CN110765701A - 一种led荧光粉胶涂覆厚度的预测方法 - Google Patents
一种led荧光粉胶涂覆厚度的预测方法 Download PDFInfo
- Publication number
- CN110765701A CN110765701A CN201911017951.9A CN201911017951A CN110765701A CN 110765701 A CN110765701 A CN 110765701A CN 201911017951 A CN201911017951 A CN 201911017951A CN 110765701 A CN110765701 A CN 110765701A
- Authority
- CN
- China
- Prior art keywords
- coating thickness
- firefly
- fluorescent powder
- led fluorescent
- powder glue
- 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
- 239000011248 coating agent Substances 0.000 title claims abstract description 71
- 238000000576 coating method Methods 0.000 title claims abstract description 71
- 239000000843 powder Substances 0.000 title claims abstract description 58
- 239000003292 glue Substances 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 15
- 238000012360 testing method Methods 0.000 claims abstract description 13
- 238000010606 normalization Methods 0.000 claims abstract description 12
- 238000004519 manufacturing process Methods 0.000 claims abstract description 8
- 238000012858 packaging process Methods 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims abstract description 6
- 241000254158 Lampyridae Species 0.000 claims description 67
- 230000000694 effects Effects 0.000 claims description 13
- GNBHRKFJIUUOQI-UHFFFAOYSA-N fluorescein Chemical compound O1C(=O)C2=CC=CC=C2C21C1=CC=C(O)C=C1OC1=CC(O)=CC=C21 GNBHRKFJIUUOQI-UHFFFAOYSA-N 0.000 claims description 10
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 7
- 238000010521 absorption reaction Methods 0.000 claims description 3
- 230000004907 flux Effects 0.000 claims description 3
- 230000006978 adaptation Effects 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000009191 jumping Effects 0.000 claims description 2
- 238000009877 rendering Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 description 16
- 239000013598 vector Substances 0.000 description 4
- 239000000853 adhesive Substances 0.000 description 3
- 230000001070 adhesive effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Application Of Or Painting With Fluid Materials (AREA)
Abstract
本发明公开了一种LED荧光粉胶涂覆厚度的预测方法,包括S1采集LED封装过程的生产数据构成原始数据集,将原始数据集划分为训练数据和测试数据,对测试数据进行归一化处理,S2多次构建和训练LED荧光粉胶涂覆厚度预测模型,得到多个训练好的LED荧光粉胶涂覆厚度预测模型;S3将处理后的测试数据输入多个训练好的LED荧光粉胶涂覆厚度预测模型,输出值为LED荧光粉胶涂覆厚度,对预测结果进行分析,得到最优LED荧光粉胶涂覆厚度预测模型。本发明提高了生成LED荧光粉胶涂覆厚度预测模型的效率,也提高了LED荧光粉胶涂覆厚度预测模型的精度。
Description
技术领域
本发明涉及LED加工领域,具体涉及一种LED荧光粉胶涂覆厚度的预测方法。
背景技术
LED封装非常关键,决定了LED应用产品的质量性能,而大功率白光LED封装过程中荧光粉的涂覆厚度是直接影响LED发光效果品质的关键一环。而现在一般工厂想要获得大功率LED产生某一色坐标的效果都是通过大量的实验不断尝试去获得荧光粉的涂覆厚度,这样大大的提高了成本,降低了效率。
现有技术中通过采集荧光粉封装过程的生产数据,采用统计过程分析,建立涂覆厚度与荧光粉胶配方的关系预测模型,对荧光粉胶配方和涂覆厚度进行自适应调整,并对终端产品品质进行智能分析和诊断,获得荧光粉胶配方及涂覆厚度的优化方案。在这个方案中建立LED灯涂覆厚度是关键,而回归模型的精确度不是很高。
发明内容
为了克服现有技术存在的缺点与不足,本发明提供一种LED荧光粉胶涂覆厚度的预测方法。本发明可以有效解决现有技术中预测不够精确,误差大等问题。
本发明采用如下技术方案:
一种LED荧光粉胶涂覆厚度的预测方法,包括:
S1采集LED封装过程的生产数据构成原始数据集,将原始数据集划分为训练数据和测试数据,对测试数据进行归一化处理;
S2多次构建和训练LED荧光粉胶涂覆厚度预测模型,得到多个训练好的LED荧光粉胶涂覆厚度预测模型;
S3将处理后的测试数据输入多个训练好的LED荧光粉胶涂覆厚度预测模型,输出值为LED荧光粉胶涂覆厚度,对预测结果进行分析,得到最优LED荧光粉胶涂覆厚度预测模型。
所述原始数据集,具体为:荧光粉胶配比、荧光粉涂敷厚度及LED发光效果。
所述构建和训练LED荧光粉胶涂覆厚度预测模型,具体为:
S2.1SVR核函数的选择,所述SVR核函数为径向基核函数;
S2.2通过萤火虫算法来确定LED荧光粉涂覆厚度预测模型的惩罚系数C、不敏感损失系数ε和核参数σ进行动态优化选择操作,所述LED荧光粉胶涂覆厚度预测模型为:y=f(x|C,ε,σ)
其中,σ为径向基核函数参数、C为惩罚系数、ε为不敏感损失系数。
所述S2.2通过萤火虫算法来确定LED荧光粉涂覆厚度预测模型的惩罚系数C、不敏感损失系数ε和核参数σ进行动态优化选择操作,具体为:
S2.2.1设置参数{σ,C,ε}的搜索范围;
S2.2.2通过萤火虫算法的评估函数,初始化萤火虫种群数量N、步长因子α、初始吸引度β0、光吸收系数γ;
S2.2.3参数{σ,C,ε}分别对应萤火虫的可行解位置xi=(xi1,xi2,xi3)=(σi1,Ci2,εi3)设定搜索范围,并初始化位置;
S2.2.4更新萤火虫位置,并利用式步骤2所述的萤火虫评估函数计算萤火虫的适应值,记录当前最优萤火虫信息,若满足算法收敛停止准则,则跳转至S2.2.5,否则,依然执行S2.2.4;
S2.2.5输出最优萤火虫位置信息,即模型的{σ,C,ε}参数值,利用优化后的参数构建模型。
所述萤火虫的评估函数的定义为:
n为样本个数,yi和yi *分别为第i个样本的实测值和预报值。
所述归一化公式为:
其中y和y′分别为归一化前和归一化后的值,y′upper和y′lower分别为y′的上界值和下界值,ymax和ymin分别为y的最大值和最小值。
所述径向基核函数:
K(xi,x)=exp(-g||xi-x||).其中,g为相应核函数的参数。
所述生产数据包括发光效果参数及影响涂覆厚度参数,所述发光效果参数包括发光强度、色温、显色指数、光通量及光照度,所述影响涂覆厚度参数包括荧光粉胶配比。
所述萤火虫算法具体为:
初始化各个参数;
随机初始化第i(i=1,2,...,n)个萤火虫在目标函数搜索范围内的位置;
计算萤火虫i在t时刻的荧光素值li(t);
每只萤火虫在其动态决策域半径rid(t+1),选择荧光素值比自己高的个体组成其领域集Ni(t),其中0<rid(t)≤rs,rs为萤火虫个体的感知半径;
计算萤火虫i移向邻域集内个体j的概率pij(t),确定萤火虫i的移动个体方向j=max(pij(t));
利用轮盘赌的方式选择个体j,然后移动,更新位置;
更新萤火虫动态决策域半径的值;
是否到达最大迭代次数或者要求精度,如果达到转向下一步骤,否则转向选择荧光素值比自己高的个体组成其领域集Ni(t);
输出全局极值点和最优个体值。
所述对预测结果进行分析,得到最优LED荧光粉胶涂覆厚度预测模型,具体为:
计算每个LED荧光粉胶涂覆厚度预测模型的平均绝对误差,具体计算公式为:
其中,N是数据量,f是模型预测涂覆厚度值,y是实际涂敷厚度值;
根据平均绝对误差值越小,精确度越高,得到最优LED荧光粉胶涂覆厚度预测模型。
本发明的有益效果:
(1)本发明采用萤火虫算法对SVR模型进行参数动态寻优,来确定模型中的惩罚系数C、不敏感损失系数ε和核参数σ,传统方法对参数选择效率低,导致主观性和随机性大,采用萤火虫算法大大提高了支持向量回归的性能,不仅提高了生成LED荧光粉胶涂覆厚度预测模型的效率,也提高了LED荧光粉胶涂覆厚度预测模型的精度;
(2)现有技术中各因素对发光效果的作用关系难以建立严谨的数学模型,支持向量机模型具有对小样本的较强的泛化能力,在涂覆厚度预测中有良好的应用前景。
附图说明
图1是本发明的工作流程图;
图2是本发明采用萤火虫算法估计SVR模型参数的工作流程图;
图3是萤火虫算法的流程图。
具体实施方式
下面结合实施例及附图,对本发明作进一步地详细说明,但本发明的实施方式不限于此。
实施例
如图1-图2所示,一种LED荧光粉胶涂覆厚度的预测方法,包括:
S101采集LED封装过程的生产数据构成原始数据集,将原始数据集划分为训练数据和测试数据,对测试数据进行归一化处理;
其中,本实施例中采集LED封装过程的生产数据包括荧光粉胶配比、荧光粉涂敷厚度、LED的发光效果,LED的发光效果包括发光强度、光通量及光强度。
本实例中,所述的数据归一化处理公式为:
其中y和y′分别为归一化前和归一化后的值,y′upper和y′lower分别为y′的上界值和下界值,ymax和ymin分别为y的最大值和最小值。数据归一化也叫做数据标准化,是一种数据预处理方式,用来消除数据之间量纲差异,实现不同数据的可比性。
S102多次构建和训练LED荧光粉胶涂覆厚度预测模型,预测模型为SVR模型;
本实例将萤火虫算法(Firefly A1gorithm,FA)应用SVR模型的参数动态优化选择,并基于Eclipse实验环境和LibSVR-3.22工具包构建FA-SVR模型。将荧光粉配比、LED发光效果作为训练样本的输入,将涂敷厚度作为训练样本的输出,并进行参数寻优。
其中由于萤火虫算法本质上是一种随机算法,因此,算法每次对SVR预报模型优化得到的结果均不一样。所以可通过多次多次构建和训练LED荧光粉胶涂覆厚度预测模型从而寻找最优模型。
本实例中,LED荧光粉胶涂覆厚度预测模型(SVR模型)的构建和训练的步骤为:
本实例中,SVR核函数为径向基核函数:K(xi,x)=exp(-g||xi-x||)。其中,g为相应核函数的参数。则SVR模型可抽象为如下形式:y=f(x|C,ε,σ)其中,σ为径向基核函数参数、C为惩罚系数、ε为不敏感损失系数。SVR模型性能主要由惩罚系数C、不敏感损失系数ε和核参数σ。惩罚系数C决定对经验风险的惩罚程度,直接影响SVR模型的泛化能力和稳定性;不敏感损失系数ε规定了预报误差要求,同时决定了支持向量的个数;核参数σ决定样本数据在高维特征空间的分布复杂程度。
通过萤火虫算法来确定LED荧光粉胶涂覆厚度预测模型(SVR模型)中的惩罚系数C、不敏感损失系数ε和核参数σ进行动态优化选择操作。
其具体操作为:首先选择SVR预报模型的训练和测试样本,设置参数{σ,C,ε}的搜索范围;其次通过萤火虫的评估函数
初始化萤火虫种群数量N、步长因子α、初始吸引度β0、光吸收系数/;然后将SVR预报模型参数{σ,C,ε}分别对应萤火虫的可行解位置xi=(xi1,xi2,xi3)=(σi1,Ci2,εi3)设定搜索范围,并初始化位置;然后更新萤火虫位置,并利用萤火虫评估函数计算萤火虫的适应值,记录当前最优萤火虫信息。若不满足算法收敛停止准则,则继续本步骤更新萤火虫位置直到满足收敛停止准则;最后输出最优萤火虫位置信息,即SVR模型的{σ,C,ε}参数值,SVR预测模型利用优化后的参数值进行模型预测。
本实施例中惩罚系数C[2-4,212],不敏感损失系数ε[0,1]和核参数σ>0。
本实施例中,萤火虫算法(Firefly Algorithm,FA)的基本流程图如图3所示,其基本思路是首先在可行域中随机放置n个萤火虫,并赋予每个萤火虫的荧光素为l0,动态决策域为r0。初始化步长s,领域阈值nt,荧光素消失率ρ,荧光素更新率γ,动态决策域更新率β,萤火虫感知域rs,迭代次数M;然后随机初始化第i(i=1,2,...,n)个萤火虫在目标函数搜索范围内的位置并利用公式li(t)=(1-ρ)*li*(t-1)+γ*J*(xi(t))计算萤火虫i在t时刻的荧光素值li(t);通过公式ri d(t+1)=min{rs,max{0,ri d(t),β*(nt-|Ni(t)|)}}每只萤火虫在其动态决策域半径ri d(t+1),选择荧光素值比自己高的个体组成其领域集Ni(t),其中0<ri d(t)≤rs。rs为萤火虫个体的感知半径;随后通过公式计算萤火虫i移向邻域集内个体j的概率pij(t),确定萤火虫i的移动个体方向j=max(pij(t));利用轮盘赌的方式选择个体j,然后移动,利用公式
更新位置,并更新更新萤火虫动态决策域半径的值;判断是否达到最大迭代次数或者要求精度,如若不满足则继续更新萤火虫的位置直到满足为止;最后输出全局极值点和最优个体值。
S103将处理后的测试数据输入多个训练好的LED荧光粉胶涂覆厚度预测模型,输出值为LED荧光粉胶涂覆厚度,对预测结果进行分析选出预测效果最优的LED荧光粉厚度预测模型。
其中,分析选出预测效果最好的厚度预测模型是通过计算平均绝对误差,即预测值与实际值之间的绝对差值之和。平均绝对误差用于评价数据的变化程度,平均绝对误差的值越小,说明预测模型描述实验数据具有更好的精确度。
计算平均绝对误差的公式是:
其中,N是数据量,f是模型预测涂覆厚度值,y是实际涂敷厚度值。
本发明结合了支持向量回归机来精准确定LED荧光粉胶涂覆厚度的预测模型。它能够表现出数据中复杂的非线性关系,从而取得精确的预测结果。同时采用萤火虫算法对SVR模型进行参数动态寻优,来确定模型中的惩罚系数C、不敏感损失系数ε和核参数σ,从而大大提高了支持向量回归的性能。这样,不仅提高了生成LED荧光粉胶涂覆厚度预测模型的效率,也提高了LED荧光粉胶涂覆厚度预测模型的精度。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受所述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (10)
1.一种LED荧光粉胶涂覆厚度的预测方法,其特征在于,包括:
S1 采集LED封装过程的生产数据构成原始数据集,将原始数据集划分为训练数据和测试数据,对测试数据进行归一化处理;
S2 多次构建和训练LED荧光粉胶涂覆厚度预测模型,得到多个训练好的LED荧光粉胶涂覆厚度预测模型;
S3 将处理后的测试数据输入多个训练好的LED荧光粉胶涂覆厚度预测模型,输出值为LED荧光粉胶涂覆厚度,对预测结果进行分析,得到最优LED荧光粉胶涂覆厚度预测模型。
2.根据权利要求1所述的预测方法,其特征在于,所述原始数据集,具体为:荧光粉胶配比、荧光粉涂敷厚度及LED发光效果。
3.根据权利要求1所述的预测方法,其特征在于,所述构建和训练LED荧光粉胶涂覆厚度预测模型,具体为:
S2.1 SVR核函数的选择,所述SVR核函数为径向基核函数;
S2.2 通过萤火虫算法来确定LED荧光粉涂覆厚度预测模型的惩罚系数C、不敏感损失系数ε和核参数σ进行动态优化选择操作,所述LED荧光粉胶涂覆厚度预测模型为:y=f(x|C,ε,σ)
其中,σ为径向基核函数参数、C为惩罚系数、ε为不敏感损失系数。
4.根据权利要求3所述的预测方法,其特征在于,S2.2通过萤火虫算法来确定LED荧光粉涂覆厚度预测模型的惩罚系数C、不敏感损失系数ε和核参数σ进行动态优化选择操作,具体为:
S2.2.1 设置参数{σ,C,ε}的搜索范围;
S2.2.2 通过萤火虫算法的评估函数,初始化萤火虫种群数量N、步长因子α、初始吸引度β0、光吸收系数γ;
S2.2.3 参数{σ,C,ε}分别对应萤火虫的可行解位置xi=(xi1,xi2,xi3)=(σi1,Ci2,εi3)设定搜索范围,并初始化位置;
S2.2.4 更新萤火虫位置,并利用式步骤2所述的萤火虫评估函数计算萤火虫的适应值,记录当前最优萤火虫信息,若满足算法收敛停止准则,则跳转至S2.2.5,否则,依然执行S2.2.4;
S2.2.5 输出最优萤火虫位置信息,即模型的{σ,C,ε}参数值,利用优化后的参数构建模型。
5.根据权利要求4所述的预测方法,其特征在于,萤火虫的评估函数的定义为:
n为样本个数,yi和yi *分别为第i个样本的实测值和预报值。
7.根据权利要求3所述的预测方法,其特征在于,所述径向基核函数:
K(xi,x)=exp(-g||xi-x||).其中,g为相应核函数的参数。
8.根据权利要求1所述的预测方法,其特征在于,所述生产数据包括发光效果参数及影响涂覆厚度参数,所述发光效果参数包括发光强度、色温、显色指数、光通量及光照度,所述影响涂覆厚度参数包括荧光粉胶配比。
9.根据权利要求4所述的预测方法,其特征在于,所述萤火虫算法具体为:
初始化各个参数;
随机初始化第i(i=1,2,...,n)个萤火虫在目标函数搜索范围内的位置;
计算萤火虫i在t时刻的荧光素值li(t);
每只萤火虫在其动态决策域半径rid(t+1),选择荧光素值比自己高的个体组成其领域集Ni(t),其中0<rid(t)≤rs,rs为萤火虫个体的感知半径;
计算萤火虫i移向邻域集内个体j的概率pij(t),确定萤火虫i的移动个体方向j=max(pij(t));
利用轮盘赌的方式选择个体j,然后移动,更新位置;
更新萤火虫动态决策域半径的值;
是否到达最大迭代次数或者要求精度,如果达到转向下一步骤,否则转向选择荧光素值比自己高的个体组成其领域集Ni(t);
输出全局极值点和最优个体值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911017951.9A CN110765701A (zh) | 2019-10-24 | 2019-10-24 | 一种led荧光粉胶涂覆厚度的预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911017951.9A CN110765701A (zh) | 2019-10-24 | 2019-10-24 | 一种led荧光粉胶涂覆厚度的预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110765701A true CN110765701A (zh) | 2020-02-07 |
Family
ID=69333596
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911017951.9A Pending CN110765701A (zh) | 2019-10-24 | 2019-10-24 | 一种led荧光粉胶涂覆厚度的预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110765701A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111710771A (zh) * | 2020-05-13 | 2020-09-25 | 浙江云科智造科技有限公司 | 一种led产品的胶粉配比推荐方法 |
CN111737915A (zh) * | 2020-06-18 | 2020-10-02 | 南京泰治自动化技术有限公司 | 一种led荧光粉配比的计算方法与装置 |
CN113242280A (zh) * | 2021-04-25 | 2021-08-10 | 华南理工大学 | 一种led荧光粉涂覆远程监控系统及涂覆效果预测方法 |
CN113866638A (zh) * | 2021-08-24 | 2021-12-31 | 陈九廷 | 一种电池参数推测方法、装置、设备及介质 |
WO2023060580A1 (zh) * | 2021-10-15 | 2023-04-20 | 厦门大学 | 一种led结构性能的预测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130204585A1 (en) * | 2012-02-06 | 2013-08-08 | Livermore Software Technology Corporation | Systems and Methods of Using Multiple Surrogate-based Parameter Selection of Anisotropic Kernels in Engineering Design Optimization |
CN105787184A (zh) * | 2016-03-04 | 2016-07-20 | 华北电力大学(保定) | 一种基于pm2.5的大气气溶胶光学厚度估计方法 |
-
2019
- 2019-10-24 CN CN201911017951.9A patent/CN110765701A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130204585A1 (en) * | 2012-02-06 | 2013-08-08 | Livermore Software Technology Corporation | Systems and Methods of Using Multiple Surrogate-based Parameter Selection of Anisotropic Kernels in Engineering Design Optimization |
CN105787184A (zh) * | 2016-03-04 | 2016-07-20 | 华北电力大学(保定) | 一种基于pm2.5的大气气溶胶光学厚度估计方法 |
Non-Patent Citations (4)
Title |
---|
王晓新;陈磊;: "基于高斯过程的萤火虫算法及其在板料成形优化设计中的应用", 锻压技术, no. 12, 31 December 2015 (2015-12-31), pages 26 - 34 * |
谢冰: "基于优化SVM的MDF厚度在线检测方法研究", 中国优秀硕士学位论文全文数据库 工程科技I辑, 15 February 2019 (2019-02-15), pages 024 - 470 * |
郑港等: "一种基于萤火虫支持向量机的油色谱在线数据校正方法", 高压电器, vol. 49, no. 9, 30 September 2013 (2013-09-30), pages 23 - 27 * |
陈同俊;王新;管永伟;: "基于SVR和地震属性的构造煤厚度定量预测", 煤炭学报, no. 05, 15 May 2015 (2015-05-15), pages 1103 - 1108 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111710771A (zh) * | 2020-05-13 | 2020-09-25 | 浙江云科智造科技有限公司 | 一种led产品的胶粉配比推荐方法 |
CN111737915A (zh) * | 2020-06-18 | 2020-10-02 | 南京泰治自动化技术有限公司 | 一种led荧光粉配比的计算方法与装置 |
CN111737915B (zh) * | 2020-06-18 | 2023-10-03 | 江苏泰治科技股份有限公司 | 一种led荧光粉配比的计算方法与装置 |
CN113242280A (zh) * | 2021-04-25 | 2021-08-10 | 华南理工大学 | 一种led荧光粉涂覆远程监控系统及涂覆效果预测方法 |
CN113866638A (zh) * | 2021-08-24 | 2021-12-31 | 陈九廷 | 一种电池参数推测方法、装置、设备及介质 |
WO2023060580A1 (zh) * | 2021-10-15 | 2023-04-20 | 厦门大学 | 一种led结构性能的预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110765701A (zh) | 一种led荧光粉胶涂覆厚度的预测方法 | |
TWI553496B (zh) | 增加訊噪比以創造一般化且強健的預測模型 | |
CN109063938B (zh) | 基于psode-bp神经网络的空气质量预测方法 | |
CN109543763B (zh) | 一种基于卷积神经网络的拉曼光谱分析方法 | |
CN110990718B (zh) | 一种公司形象提升系统的社会网络模型构建模块 | |
CN106656357B (zh) | 一种工频通信信道状态评估系统和方法 | |
CN113868960B (zh) | 一种基于典型相关森林的土壤重金属特征选取方法及系统 | |
CN113128671A (zh) | 一种基于多模态机器学习的服务需求动态预测方法及系统 | |
CN111652422A (zh) | 基于建筑物分类的供热系统负荷预测方法、装置及系统 | |
CN114595624A (zh) | 基于XGBoost算法的伴热带装置寿命状态预测方法 | |
WO2021169478A1 (zh) | 神经网络模型的融合训练方法及装置 | |
KR101028810B1 (ko) | 광고 대상 분석 장치 및 그 방법 | |
Krayem et al. | Machine learning for buildings’ characterization and power-law recovery of urban metrics | |
Parsa et al. | Accurate and accelerated neuromorphic network design leveraging a Bayesian hyperparameter pareto optimization approach | |
CN115310355A (zh) | 考虑多能耦合的综合能源系统多元负荷预测方法及系统 | |
CN113987261A (zh) | 一种基于动态信任感知的视频推荐方法及系统 | |
Yong et al. | A novel interval integer genetic algorithm used for simultaneously selecting wavelengths and pre-processing methods | |
US20230214629A1 (en) | Transformer-based autoregressive language model selection | |
CN111369074A (zh) | 一种基于人工蜂群优化bp神经网络的玉米产量预测方法 | |
CN117912484B (zh) | 一种剪枝可调的音频分离模型优化方法和装置 | |
CN111079973A (zh) | 一种基于改进粒子群优化svm的空气质量预测算法 | |
CN116662859B (zh) | 非遗文化数据特征选择方法 | |
AU2021101713A4 (en) | Remote sensing image building recognition method based on activated representational substitution | |
CN113035363B (zh) | 一种概率密度加权的遗传代谢病筛查数据混合采样方法 | |
CN117252115B (zh) | 基于神经网络的二次供水需水量软测量方法、设备及介质 |
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 |