CN110705044A - 基于深度学习对风力发电系统进行仿真的仿真验证方法 - Google Patents
基于深度学习对风力发电系统进行仿真的仿真验证方法 Download PDFInfo
- Publication number
- CN110705044A CN110705044A CN201910868492.9A CN201910868492A CN110705044A CN 110705044 A CN110705044 A CN 110705044A CN 201910868492 A CN201910868492 A CN 201910868492A CN 110705044 A CN110705044 A CN 110705044A
- Authority
- CN
- China
- Prior art keywords
- data
- simulation
- matrix
- power generation
- wind power
- 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
- 238000004088 simulation Methods 0.000 title claims abstract description 108
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000010248 power generation Methods 0.000 title claims abstract description 28
- 238000012795 verification Methods 0.000 title claims abstract description 20
- 238000013135 deep learning Methods 0.000 title claims abstract description 10
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 16
- 230000009467 reduction Effects 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 30
- 238000000605 extraction Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 description 11
- 239000012634 fragment Substances 0.000 description 8
- 230000014509 gene expression Effects 0.000 description 8
- 230000008859 change Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
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
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于深度学习对风力发电系统进行仿真的仿真验证方法,包括:对系统内多个独立的领域就进行仿真验证;通过卷积神经网络提取多个滑动窗口长度的数据,多次抽取数据特征,得到高级数据特征,判断数据的最佳长度;将风力发电系统的仿真数据集进行校核操作和降噪操作后,得到风力发电系统内的多个领域的仿真数据,通过一元线性拟合的方法对所述仿真数据进行拟合;获取每一个领域仿真数据的定性趋势,根据定性趋势判断出该定性趋势的导数;将领域仿真按照关系进行分类,得到独立的领域仿真,并将每一个领域仿真与对应的真实场景进行比较,判断模型与仿真是否一致,得到相似性等级;输出所有领域仿真相似度等级数值K。
Description
技术领域
本发明涉及一种基于深度学习对风力发电系统进行仿真的仿真验证方法。
背景技术
风力发电系统在能源领域和经济领域上面有很重要的地位,对于在一片区域内建立风力发电设施,一个机组预计在200-300万的造价,本专利研究了中国内蒙古的风力发电系统,判断地区哪些地方适合建造风力发电设备,等等…。
目前,采用仿真的方法来研究生成了天气仿真数据集Mα,内蒙地区地形数据集Mβ,风力发电每片区域机组电能仿真数据集Mp,经济效益仿真数据Mq,这些数据共同构成了内蒙地区风力发电系统的体系仿真数据集Mα,Mβ,...,Mp,...Mη。其涉及到的具体仿真领域有地形评估体系Ω1,风力风向评估体系Ω2,电效应评估体系Ω3,损耗评估体系Ω4,动力环境监控体系Ω5。
风力发电系统是由多个不同的领域按照顺序依次工作,构成了整个内蒙古地区的电力系统。一般来说,这样的系统通常采用基于HLA分布式仿真系统进行仿真。VV&A主要包括三个部分:校核,验证和确认。校核表示验证从数学模型到计算机模型的转换是否具有一定程度的准确性。验证表示指模型是否是对原始系统的真实描述并表达现实世界。该领域的专家进行确认,以评估仿真模型,以确定仿真模型是否满足要求。
发明内容
本发明的目的在于提供一种基于深度学习对风力发电系统进行仿真的仿真验证方法,可以解决由复杂的网络环境下仿真系统的验证问题。
本发明一方面提供一种基于深度学习对风力发电系统进行仿真的仿真验证方法,包括:
采用改进的基于SGD及定性趋势提取的仿真验证方法,对系统内多个独立的领域就进行仿真验证;
通过卷积神经网络提取多个滑动窗口长度的数据,多次抽取数据特征,得到高级数据特征,判断数据的最佳长度;
将风力发电系统的仿真数据集进行校核操作和降噪操作后,得到风力发电系统内的多个领域的仿真数据,通过一元线性拟合的方法对所述仿真数据进行拟合;
获取每一个领域仿真数据的定性趋势,根据定性趋势判断出该定性趋势的导数;
将领域仿真按照关系进行分类,得到独立的领域仿真,并将每一个领域仿真与对应的真实场景进行比较,判断模型与仿真是否一致,得到相似性等级;
输出所有领域仿真相似度等级数值K。
在一个优选的实施例中,所述通过卷积神经网络提取多个滑动窗口长度的数据,多次抽取数据特征,得到高级数据特征,判断数据的最佳长度包括:
使用卷积神经网络,获取不同大小的窗口提取数据长度数据L;
将L按照矩阵的形式进行排列,内含有数据类型m的数据提取了n个滑动窗口长度的数据,得到数据长度矩阵:
Lm=[l1,l2,...,ln]
矩阵的特征值计算方法为:
|λE-Lm T|=0
其中单位矩阵E为:
得到矩阵的特征值后,通过以下式子:
令:
E-Lm T=H
则:
(E-Lm T)X=HX
矩阵H化简后得到H0,其中,X为特征矩阵,表示为:
(E-Lm T)X=H0X
XT=[x1,x2,...,xn]
通过研究特征值,进而求出特征矩阵X,将X引入卷积神经网络,通过上述方法,将Lm矩阵设置成输入层,通过如下公式,得到输出层:
第一次卷积可以提取出低层次的特征;
第二次卷积可以提取出中层次的特征;
第三次卷积可以提取出高层次的特征;
多次进行卷积操作可以得到矩阵Lm中的高级特征值a,根据其特征值匹配出Lm中最佳的那个滑动窗口大小,确定一个或多个最优的解,通过研究最优解,得到某一个数据类型应该选取多长的窗口作为滑动窗口。
本发明实施例的方案经过改进应用在互联网分布式系统内,可以解决由复杂的网络环境下仿真系统的验证问题。通过卷积神经网络的方法,使其在无监督学习下自适应能力提升。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1是本发明实施例中的基于深度学习对风力发电系统进行仿真的仿真校核方法的流程图;
图2是是独立关系的领域仿真模型;
图3是合作关系的领域仿真模型;
图4是包含关系的领域仿真模型。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
本发明的主要思想在于采用深度学习与定性趋势提取的方法来提取各个服务器之间,由校核阶段得到的内蒙地区风力发电系统的体系仿真数据集的定性趋势。对于窗口的选取,可采用卷积神经网络的方法,提取以往的窗口大小数据,通过卷积神经网络对其训练,得到其窗口的特征值,训练出线性关系和非线性关系下,不同数据类型对应的窗口大小。
图1示出了本发明提供的一种基于HLA(High Level Architecture,分布交互仿真技术的高层体系结构)的风力发电系统的仿真验证方法的流程图,具体包括如下步骤:
步骤S101:采用改进的基于SGD及定性趋势提取的仿真验证方法,对系统内多个独立的领域就进行仿真验证。
首先,采用提升格式的方式去除数据中可能包含的噪声,包括白噪声、粗大误差等,去除掉数据由于编解码时所产生的各种噪声后。
得到:
步骤S102:通过卷积神经网络提取多个滑动窗口长度的数据,多次抽取数据特征,得到高级数据特征,判断数据的最佳长度L。
使用卷积神经网络,获取不同大小的窗口提取数据长度数据l。
将L按照矩阵的形式进行排列,内含有数据类型M′p的数据提取了n个滑动窗口长度的数据,得到数据长度矩阵:
矩阵的特征值计算方法:
|λE-Lm T|=0
其中单位矩阵E为:
根据上述公式得到矩阵的特征值后,通过以下式子:
令:
E-Lm T=H
则:
(E-Lm T)X=HX
矩阵H化简后得到H0,其中,X为特征矩阵,表示为:
(E-Lm T)X=H0X
XT=[x1,x2,...,xn]
通过研究特征值,进而求出特征矩阵X。将X引入卷积神经网络,通过上述方法,将Lm矩阵设置成输入层,通过如下公式,得到输出层:
第200次卷积可以提取出低层次的特征-低级特征c。
第300次卷积可以提取出中层次的特征-中级特征b。
第500次卷积可以提取出高层次的特征-高级特征a。
多次进行卷积操作可以通过hout,wout得到矩阵Lm中的高级特征值a,根据其特征值匹配出Lm中最佳的那个滑动窗口大小,确定一个或多个最优的解Lbest,通过研究最优解,得到其中一个M′p的数据类型应该选取多长的窗口。
步骤S103:将风力发电系统的仿真数据集进行校核操作和降噪操作后,得到风力发电系统内的多个领域的仿真数据,通过一元线性拟合的方法对所述仿真数据进行拟合;获取每一个领域仿真数据的定性趋势,根据定性趋势判断出该定性趋势的导数。
对于基于滑动窗口的定势提取方法,如果仿真数据之间存在线性关系。当拟合效果不能满足要求时,可以分为两种情况,一种情况是数据之间存在非线性的关系,这就需要减小窗口宽度即减少使用的数据,重新拟合还有一种就是由于拟合时采用的数据有稳态的数据,比如变量基本不变。提取、识别的时候,要将这两种情况区分开来。
根据深度学习方法确认滑动窗口大小后,使用滑动窗口的定性趋势提取方法,提取出仿真数据的定性趋势。其中,第i领域子模块的趋势变化量化为pi,一个领域仿真由k个领域子模块构成。由领域子模块构成的领域仿真趋势表示为:
滑动窗口的定性趋势提取方法:
第一步:假设去噪后的风力发电系统内多个领域的仿真数据Mα′,Mβ′,...,Mp′,...Mη′,度为L的数据为y1,y2,...,yL,时间变量为t1,t2,...,tL。其中下标代表序号,序号越大,代表数据越新。根据数据类型和数据长度,确认出滑动窗口初始宽度为M,将M个原始数据y1,y2,...,yM放入滑动窗口内;同时原始数据删除相应的数据。
第二步:采用如下最小二乘法对滑动窗口的仿真数据进行一元线性拟合:
y(x)=f(x)=ax+b
之后采用F检验判断拟合效果如果拟合的结果满足要求,即窗口的数据为线性,即可以继续扩大窗口,从原始数据中移入新的数据,继续拟合;F检验判断是否满足要求,直到不能满足要求。这样一个线性的片段确定出来,转到第四步对滑动窗口内片段进行进一步划分;如果不能满足要求则转到第三步。
第三步是对于拟合效果不能满足要求的分两种情况。一种情况是初始滑动窗口设置大了,窗内数据是非线性,导致拟合效果不能满足要求,这种情况就需要减小窗口宽度,重新拟合;另一种情况是窗口内数据是不变的,需要对这两种情况进行区分:
(1)针对滑动窗口内的数据,计算y的方差,并与阈值比较,如果小于阈值,说明数据没有变化,继续从原始数据移入新的数据,计算方差,判断是否没有变化,直到方差大于阈值,这样一个不变的片段被提取出来。转到第五步。阈值一般采用变量的3倍稳态方差。
(2)如果y的方差大于阈值,说明数据有变化,滑动窗口设置大了,就减小窗口,将新移入的数据放回原始数据中,重新拟合,F检验,直到满足要求或者窗口内数据方差小于阈值。这样,一个新的片段被提取出来。转到第五步。
第四步:滑动窗口内的数据已经过F检验,满足线性要求。但是由于采用F检验判断窗口内数据是否线性的标准较为宽松,需要对大于等于滑动窗口初始宽度的数据作进一步划分。假设窗口宽度为W,数据为y1,y2,...,yw。对窗口数据分成两部分分别进行线性拟合,即对y1,y2,...,yi以及yi,yi+1,...,yw,(1<i<w)进行线性拟合,并计算两部分的误差总和,取误差总和最小的i为最佳分割点。一个新的片段y1,y2,...,yi产生,剩余的数据放回原始数据中。转到第五步。
第五步:新的片段产生,为了保证所有片段的连续性,将新片段最后一个数据放入原始数据中,清空滑动窗口数据,继续从原始数据装入M个数据,转到第二步。如果原始数据长度为零,表明所有片段都被提取出来。那么对所有提取出来的片段进行识别。如果提取时,片段是没有变化的,即为不变;否则,如果a>0,片段为上升,a<0,片段为下降。
步骤S104:获取每一个领域仿真数据的定性趋势,根据定性趋势判断出该定性趋势的导数。
根据以上方法判断出内蒙地区风力发电系统的体系仿真数据集的定性趋势P:
其中,仿真领域数据集为:
定性趋势P的一阶导对应趋势为:
定性趋势P的二阶导对应趋势为:
定性趋势P的三阶导对应趋势为:
步骤S105:将领域仿真按照关系进行分类,得到独立的领域仿真,并将每一个领域仿真与对应的真实场景进行比较,判断模型与仿真是否一致,得到相似性等级;输出所有领域仿真相似度等级数值K。
场景中模型的建立,按照仿真校核中,对于该系统所采用的仿真方法,来确定实际场景中的趋势变化。比如,对于一个连续的系统,其仿真模型采用微分的形式确认其表达式;对于一个离散的系统,其仿真模型采用概率论的方法确认其趋势变化。由于真实世界中存在着种种误差,所以只能得到的函数表达式。
根据reflective memory-based framework toward crowd networksimulations方法得到该方法的模型表达式近似为:
其中f函数表示一级联邦仿真框架的函数表达式,g表示二级联邦仿真框架的函数表达式,a,b,c,d表示其参数;c(t),d(t)分别表示参数的变化,N为整数。X和Y表示内蒙古地区风力发电仿真系统所面临的人类世界群体现象的数据值。
将实际场景确认其仿真方法所对应的函数表达式,之后确认其导函数表达式为:
f(x)→f′(x)→f″(x)→f′″(x)
通过仿真方法的导函数表达式,来表示每一阶段函数趋势的变化。同时将其趋势与仿真数据的趋势进行匹配和比较,进而得到其相似性数值。(P表示仿真数据趋势,x表示领域子模块的功能)
f′(x1)→P1
f″(x1)→P1
f′″(x1)→P1
上述方程描述了某一个领域子模块的趋势与某一段仿真数据的趋势进行的匹配,三个式子表示不同阶段的导数与仿真数据的匹配情况,若模型与仿真的趋势一致,输出1,若为假,输出0。将输出结果进行求和,得到领域子模块与M′p仿真数据趋势的相似度等级K1。
将仿真函数与研究的目标领域模型进行求导对比,按照如下评判标准判断该领域仿真属于哪一个等级,然后将等级值输出,K值表示仿真的相似度等级值。
仿真模型与仿真数据的趋势,即模型与仿真(M&S)的相似程度评价体系如下:
一级相似性:(当前节点的数值相同(大于上限为“1”,小于下限为“-1”,上限和下限之间为“0”)(K=1;0;-1)
二级相似性:两种趋势的一阶导数是相同的,即变化的方向是一致的。(K=2)
三级相似性:两种趋势的一阶和二阶导数相同,变化方向的速率也一致(K=3)
四级相似性:两种趋势的三阶导数是相同的,变化基本相同,只是初始值不同(K=4)(K为可信性的数值,根据模型与仿真(M&S)判断出趋势函数,判断出相似性指标之后,将相似性进行数值量化)
根据图2,图3,图4的关系,得到各个领域仿真的相似性等级数值。
<1>独立关系:多个领域是独立的关系,验证时应对每一个可信性单独评估。
Kindependence=K1+K2+...+Kε(ε<z)
<2>合作关系:两个领域是相交的关系,应按照相交领域的功能,依次验证每一个领域的可信性,按照效果划分一个权重,贡献大的占权重较高,计算其总可信度:(K为领域仿真模块的可信度;w为权重,由FAHP得到)
<3>亲密关系:两个领域是包含的关系,验证时只需要对领域2可信性进行评估。若领域2满足则领域1也可信。(Vi表示领域i的规模)
按照仿真领域的关系,将其分成一个个独立的领域仿真,输出每一个领域仿真的相似性等级数值K。
本发明实施例的方案经过改进应用在互联网分布式系统内,可以解决由复杂的网络环境下仿真系统的验证问题。通过卷积神经网络的方法,使其在无监督学习下自适应能力提升。
请注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (2)
1.一种基于深度学习对风力发电系统进行仿真的仿真验证方法,其特征在于,包括:
采用改进的基于SGD及定性趋势提取的仿真验证方法,对系统内多个独立的领域就进行仿真验证;
通过卷积神经网络提取多个滑动窗口长度的数据,多次抽取数据特征,得到高级数据特征,判断数据的最佳长度;
将风力发电系统的仿真数据集进行校核操作和降噪操作后,得到风力发电系统内的多个领域的仿真数据,通过一元线性拟合的方法对所述仿真数据进行拟合;
获取每一个领域仿真数据的定性趋势,根据定性趋势判断出该定性趋势的导数;
将领域仿真按照关系进行分类,得到独立的领域仿真,并将每一个领域仿真与对应的真实场景进行比较,判断模型与仿真是否一致,得到相似性等级;
输出所有领域仿真相似度等级数值K。
2.如权利要求1所述的方法,其特征在于,所述通过卷积神经网络提取多个滑动窗口长度的数据,多次抽取数据特征,得到高级数据特征,判断数据的最佳长度包括:
使用卷积神经网络,获取不同大小的窗口提取数据长度数据L;
将L按照矩阵的形式进行排列,内含有数据类型m的数据提取了n个滑动窗口长度的数据,得到数据长度矩阵:
Lm=[l1,l2,...,ln]
矩阵的特征值计算方法为:
|λE-Lm T|=0
其中单位矩阵E为:
得到矩阵的特征值后,通过以下式子:
令:
E-Lm T=H
则:
(E-Lm T)X=HX
矩阵H化简后得到H0,其中,X为特征矩阵,表示为:
(E-Lm T)X=H0X
XT=[x1,x2,...,xn]
通过研究特征值,进而求出特征矩阵X,将X引入卷积神经网络,通过上述方法,将Lm矩阵设置成输入层,通过如下公式,得到输出层:
第一次卷积可以提取出低层次的特征;
第二次卷积可以提取出中层次的特征;
第三次卷积可以提取出高层次的特征;
多次进行卷积操作可以得到矩阵Lm中的高级特征值a,根据其特征值匹配出Lm中最佳的那个滑动窗口大小,确定一个或多个最优的解,通过研究最优解,得到某一个数据类型应该选取多长的窗口作为滑动窗口。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910868492.9A CN110705044A (zh) | 2019-09-17 | 2019-09-17 | 基于深度学习对风力发电系统进行仿真的仿真验证方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910868492.9A CN110705044A (zh) | 2019-09-17 | 2019-09-17 | 基于深度学习对风力发电系统进行仿真的仿真验证方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110705044A true CN110705044A (zh) | 2020-01-17 |
Family
ID=69195535
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910868492.9A Pending CN110705044A (zh) | 2019-09-17 | 2019-09-17 | 基于深度学习对风力发电系统进行仿真的仿真验证方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110705044A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112466416A (zh) * | 2020-11-03 | 2021-03-09 | 北京科技大学 | 一种结合镍基合金先验知识的材料数据清洗方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101854064A (zh) * | 2010-04-23 | 2010-10-06 | 哈尔滨工业大学(威海) | 双馈感应风力发电系统基于能量的机网侧联合控制算法 |
US20120185414A1 (en) * | 2010-12-15 | 2012-07-19 | Vaisala, Inc. | Systems and methods for wind forecasting and grid management |
CN103488864A (zh) * | 2013-07-04 | 2014-01-01 | 清华大学 | 一种风光储联合发电系统风险的评估方法 |
-
2019
- 2019-09-17 CN CN201910868492.9A patent/CN110705044A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101854064A (zh) * | 2010-04-23 | 2010-10-06 | 哈尔滨工业大学(威海) | 双馈感应风力发电系统基于能量的机网侧联合控制算法 |
US20120185414A1 (en) * | 2010-12-15 | 2012-07-19 | Vaisala, Inc. | Systems and methods for wind forecasting and grid management |
CN103488864A (zh) * | 2013-07-04 | 2014-01-01 | 清华大学 | 一种风光储联合发电系统风险的评估方法 |
Non-Patent Citations (2)
Title |
---|
李伟昌;张磊;: "基于风力发电系统的风电机组变桨距故障诊断", 计算机仿真 * |
杨婷婷;张蓓;吕游;邸小慧;: "基于MSET的电站风机故障预警技术研究", 热能动力工程 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112466416A (zh) * | 2020-11-03 | 2021-03-09 | 北京科技大学 | 一种结合镍基合金先验知识的材料数据清洗方法 |
CN112466416B (zh) * | 2020-11-03 | 2024-04-12 | 北京科技大学 | 一种结合镍基合金先验知识的材料数据清洗方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111784041B (zh) | 一种基于图卷积神经网络的风电功率预测方法及系统 | |
CN112418292B (zh) | 一种图像质量评价的方法、装置、计算机设备及存储介质 | |
CN111444340A (zh) | 文本分类和推荐方法、装置、设备及存储介质 | |
CN107220506A (zh) | 基于深度卷积神经网络的乳腺癌风险评估分析系统 | |
CN113628059B (zh) | 一种基于多层图注意力网络的关联用户识别方法及装置 | |
CN112910690A (zh) | 基于神经网络模型的网络流量预测方法、装置及设备 | |
CN115422944A (zh) | 语义识别方法、装置、设备及存储介质 | |
CN113505583B (zh) | 基于语义决策图神经网络的情感原因子句对提取方法 | |
CN113011895A (zh) | 关联账户样本筛选方法、装置和设备及计算机存储介质 | |
CN113392197B (zh) | 问答推理方法、装置、存储介质及电子设备 | |
CN110335160B (zh) | 一种基于分组和注意力改进Bi-GRU的就医迁移行为预测方法及系统 | |
CN115221396A (zh) | 基于人工智能的信息推荐方法、装置及电子设备 | |
CN108805280B (zh) | 一种图像检索的方法和装置 | |
CN110516792A (zh) | 基于小波分解和浅层神经网络的非平稳时间序列预测方法 | |
CN114219027A (zh) | 一种基于离散小波变换的轻量级时间序列预测方法 | |
CN114266201A (zh) | 一种基于深度学习的自注意力电梯困人预测方法 | |
CN110705044A (zh) | 基于深度学习对风力发电系统进行仿真的仿真验证方法 | |
CN113609763A (zh) | 基于不确定性的卫星组件布局温度场预测方法 | |
CN112712855A (zh) | 一种基于联合训练的含缺失值基因微阵列的聚类方法 | |
CN113688989B (zh) | 深度学习网络加速方法、装置、设备及存储介质 | |
CN115879412A (zh) | 一种基于迁移学习的版图层级电路图尺寸参数优化方法 | |
CN110795889A (zh) | 基于深度学习对风力发电系统进行仿真的仿真确认方法 | |
CN116050579A (zh) | 基于深度特征融合网络的建筑能耗预测方法及系统 | |
CN115081609A (zh) | 一种智能决策中的加速方法、终端设备及存储介质 | |
CN113949880A (zh) | 一种极低码率人机协同图像编码训练方法及编解码方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200117 |