数σ,得到DBN-RLSSVM软测量预测模型;
步骤S5:将待测分流装置的历史航煤闪点测量数据经过预处理和DBN特征提取后,输入DBN-RLSSVM软测量预测模型,得到预测航煤闪点数据。
进一步的,所述DBN特征提取包括预训练和微调两个阶段:
1)预训练阶段,采用逐层无监督的方法来学习网络参数;
2)微调阶段,在DBN的最后一层设置BP网络,接收RBM的输出特征向量作为它的输入特征向量,采用梯度下降算法对整个网络权重进行微调。
进一步的,所述GWO算法具体为:
假定待求解优化问题的维数为D,算法的种群规模为NP,第i只灰狼的位置表示为:
Xi=(Xi1,Xi2,,…,XiD)
在种群中适应度值最大的个体记为α,适应度值排列第2和3的个体分别记为β和δ,其余个体记为ω;在捕食过程中,狼群在α,β和δ狼的引导下,向食物位置即全局最优解逼近,引导模型如下:
Dp=C·Xp(t)-X(t) (1)
式中:Dp为灰狼和猎物之间的距离;X(t)为第t代灰狼个体的位置;Xp(t)为第t代猎物的位置;A为收敛因子,C为摆动因子,由式(3)和(4)确定:
C=2r1 (3)
A=2ar2-a (4)
a=2(1-t/Tmax) (5)
式中:r1r2为[0,1]之间的随机数;Tmax为最大迭代次数;a为控制参数,取值随着算法迭代次数增加而线性递减,灰狼群体通过速度变化和位置更新策略,并借助A和C的随机变化,保障灰狼在全局范围内能够搜索到最优解。
进一步的,所述步骤S1数据预处理具体包括:
(1)数据异常值剔除;
数据异常值剔除主要采用拉伊达准则(3σ准则),即求出一组测量值的均值μ和标准差σ,剔除绝对值大于|μ+3σ|的测量值。
(2)数据归一化;
求出一组数据Xi(i=1,2,…,n)中的最大值Xmax和最小值Xmin,则归一化的数据等于:
进一步的,所述步骤S3具体为:
给定训练集合{(xi,yi)|i=1,2,…,N},其中,xi∈Rd为d维训练样本输入,yi∈R为训练样本输出,则输入与输出之间的关系可表示为:
式中,ω是权系数向量,是输入空间到高维空间的映射,b是阈值;
所求取的f(·)需满足风险要求
Rf=Remp+Rreg (8)
式中,Rf为实际风险;Remp为经验风险,表示偏离样本的程度;Rreg为置信范围,表示模型复杂程度;其中经验风险Remp由损失函数确定,损失函数采用如下:
式中,f(xi)为函数的输出值,yi为对应的训练样本值,ε为不敏感度;该损失函数分为3个区域,当偏差|f(xi)-yi|≤ε时,则损失为0,使学习机具有稀疏性;当偏差时,采用高斯损失函数,可以抑制符合高斯分布的观测噪音;当偏差ε≤|f(xi)-yi|≤ε+μ时,加大惩罚力度,可以较好地抑制幅值较大的噪音和异常点;
采用式(8)的损失函数,引入松弛变量ξi,ξi *,并把b2项加到调整项Rreg中,根据结构风险最小化原则,将式(9)
系统辨识问题表示为:
式中,C是正则化参数,用于平衡模型复杂度与训练误差;I1表示松弛变量在区间的样本集合,I2表示松弛变量在区间的样本集合;
根据KKT条件,并引入核函数:
则上述优化问题变为:
式中,为拉格朗日乘子,最后可得决策函数为:
本发明与现有技术相比具有以下有益效果:
本发明采用DBN网络,通过逐层特征变换和抽取,能够提取更深刻的特征信息,克服了PCA和PLS无法提取非线性特征信息的不足,从而使得DBN-RLSSVM模型具有较高的预测精度,能够满足航煤闪点的软测量要求。
附图说明
图1是本发明方法流程图;
图2是本发明一实施例中RBM和DBN网络结构图;
图3是本发明一实施例中DBN特征提取过程。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
请参照图1,本发明提供一种基于DBN-RLSSVM的航煤闪点预测方法,包括以下步骤:
步骤S1:采集航煤闪点的测量数据,并进行预处理得到训练样本,具体包括:
(1)数据异常值剔除;
数据异常值剔除主要采用拉伊达准则(3σ准则),即求出一组测量值的均值μ和标准差σ,剔除绝对值大于|μ+3σ|的测量值。
(2)数据归一化;
求出一组数据Xi(i=1,2,…,n)中的最大值Xmax和最小值Xmin,则归一化的数据等于:
步骤S2:对训练样本进行DBN特征提取,得到训练样本的特征向量;
如图2和3所示,DBN网络的训练过程本质上就是DBN网络对输入数据实现的特征提取的过程,所述DBN特征提取包括预训练和微调两个阶段:
1)预训练阶段,采用逐层无监督的方法来学习网络参数;
2)微调阶段,在DBN的最后一层设置BP网络,接收RBM的输出特征向量作为它的输入特征向量,采用梯度下降算法对整个网络权重进行微调,从而协调和优化整体深度信念网络的参数。使得DBN的特征向量映射达到最优。
步骤S3:构建RLSSVM模型;
给定训练集合{(xi,yi)|i=1,2,…,N},其中,xi∈Rd为d维训练样本输入,yi∈R为训练样本输出,则输入与输出之间的关系可表示为:
式中,ω是权系数向量,是输入空间到高维空间的映射,b是阈值;
所求取的f(·)需满足风险要求
Rf=Remp+Rreg (8)
式中,Rf为实际风险;Remp为经验风险,表示偏离样本的程度;Rreg为置信范围,表示模型复杂程度;其中经验风险Remp由损失函数确定,损失函数采用如下:
式中,f(xi)为函数的输出值,yi为对应的训练样本值,ε为不敏感度;该损失函数分为3个区域,当偏差|f(xi)-yi|≤ε时,则损失为0,使学习机具有稀疏性;当偏差时,采用高斯损失函数,可以抑制符合高斯分布的观测噪音;当偏差ε≤|f(xi)-yi|≤ε+μ时,加大惩罚力度,可以较好地抑制幅值较大的噪音和异常点;
采用式(8)的损失函数,引入松弛变量ξi,ξi *,并把b2项加到调整项Rreg中,根据结构风险最小化原则,将式(9)
系统辨识问题表示为:
式中,C是正则化参数,用于平衡模型复杂度与训练误差;I1表示松弛变量在区间的样本集合,I2表示松弛变量在区间的样本集合;
根据KKT条件,并引入核函数:
则上述优化问题变为:
式中,为拉格朗日乘子,最后可得决策函数为:
步骤S4:采用GWO算法优化参数摆动因子C和σ,得到DBN-RLSSVM软测量预测模型;
所述GWO算法具体为:
假定待求解优化问题的维数为D,算法的种群规模为NP,第i只灰狼的位置表示为:
Xi=(Xi1,Xi2,,...,XiD)
在种群中适应度值最大的个体记为α,适应度值排列第2和3的个体分别记为β和δ,其余个体记为ω;在捕食过程中,狼群在α,β和δ狼的引导下,向食物位置即全局最优解逼近,引导模型如下:
Dp=C·Xp(t)-X(t) (1)
式中:Dp为灰狼和猎物之间的距离;X(t)为第t代灰狼个体的位置;Xp(t)为第t代猎物的位置;A为收敛因子,C为摆动因子,由式(3)和(4)确定
C=2r1 (3)
A=2ar2-a (4)
a=2(1-t/Tmax) (5)
式中:r1r2为[0,1]之间的随机数;Tm閠x为最大迭代次数;a为控制参数,取值随着算法迭代次数增加而线性递减,灰狼群体通过速度变化和位置更新策略,并借助A和C的随机变化,保障灰狼在全局范围内能够搜索到最优解。
步骤S5:将待测分流装置的历史航煤闪点测量数据经过预处理和DBN特征提取后,输入DBN-RLSSVM软测量预测模型,得到预测航煤闪点数据。
以上所述仅为本发明的较佳实施例,凡依本发明申请专利范围所做的均等变化与修饰,皆应属本发明的涵盖范围。
Claims (5)
1.一种基于DBN-RLSSVM的航煤闪点预测方法,其特征在于,包括以下步骤:
步骤S1:采集航煤闪点的测量数据,并进行预处理得到训练样本;
步骤S2:对训练样本进行DBN特征提取,得到训练样本的特征向量;
步骤S3:构建RLSSVM模型;
步骤S4:采用GWO算法优化正则化参数C和核参数σ,得到DBN-RLSSVM软测量预测模型;
步骤S5:将待测分流装置的历史航煤闪点测量数据经过预处理和DBN特征提取后,输入DBN-RLSSVM软测量预测模型,得到预测航煤闪点数据。
2.根据权利要求1所述的基于DBN-RLSSVM的航煤闪点预测方法,其特征在于:所述DBN特征提取包括预训练和微调两个阶段:
1)预训练阶段,采用逐层无监督的方法来学习网络参数;
2)微调阶段,在DBN的最后一层设置BP网络,接收RBM的输出特征向量作为它的输入特征向量,采用梯度下降算法对整个网络权重进行微调。
3.根据权利要求1所述的基于DBN-RLSSVM的航煤闪点预测方法,其特征在于:所述GWO算法具体为:
假定待求解优化问题的维数为D,算法的种群规模为NP,第i只灰狼的位置表示为:
Xi=(Xi1,Xi2,,...,XiD)
在种群中适应度值最大的个体记为α,适应度值排列第2和3的个体分别记为β和δ,其余个体记为ω;在捕食过程中,狼群在α,β和δ狼的引导下,向食物位置即全局最优解逼近,引导模型如下:
Dp=C·Xp(t)-X(t) (1)
式中:Dp为灰狼和猎物之间的距离;X(t)为第t代灰狼个体的位置;Xp(t)为第t代猎物的位置;A为收敛因子,C为摆动因子,由式(3)和(4)确定:
C=2r1 (3)
A=2ar2-a (4)
a=2(1-t/Tmax) (5)
式中:r1r2为[0,1]之间的随机数;Tm萠x为最大迭代次数;a为控制参数,取值随着算法迭代次数增加而线性递减,灰狼群体通过速度变化和位置更新策略,并借助A和C的随机变化,保障灰狼在全局范围内能够搜索到最优解。
4.根据权利要求1所述的基于DBN-RLSSVM的航煤闪点预测方法,其特征在于:所述数据预处理包括数据异常值剔除和数据归一化处理。
5.根据权利要求1所述的基于DBN-RLSSVM的航煤闪点预测方法,其特征在于,所述步骤S3具体为:
给定训练集合{(xi,yi)|i=1,2,…,N},其中,xi∈Rd为d维训练样本输入,yi∈R为训练样本输出,则输入与输出之间的关系可表示为:
式中,ω是权系数向量,是输入空间到高维空间的映射,b是阈值;
所求取的f(·)需满足风险要求
Rf=Remp+Rreg (8)
式中,Rf为实际风险;Remp为经验风险,表示偏离样本的程度;Rreg为置信范围,表示模型复杂程度;其中经验风险Remp由损失函数确定,损失函数采用如下:
式中,f(xi)为函数的输出值,yi为对应的训练样本值,ε为不敏感度;该损失函数分为3个区域,当偏差|f(xi)-yi|≤ε时,则损失为0,使学习机具有稀疏性;当偏差时,采用高斯损失函数,可以抑制符合高斯分布的观测噪音;当偏差ε≤|f(xi)-yi|≤ε+μ时,加大惩罚力度,可以较好地抑制幅值较大的噪音和异常点;
采用式(8)的损失函数,引入松弛变量ξi,ξi *,并把b2项加到调整项Rreg中,根据结构风险最小化原则,将式(9)
系统辨识问题表示为:
式中,C是正则化参数,用于平衡模型复杂度与训练误差;σ为核参数;I1表示松弛变量在ζi<μ区间的样本集合,I2表示松弛变量在ζi≥μ区间的样本集合;
根据KKT条件,并引入核函数:
则上述优化问题变为:
式中,αi,为拉格朗日乘子,最后可得决策函数为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910881446.2A CN110619176A (zh) | 2019-09-18 | 2019-09-18 | 一种基于dbn-rlssvm的航煤闪点预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910881446.2A CN110619176A (zh) | 2019-09-18 | 2019-09-18 | 一种基于dbn-rlssvm的航煤闪点预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110619176A true CN110619176A (zh) | 2019-12-27 |
Family
ID=68923522
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910881446.2A Pending CN110619176A (zh) | 2019-09-18 | 2019-09-18 | 一种基于dbn-rlssvm的航煤闪点预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110619176A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112003735A (zh) * | 2020-07-28 | 2020-11-27 | 四川大学 | 一种感知风险的深度学习驱动的极限传输容量调整方法 |
CN115719040A (zh) * | 2022-11-22 | 2023-02-28 | 淮阴工学院 | 一种青霉素发酵过程关键变量软测量方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070260566A1 (en) * | 2006-04-11 | 2007-11-08 | Urmanov Aleksey M | Reducing the size of a training set for classification |
CN105447510A (zh) * | 2015-11-11 | 2016-03-30 | 上海大学 | 基于人工蜂群优化lssvm的脉动风速预测方法 |
CN107679671A (zh) * | 2017-10-23 | 2018-02-09 | 燕山大学 | 一种隐含时间序列深度信念网络的水泥生产电耗预测方法 |
CN107908688A (zh) * | 2017-10-31 | 2018-04-13 | 温州大学 | 一种基于改进灰狼优化算法的数据分类预测方法及系统 |
CN110032747A (zh) * | 2018-12-05 | 2019-07-19 | 太原理工大学 | 一种燃煤锅炉NOx排放在线测量方法 |
-
2019
- 2019-09-18 CN CN201910881446.2A patent/CN110619176A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070260566A1 (en) * | 2006-04-11 | 2007-11-08 | Urmanov Aleksey M | Reducing the size of a training set for classification |
CN105447510A (zh) * | 2015-11-11 | 2016-03-30 | 上海大学 | 基于人工蜂群优化lssvm的脉动风速预测方法 |
CN107679671A (zh) * | 2017-10-23 | 2018-02-09 | 燕山大学 | 一种隐含时间序列深度信念网络的水泥生产电耗预测方法 |
CN107908688A (zh) * | 2017-10-31 | 2018-04-13 | 温州大学 | 一种基于改进灰狼优化算法的数据分类预测方法及系统 |
CN110032747A (zh) * | 2018-12-05 | 2019-07-19 | 太原理工大学 | 一种燃煤锅炉NOx排放在线测量方法 |
Non-Patent Citations (3)
Title |
---|
牟少敏 等: "《最优化方法及其MATLAB实现》", 北京航空航天大学出版社 * |
赵超 等: "基于DBN-RLSSVM航煤闪点的软测量建模", 《第30届中国过程控制会议(CPCC 2019)摘要集》 * |
赵超 等: "基于RLSSVM-CPSOSA的PEM燃料电池系统建模", 《计算机与应用化学》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112003735A (zh) * | 2020-07-28 | 2020-11-27 | 四川大学 | 一种感知风险的深度学习驱动的极限传输容量调整方法 |
CN112003735B (zh) * | 2020-07-28 | 2021-11-09 | 四川大学 | 一种感知风险的深度学习驱动的极限传输容量调整方法 |
CN115719040A (zh) * | 2022-11-22 | 2023-02-28 | 淮阴工学院 | 一种青霉素发酵过程关键变量软测量方法及系统 |
CN115719040B (zh) * | 2022-11-22 | 2023-05-26 | 淮阴工学院 | 一种青霉素发酵过程关键变量软测量方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109814513B (zh) | 一种基于数据模型的催化裂化装置优化方法 | |
CN109060001B (zh) | 一种基于特征迁移学习的多工况过程软测量建模方法 | |
CN110488218B (zh) | 一种电能表运行状态评估方法和评估装置 | |
CN111638707B (zh) | 基于som聚类和mpca的间歇过程故障监测方法 | |
CN111638249B (zh) | 基于深度学习的含水率测量方法及其在油井开采中的应用 | |
CN111768000A (zh) | 在线自适应微调深度学习的工业过程数据建模方法 | |
CN115048874B (zh) | 一种基于机器学习的飞行器设计参数预估方法 | |
CN116448419A (zh) | 基于深度模型高维参数多目标高效寻优的零样本轴承故障诊断方法 | |
CN114564982A (zh) | 雷达信号调制类型的自动识别方法 | |
CN110619176A (zh) | 一种基于dbn-rlssvm的航煤闪点预测方法 | |
CN106547899B (zh) | 一种基于多尺度时变聚类中心变化的间歇过程时段划分的方法 | |
CN114239397A (zh) | 基于动态特征提取与局部加权深度学习的软测量建模方法 | |
CN110378035A (zh) | 一种基于深度学习的加氢裂化软测量建模方法 | |
CN106599391B (zh) | 基于三角形角度值动态加权的关联向量机软测量建模方法 | |
CN116665039A (zh) | 基于两阶段因果干预的小样本目标识别方法 | |
CN108827905B (zh) | 一种基于局部加权Lasso的近红外模型在线更新方法 | |
CN116842358A (zh) | 一种基于多尺度卷积和自适应特征融合的软测量建模方法 | |
CN116502455A (zh) | 一种激光选区熔化技术的工艺参数确定方法及系统 | |
CN111061151A (zh) | 一种基于多元卷积神经网络的分布式能源状态监测方法 | |
CN113033683B (zh) | 一种基于静态与动态联合分析的工业系统工况监测方法和系统 | |
CN112885378B (zh) | 一种语音情感识别方法、装置及存储介质 | |
CN110673470B (zh) | 基于局部加权因子模型的工业非平稳过程软测量建模方法 | |
CN114492551A (zh) | 一种基于改进gwo-svm的软测量策略 | |
CN113033904B (zh) | 基于s变换的风电功率预测误差分析与分类方法 | |
CN114970620B (zh) | 一种跨设备的滚动轴承故障靶向迁移诊断方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191227 |
|
RJ01 | Rejection of invention patent application after publication |