CN110807511A - 粗糙集理论-循环神经网络模型结构 - Google Patents
粗糙集理论-循环神经网络模型结构 Download PDFInfo
- Publication number
- CN110807511A CN110807511A CN201910999085.1A CN201910999085A CN110807511A CN 110807511 A CN110807511 A CN 110807511A CN 201910999085 A CN201910999085 A CN 201910999085A CN 110807511 A CN110807511 A CN 110807511A
- Authority
- CN
- China
- Prior art keywords
- neural network
- data
- recurrent neural
- input
- attribute
- 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
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
-
- 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
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
本发明属于工程安全稳定运行监测技术领域,具体涉及一种粗糙集理论‑循环神经网络模型结构。该粗糙集理论‑循环神经网络模型结构采用粗糙集理论对各影响因素进行约简,确定关键影响因素,并将确定的关键影响因素作为循环神经网络模型的输入层因素,循环神经网络通过隐含层相互连接的方式完成数据的预测。能够保留数据中隐含的历史信息,与一般循环神经网络相比,具有预测精度高、收敛速度快、迭代步数少等优点,而且还能够确定输入层单个因素在预测过程中正负相关性的影响,更能实现有效预测。
Description
技术领域
本发明属于工程安全稳定运行监测技术领域,具体涉及一种粗糙集理论-循环神经网络模型结构。
背景技术
水利工程是国民经济和社会发展的基础产业,随着我国经济的发展,国家进一步加强了在水利建设方面的投资,为了保证水利工程的正常安全运行,对工程安全运行进行监测至关重要。但是目前常用的数据预测回归方法,是结合多元回归预测方法及传统的神经网络预测方法,存在以下技术问题:(1)针对于正常数据与异常数据以及数据的完整性需求较大,在数据要求方面可能存在一定问题;(2)针对于时序数据的特性,建立普通的神经网络模型无法结合数据内部存在的隐含的历史信息进行预测,随着模型的迭代与训练,预测结果的准确性将受到长期历史信息的干扰,其效果不理想;(3)对于普通循环神经网络模型,在对于输入层影响因素较多的情况下,无法实现有效且快速的模型预测,且无法确定输入层单个因素在预测过程中正负相关性的影响。
发明内容
针对目前的监测技术存在预测效果不理想、输入层较多时无法快速有效预测,且无法确定输入层单个因素在预测过程中正负相关性的影响的缺陷和问题,本发明提供一种粗糙集理论-循环神经网络模型结构。
本发明解决其技术问题所采用的方案是:一种粗糙集理论-循环神经网络模型结构,包括以下步骤:
步骤1、确立传感器数据影响因素,并将传感器数据影响因素作为条件属性集C;同时确立正常情况与异常情况下的传感器数据,并将其作为决策属性D;
步骤2、将条件属性集C与决策属性D统一进行归一化处理;
步骤3、约简处理确定关键影响因素:根据粗糙集理论对条件属性集C与决策属性D之间的分类能力的依赖关系进行约简处理,实现单个条件属性对条件属性集相对于决策属性的重要性程度判别,当posC(D)≠posC1(D)不满足时,条件属性为不必要;当posC(D)≠posC1(D)满足时,条件属性为必要,必要条件属性则为关键影响因素;
步骤4、循环神经网络数据的预测:将步骤3中确定的关键影响因素作为循环神经网络模型的输入层,从而进行循环神经网络的数据预测。
基于粗糙集理论分析结果,建立粗糙集理论-循环神经网络模型结构,结合各影响因素的影响情况完成预测。
上述的一种粗糙集理论-循环神经网络模型结构,步骤2中还包括对条件属性集中数据进行离散化处理。
上述的一种粗糙集理论-循环神经网络模型结构,步骤3中是基于Pawlak属性重要度的属性约简算法进行约简处理。
上述的一种粗糙集理论-循环神经网络模型结构,步骤3中还包括在约简处理前删除离散化处理后数据相同的数据以提高约简效率。
上述的一种粗糙集理论-循环神经网络模型结构,步骤4中的循环神经网络数据的预测是将步骤3中确定的关键影响因素作为循环神经网络模型的输入层,将某一时刻的输入层关键影响因素统一输入至该时刻输入层,同样下一时刻的输入层关键影响因素统一输入至相对应时刻输入层,并以此构成循环神经网络输入层,而后将输入层输入至隐含层,同时隐含层的输入还要考虑上一时刻的隐含层输出权重,进行权重与阈值的确定,从而进行循环神经网络的数据预测。
上述的一种粗糙集理论-循环神经网络模型结构,步骤5中建立循环神经网络预测模型中选择双隐含层,其节点采用试凑法公式确定:式中:ι为隐含层节点数;m为输出层节点数;n为输入层节点数;α为调节常数,范围在1~10之间。
本发明还提供一种粗糙集理论-循环神经网络模型结构用于预测渗压水位的方法,包括以下步骤:
步骤1、确立渗压水位传感器数据影响因素,所述影响因素主要为外部影响因素,包括观测日当天的上游水位、下游水位、温度、前4天降雨量均值、时效θ、θ2和时效分量ln(1+θ),并将渗压水位传感器影响因素作为条件属性集C;同时确立正常情况与异常情况下的渗压水位传感器数据,并将其作为决策属性D,构成决策表;
步骤2、将条件属性集C与决策属性D统一进行归一化处理,采用公式式中,y为归一化后的数值;xmax、xmin为所在数据列的最大值和最小值;x为样本数据的原始数据。
步骤3、约简处理确定关键影响因素:将决策表中的条件属性集采用等距离法进行离散化处理,将样本数据离散为4个等级值,当数据处于[0,0.25)间取值为1,在[0.25,0.50)间取值为2,在[0.50,0.75)间取值为3,在[0.75,1]间取值为4,删除离散化后相同的数据,然后根据粗糙集理论对条件属性集C与决策属性D之间的分类能力的依赖关系进行约简处理,实现单个条件属性对条件属性集相对于决策属性的重要性程度判别;当不满足时,条件属性为不必要;当满足时,条件属性为必要,必要条件属性则为关键影响因素;
步骤4、循环神经网络数据的预测:将步骤3中确定的关键影响因素作为循环神经网络模型的输入层,将某一时刻的输入层关键影响因素统一输入至该时刻输入层,同样下一时刻的输入层关键影响因素统一输入至相对应时刻输入层,并以此构成循环神经网络输入层,而后将输入层输入至隐含层,同时隐含层的输入还要考虑上一时刻的隐含层输出权重,选用双隐含层,隐含层节点采用试凑法公式确定:式中:ι为隐含层节点数;m为输出层节点数;n为输入层节点数;α为调节常数,范围在1~10之间;进行权重与阈值的确定,从而进行循环神经网络的数据预测。
上述的一种粗糙集理论-循环神经网络模型结构用于预测渗压水位的方法,所述隐含层节点数ι=10。
本发明的有益效果:
(1)因为传感器数据表示的是实际情况下堤坝工程内部的各个部分的安全稳定情况,因此前期数据表示均会对后面的数据的变化产生一定的影响,循环神经网络将通过隐含层相互连接的方式,在对数据预测方面,保留数据中隐含的历史信息,实现数据的预测,相比于普通神经网络,更能实现有效预测。
(2)本发明的粗糙集理论-循环神经网络模型结构,是将粗糙集理论与循环神经网络模型进行结合,与一般循环神经网络相比,当输入层因素较多时,具有预测精度高、收敛速度快、迭代步数少等优点,而且还能够确定输入层单个因素在预测过程中正负相关性的影响。
(3)结合粗糙集理论能实现影响因素重要性判别,根据条件属性对于决策表分类能力的不同,可实现影响因素重要性的判别,能够对影响堤坝工程安全评估的各影响因素实现重要性分析,在实际工程中,利于对堤坝工程的安全稳定建立检测信息的技术标准,对于堤坝工程的安全评估起到一定的积极作用。
附图说明
图1为本发明粗糙集理论-循环神经网络模型预测流程图。
图2为坝基渗透压力观测仪器布置图。
图3渗压水位影响因素决策表。
图4为渗压水位影响因素约简分类表。
图5为循环神经网络模型隐含层结构图。
图6为本发明粗糙集理论-循环神经网络模型网络拓扑结构。
具体实施方式
下面结合附图和实施例对本发明进一步说明。
实施例1:本实施例以某面板堆石坝工程为例,该石坝工程为规模一等大(1)型工程。大坝坝顶高程413.8m,最大坝高99.8m,坝顶宽度10m,坝顶长540.46m,坝顶上游侧设置高4m的L型钢筋混凝土防浪墙。水库正常蓄水位410m,库容1107.6万m3。基于大坝安全监测,该水库布置了较全面的大坝原型监测系统,由变形监测、渗流监测及环境量(降雨量、库水位)监测等项组成。
本实施例对大坝工程的渗压水位进行预测,具体流程如图1所示。对大坝工程的渗流监测采用埋设安装渗压计,坝基渗透压力观测仪器布置图见图2,共布置坝基渗压计4支,安装在坝基基岩面上,分别为Pb1、Pb2、Pb3和Pb4,数据收集时间间隔为1天,本次主要选取渗压计Pb3近10年的数据信息进行分析。
设立7个影响因素用以预测渗压水位的数据变化,分别为观测日当天水位、下游水位值、温度及前4天降雨量均值、时效θ、θ2及时效分量ln(1+θ),并将其设为条件属性C,记为X1-X7,结合渗压水位值为决策属性D,构成决策表,进行属性约简处理,并对数据实现归一化处理,具体公式为:
式中,y为归一化后的数值;xmax、xmin为所在数据列的最大值和最小值;x为样本数据的原始数据。
由于粗糙集理论(RST)要求数据样本均为离散型样本,而决策表中的条件属性集为连续性数据,故需对其进行离散化处理。采用等距离法对数据进行离散处理,将样本数据离散为4个等级值,当数据处于[0,0.25)间取值为1,在[0.25,0.50)间取值为2,在[0.50,0.75)间取值为3,在[0.75,1]间取值为4,可得586组数据表格,删除相同数据结果,以提高约简效率,最终约简表数据共有100组,记为U1~U100,渗压水位影响因素决策表具体参见图3。
基于Pawlak属性重要度的属性约简算法可对该决策表进行约简处理,C、D的等价类为IND(D)={{U1,U2…U37},{U38,U39,…U100}},IND(C)={{U1},{U2}…{U100}},结合集合知识可知可知该决策表是相容的,并可确定决策属性D下C-正域,即posC(D)=U。
posC(D)=U的判定需要结合集合的知识,上述中IND(C)={{U1},{U2}…{U100}}、IND(D)={{U1,U2…U37},{U38,U39,…U100}},根据集合知识我们可以知道IND(C)中共有100个集合,{U1}是一个集合,{U2}是一个集合,共有100个,IND(D)中则有2个集合,一个是{U1,U2…U37},另一个是{U38,U39,…U100},根据集合内容,我们可以知道,{U1}、{U2}、{U3}到{U37}这37个集合都是集合{U1,U2…U37}子集,{U38}、{U38}、{U39}到{U100}这63个集合都是{U38,U39,…U100}的子集,所以我们可得上述内容中的因此posC(D)=U就是决策属性D下C-正域,根据条件属性对于整个知识库而言进行的分类相对于决策属性能够对于整个知识库而言进行的分类,由条件属性进行的分类可以把所有的集合都归于决策属性的分类。
以X1为例,用以说明决策表相对D核约简处理方法,条件属性X2~X7可记为条件属性集C1,由此可得IND(C1),因{U36,U92,U93}、{U8,U53}、{U37,U98}等共25组数据是IND(C1)中的集合,根据集合知识可知,这25个样本不是IND(D)集合中两个集合的子集,故且可知X1在C中相对于D是必要的,可确定条件属性X1对条件属性集C相对于决策属性D的重要性,其计算结果为0.25(25/100)。具体如图4渗压水位影响因素约简分类表所示。同样的处理方式对每一个条件属性,可以分别得到不同的数据处理结果。
图中X1~X2分别是观测日当天水位及下游水位值,X3~X4分别为温度及前4天降雨量均值,X5~X7为时效分量θ、θ2、ln(1+θ)。C1、C2、C3、C4、C5、C6、C7为条件属性集,U为相对应非IND(D)子集的数据样本,C1:X2~X7;C2:X1,X3~X7;C3:X1~X2,X4~X7;C4:X1~X3,X5~X7;C5:X1~X4,X6~X7;C6:X1~X5,X7;C7:X1~X6;竖轴代表样本编号。
由图4可以判定出X6重要度为0,X1、X2、X3、X4、X5、X7均为必要属性,且可知其重要性排序,当天上游水位与下游水位重要性程度最高,降雨与温度影响次之,时效分量最末。
根据粗糙集理论约简后确定的重要度排序结果可以确立关键影响因素,即当天上游水位、下游水位、温度、前4天平均降雨量、时效θ及时效分量ln(1+θ),将其作为循环神经网络模型的输入层。
循环神经网络(RNN)是一种前馈型神经网络,是具有记忆功能,适合处理时间序列数据的深度学习模型,其隐含层主要由两部分组成,既包括了本时刻输入层影响因素的输入,也包含了上一时刻隐含层的输出权重,即隐含层节点之间是相互连接的,当前隐含层输出受上一层影响,通过隐含层的存储单元,可实现对前面信息的记忆。循环神经网络模型隐含层结构如图5所示。
循环神经网络的训练时前向传播的程序,如下式所示:
St=f(Ut·Xt+Wt-1·St-1+bh) (2)
Ot=g(Vt·St+b0) (3)
式中Ot、St分别为输出层和隐含层的输出值;Ut、Wt-1、Vt分别为输入层到隐含层、上一隐含层到当前隐含层以及隐含层到输出层的连接权值。b0、bh分别为输出层和隐含层输出偏置。
由式(2)可知,循环神经网络的隐含层输出主要由相邻时间步的隐含状态变量St和St-1组成,与BP神经网络相比增加了Wt-1·St-1一项,其隐含状态变量St捕捉并存储了截至当前时间中的时序数据中的历史信息,是对时序数据的处理。
根据粗糙集理论约简后确定的重要度排序结果可以确立关键影响因素,即当天上游水位、下游水位、温度、前4天平均降雨量、时效θ及时效分量ln(1+θ),将其作为循环神经网络模型的输入层,参见图6。
本实施例采用双隐含层,并采用试凑法确定隐含层神经元数目:式中:ι为隐含层节点数;m为输出层节点数;n为输入层节点数;α为调节常数,范围在1~10之间。
本实施例为探索最佳预测模型结构,经多次计算、训练后发现隐含层节点数为10时,训练效果最佳。
如图6所示:同一时刻(t-2)输入层影响因素X1至X6统一输入至输入层Xt-2,同样同一时刻(t-1)、(t)、(t+1)、(t+2)输入层影响因素X1至X6统一输入至输入层Xt-1、Xt、Xt+1、Xt+2,并以此构成循环神经网络输入层,而后将输入层输入至隐含层,例如输入层Xt-1输入至隐含层S2,进行权重与阈值的确立,但是在循环神经网络隐含层S2输出不仅考虑输入层数据即Xt-1,还需前一时刻考虑S1和W1对于S2的影响,即隐含层是存在连接的。同样S3输出考虑S2和W2的影响,S7输出则需考虑S2、W6和S6、W10的影响,但是若是S1为第一个输入值,则循环神经网络则需考虑自定权重值,成为初始权重值,而之后的隐含层输出值不仅要结合输入层数据影响,还需将前一时刻的输入值的隐含层的输出值考虑进去,实现相对应数据的预测,之后再根据数据预测与实测值之间的误差,进行误差信息的方向传播(同样考虑内部隐含层的连接),从而进行权重与阈值的调整,结合各影响因素与前期渗压水位的变化情况,预测渗压水位的变化情况,最后实现数值的最佳预测。
以上所述仅为本发明的较佳实施例,并不限制本发明,凡在本发明的精神和原则范围内所做的任何修改、等同替换和改进,均应包含在本发明的保护范围。
Claims (8)
1.一种粗糙集理论-循环神经网络模型结构,其特征在于:包括以下步骤:
步骤1、确立传感器数据影响因素,并将传感器影响因素作为条件属性集C;同时确立正常情况与异常情况下的传感器数据,并将其作为决策属性D;
步骤2、将条件属性集C与决策属性D统一进行归一化处理;
步骤3、约简处理确定关键影响因素:根据粗糙集理论对条件属性集C与决策属性D之间的分类能力的依赖关系进行约简处理,实现单个条件属性对条件属性集相对于决策属性的重要性程度判别;当不满足时,条件属性为不必要;当满足时,条件属性为必要,必要条件属性则为关键影响因素;
步骤4、循环神经网络数据的预测:将步骤3中确定的关键影响因素作为循环神经网络模型的输入层,从而进行循环神经网络的数据预测。
2.根据权利要求1所述的一种粗糙集理论-循环神经网络模型结构,其特征在于:步骤2中还包括对条件属性集中数据进行离散化处理。
3.根据权利要求1所述的一种粗糙集理论-循环神经网络模型结构,其特征在于:步骤3中是基于Pawlak属性重要度的属性约简算法进行约简处理。
4.根据权利要求1所述的一种粗糙集理论-循环神经网络模型结构,其特征在于:步骤3中还包括在约简处理前删除离散化处理后数据相同的数据提高约简效率。
5.根据权利要求1所述的一种粗糙集理论-循环神经网络模型结构,其特征在于:步骤4中的循环神经网络数据的预测是将步骤3中确定的关键影响因素作为循环神经网络模型的输入层,将某一时刻的输入层关键影响因素统一输入至该时刻输入层,同样下一时刻的输入层关键影响因素统一输入至相对应时刻输入层,并以此构成循环神经网络输入层,而后将输入层输入至隐含层,同时隐含层的输入还要考虑上一时刻的隐含层输出权重,进行权重与阈值的确定,从而进行循环神经网络的数据预测。
7.一种如权利要求1-6所述的粗糙集理论-循环神经网络模型结构用于预测渗压水位的方法,其特征在于:包括以下步骤:
步骤1、确立渗压水位传感器数据影响因素,所述影响因素主要为外部影响因素,包括观测日当天的上游水位、下游水位、温度、前4天降雨量均值、时效θ、θ2和时效分量ln(1+θ),并将渗压水位传感器影响因素作为条件属性集C;同时确立正常情况与异常情况下的渗压水位传感器数据,并将其作为决策属性D,构成决策表;
步骤3、约简处理确定关键影响因素:将决策表中的条件属性集采用等距离法进行离散化处理,将样本数据离散为4个等级值,当数据处于[0,0.25)间取值为1,在[0.25,0.50)间取值为2,在[0.50,0.75)间取值为3,在[0.75,1]间取值为4,删除相同数据,然后根据粗糙集理论对条件属性集C与决策属性D之间的分类能力的依赖关系进行约简处理,实现单个条件属性对条件属性集相对于决策属性的重要性程度判别;当不满足时,条件属性为不必要;当满足时,条件属性为必要,必要条件属性则为关键影响因素;
8.根据权利要求7所述的粗糙集理论-循环神经网络模型结构用于预测渗压水位的方法,其特征在于:所述隐含层节点数ι=10。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910999085.1A CN110807511A (zh) | 2019-10-21 | 2019-10-21 | 粗糙集理论-循环神经网络模型结构 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910999085.1A CN110807511A (zh) | 2019-10-21 | 2019-10-21 | 粗糙集理论-循环神经网络模型结构 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110807511A true CN110807511A (zh) | 2020-02-18 |
Family
ID=69488664
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910999085.1A Pending CN110807511A (zh) | 2019-10-21 | 2019-10-21 | 粗糙集理论-循环神经网络模型结构 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110807511A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112765429A (zh) * | 2021-01-22 | 2021-05-07 | 北京工业大学 | 一种面向部分标记异质数据的粗糙集属性约简方法 |
CN115182395A (zh) * | 2022-06-29 | 2022-10-14 | 山东大学 | 一种海底地层稳定性评估预测方法及系统 |
CN115182395B (zh) * | 2022-06-29 | 2024-06-04 | 山东大学 | 一种海底地层稳定性评估预测方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107451923A (zh) * | 2017-07-14 | 2017-12-08 | 北京航空航天大学 | 一种基于转发网络层次分析的在线社交网络谣言预测方法 |
CN108345720A (zh) * | 2018-01-18 | 2018-07-31 | 河海大学 | 一种全时空域内大坝健康状况影响因素贡献度辨识方法 |
CN109857783A (zh) * | 2019-02-01 | 2019-06-07 | 南京理工大学 | 基于深度学习的声纳渗流运动规律发现方法 |
-
2019
- 2019-10-21 CN CN201910999085.1A patent/CN110807511A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107451923A (zh) * | 2017-07-14 | 2017-12-08 | 北京航空航天大学 | 一种基于转发网络层次分析的在线社交网络谣言预测方法 |
CN108345720A (zh) * | 2018-01-18 | 2018-07-31 | 河海大学 | 一种全时空域内大坝健康状况影响因素贡献度辨识方法 |
CN109857783A (zh) * | 2019-02-01 | 2019-06-07 | 南京理工大学 | 基于深度学习的声纳渗流运动规律发现方法 |
Non-Patent Citations (3)
Title |
---|
周娟: ""改进 BP 算法在海堤渗压多测点监测预报中的应用研究"", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
夏丽: ""基于ARIMA模型及回归分析的区域用电量预测方法研究"", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
姚万业等: ""基于风速预测的改进爬山法最大功率追踪策略"", 《电力科学与工程》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112765429A (zh) * | 2021-01-22 | 2021-05-07 | 北京工业大学 | 一种面向部分标记异质数据的粗糙集属性约简方法 |
CN115182395A (zh) * | 2022-06-29 | 2022-10-14 | 山东大学 | 一种海底地层稳定性评估预测方法及系统 |
CN115182395B (zh) * | 2022-06-29 | 2024-06-04 | 山东大学 | 一种海底地层稳定性评估预测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111651312B (zh) | 一种基于边缘计算的设备故障三级双向预警方法及系统 | |
CN106094744B (zh) | 基于关联规则挖掘的火电厂主运行参数目标值的确定方法 | |
CN109583585B (zh) | 一种电站锅炉壁温预测神经网络模型的构建方法 | |
CN109508818B (zh) | 一种基于LSSVM的在线NOx预测方法 | |
CN112765902B (zh) | 一种基于TentFWA-GD的RBF神经网络的农村生活污水处理过程中COD浓度的软测量建模方法 | |
CN109492319B (zh) | 一种火电厂锅炉烟气含氧量软测量方法 | |
CN112614021B (zh) | 一种基于已建隧道信息智能识别的隧道围岩地质信息预测方法 | |
CN112503400B (zh) | 一种供水管网测压点多目标优化布置方法 | |
CN110597070A (zh) | 火电机组系统模型参数的辨识方法 | |
CN114881289A (zh) | 一种基于数字孪生的熔铸装药成型工艺参数优化方法及系统 | |
Lin et al. | A novel efficient model for gas compressibility factor based on GMDH network | |
CN110807511A (zh) | 粗糙集理论-循环神经网络模型结构 | |
CN114462688A (zh) | 一种基于lstm模型和动态阈值确定算法的爆管检测方法 | |
CN112819087B (zh) | 一种基于模块化神经网络的出水bod传感器异常检测方法 | |
Ding et al. | Jaya-based long short-term memory neural network for structural damage identification with consideration of measurement uncertainties | |
CN109469919A (zh) | 一种基于权重聚类的电站空预器堵灰监测方法 | |
CN110795891B (zh) | 一种耙吸式挖泥船操作参数的学习方法 | |
CN110990938B (zh) | 一种掌子面在掘岩体状态软测量方法 | |
CN117422165A (zh) | 一种基于低碳排放的城市输水系统水量预测方法及系统 | |
Li et al. | Predicting Software Quality by Optimized BP Network Based on PSO. | |
CN101339177A (zh) | 基于神经网络的烧结矿FeO预报系统 | |
CN113111588B (zh) | 一种燃气轮机nox排放浓度预测方法及装置 | |
CN115688865A (zh) | 面向脱硫工艺烟气的长短期记忆网络工业软测量方法 | |
CN114943328A (zh) | 基于bp神经网络非线性组合的sarima-gru时序预测模型 | |
CN113159395A (zh) | 一种基于深度学习的污水处理厂进水流量预测方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200218 |
|
RJ01 | Rejection of invention patent application after publication |