CN110910263A - 一种基于ga-bp神经网络粮情监测方法 - Google Patents
一种基于ga-bp神经网络粮情监测方法 Download PDFInfo
- Publication number
- CN110910263A CN110910263A CN201910968749.8A CN201910968749A CN110910263A CN 110910263 A CN110910263 A CN 110910263A CN 201910968749 A CN201910968749 A CN 201910968749A CN 110910263 A CN110910263 A CN 110910263A
- Authority
- CN
- China
- Prior art keywords
- neural network
- granary
- condition monitoring
- grain condition
- node
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 56
- 238000012544 monitoring process Methods 0.000 title claims abstract description 42
- 238000000034 method Methods 0.000 title claims abstract description 22
- 230000002068 genetic effect Effects 0.000 claims abstract description 10
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims description 44
- 229910002092 carbon dioxide Inorganic materials 0.000 claims description 22
- 239000001569 carbon dioxide Substances 0.000 claims description 22
- 238000004364 calculation method Methods 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 15
- 241000238631 Hexapoda Species 0.000 claims description 9
- 241000607479 Yersinia pestis Species 0.000 claims description 9
- 108090000623 proteins and genes Proteins 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 6
- 240000007651 Rubus glaucus Species 0.000 claims description 3
- 235000011034 Rubus glaucus Nutrition 0.000 claims description 3
- 235000009122 Rubus idaeus Nutrition 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 abstract description 3
- 230000007547 defect Effects 0.000 abstract description 2
- 238000013101 initial test Methods 0.000 abstract 1
- 238000012800 visualization Methods 0.000 abstract 1
- 230000006870 function Effects 0.000 description 9
- 238000011478 gradient descent method Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
Images
Classifications
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Biology (AREA)
- Molecular Biology (AREA)
- Tourism & Hospitality (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Marine Sciences & Fisheries (AREA)
- Primary Health Care (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Mining & Mineral Resources (AREA)
- Animal Husbandry (AREA)
- Agronomy & Crop Science (AREA)
- Physiology (AREA)
Abstract
本发明涉及一种基于GA‑BP神经网络粮情监测方法。使用遗传算法来优化BP神经网络的权值和阈值,遗传算法通过选择、交叉和变异操作找到最优适应度值对应个体。BP神经网络预测用遗传算法得到最优个体对网络初试权值和阈值赋值,网络经训练后预测函数输出。本发明将优化后的GA‑BP神经网络模型用于粮情监测系统,对粮仓进行实时监测,具有客观、高效、准确的优势,规避了人工预测易疲劳、易主观化等经验型管理的缺陷。
Description
技术领域
本发明涉及粮食安全领域,具体涉及一种基于GA-BP神经网络粮情监测方法。
背景技术
粮食是国民经济的基础,在努力提高粮食产量的同时,有必要保持合理的粮食储备。粮情参数的快速、准确监测是实现科学储粮的前提。然而,目前的粮情监测还是停留在人工经验,并不具备智能化。实时性不足,精确度不高。所以使用机器学习的方法代替人工进行粮情监测是刻不容缓的。
BP(Error Back Propagation)神经网络又称误差反向传播神经网络,是诸多神经网络模型中应用最广泛的一种,也是解决非线性问题的有力工具,它将信息全部存储于网络的连接权系数中,使网络具有一定的泛化能力和容错性。BP神经网络可以将多种粮情信息进行融合处理,从而给出更加真实可靠的粮情监测结果。但传统的BP算法采用的是梯度下降法,收敛速度较慢,训练时也易陷入局部极小值。
遗传算法(Genetic Algorithm,GA)是一种自适应启发式全局搜索算法,它仿效生物的进化和遗传,根据适者生存和优胜劣汰的进化原则,不断得到更优的群体,同时以全局并行搜索的方式来搜索优化群体中的最优个体,使待解决的问题一步一步逼近最优解或近似最优解。
发明内容
针对现有粮情监测技术无法兼顾精准度高、实时高等情况,本发明提出一种基于GA-BP神经网络粮情监测方法,根据粮情测控系统采集实时粮情数据对粮仓是否生虫做智能化的决策,为粮仓监测提供一种高效、可靠的方法,提高了粮仓粮情监测系统的智能化程度。
为了实现上述目的,本发明采用的技术方案如下:一种基于GA-BP神经网络粮情监测方法,包括如下步骤:
3)利用传感器模块采集粮仓指标数据,并利用中控中心上传数据至云服务器;
4)利用采集的粮仓指标数据建立粮仓数据集T,并从粮仓数据集T中随机选取元素构建数据样本训练集TR和测试集TE;
5)依次对粮仓指标数据中的每一个元素进行归一化处理;
6)利用GA对BP神经网络的连接权值和阈值进行优化,建立GA-BP粮情监测模型;
7)进行粮情监测,判断是否有虫害,即将测试集TE输入到优化后的BP神经网络,如果输出为0表示有虫害,1表示无虫害。
进一步的,上述步骤3)中的粮仓指标数据包括:节点温度Tnode、室内温度Tin、室外温度Tout、节点湿度Hnode、室内湿度Hin、室外湿度Hout、节点二氧化碳Co2node、室内二氧化碳Co2in和室外二氧化碳Co2out。
进一步的,上述步骤5)中归一化公式如下:
式中,x′i表示粮仓指标数据中第i个元素的归一化结果,xi表示粮仓指标数据中第i个元素,min(xi)和max(xi)分别是xi的最小值和最大值。
进一步的,上述步骤6)中建立GA-BP粮情监测模型包括如下步骤:
6.2)计算种群D中每个元素i的个体适应度,计算公式如下:
式中,Fi表示元素i的个体适应度,n为网络输出节点数;yi为BP神经网络第i个节点的期望输出,oi为第i个节点的实际输出;k为系数;
6.3)计算种群D中每个元素i的选择概率pi,计算公式如下:
式中,Fi为元素i的个体适应度,由于适应度值越小越好,所以在个体选择前对适应度求倒数;k为系数;N为种群个体数目;
6.4)将第k个个体αk和第l个个体al在j位进行交叉,计算公式如下:
akj=akj(1-b)+aljb,alj=alj(1-b)+akjb
式中,b是[0,1]之间的随机数;
6.5)选取第i个个体的第j个基因aij进行变异,计算公式如下:
6.6)判断是否达到最大迭代次数,如果达到则结束遗传算法计算,选取适应度值最大的个体作为BP神经网络的最优初始化权值和阈值,转到步骤6.7);否则转步骤6.3);
6.7)利用最优初始化权值和阈值对训练集TR进行BP神经网络训练,输出优化后的BP神经网络。
进一步的,本发明所述的基于GA-BP神经网络粮情监测方法基于神经网络粮情监测系统实现,所述神经网络粮情监测系统包括传感器模块、中控模块和云端服务器;所述传感器模块安装在粮仓内,包括温湿度传感器、二氧化碳传感器,温湿度传感器用于采集粮仓的温度、湿度,二氧化碳传感器用于采集粮仓的二氧化碳含量,温湿度传感器节点每隔1米安装1个,二氧化碳传感器在粮仓中安装4个;所述中控模块由树莓派和4G模块组成,用于将采集到的粮仓指标数据传输到云端服务器;所述云端服务器用存储数据和GA-BP神经网络训练监测数据;传感器模块与中控模块通过RS485转usb串口线连接,中控模块和云端服务器通过4G网络无线连接。
本发明利用遗传算法优化BP神经网络的权值和阈值,将优化后的GA-BP神经网络模型用于粮情监测系统,对粮仓进行实时监测,具有客观、高效、准确的优势,规避了人工预测易疲劳、易主观化等经验型管理的缺陷。
附图说明
图1为本发明中基于GA-BP神经网络粮情监测系统组成示意图。
图2为本发明中基于GA-BP神经网络粮情监测方法流程图。
图3为本发明中GA-BP算法流程图。
具体实施方式
下面结合附图以及具体实施例对本发明作进一步的说明,需要指出的是,下面仅以一种最优化的技术方案对本发明的技术方案以及设计原理进行详细阐述,但本发明的保护范围并不限于此。
所述实施例为本发明的优选的实施方式,但本发明并不限于上述实施方式,在不背离本发明的实质内容的情况下,本领域技术人员能够做出的任何显而易见的改进、替换或变型均属于本发明的保护范围。
本发明的基于GA-BP神经网络粮情监测方法是在神经网络粮情监测系统上实现的,神经网络粮情监测系统由传感器模块、中控模块和云端服务器组成,如图1所示;其中,传感器模块安装在粮仓内,包括温湿度传感器、二氧化碳传感器,温湿度传感器用于采集粮仓的温度、湿度,二氧化碳传感器用于采集粮仓的二氧化碳含量,温湿度传感器节点每隔一米安装一个,粮仓内二氧化碳变化幅度不大,则在粮仓中安装四个二氧化碳传感器;中控模块由树莓派和4G模块组成,用于将采集到的粮仓指标数据传输到云端服务器,云端服务器用存储数据和GA-BP神经网络训练监测数据;传感器模块与中控模块通过RS485转usb串口线连接,中控模块和云端服务器通过4G网络无线连接;
基于GA-BP神经网络粮情监测方法如图2所示,包括如下步骤:
3)利用传感器模块采集粮仓指标数据,并利用中控中心上传数据至云服务器,其中,粮仓指标数据包括:节点温度Tnode、室内温度Tin、室外温度Tout、节点湿度Hnode、室内湿度Hin、室外湿度Hout、节点二氧化碳Co2node、室内二氧化碳Co2in和室外二氧化碳Co2out;
4)利用采集的粮仓指标数据建立粮仓数据集T,并从粮仓数据集T中随机选取元素构建数据样本训练集TR和测试集TE;
具体实施例中,采集一年内的粮仓指标数据建立粮仓数据集T={α1,α2,α3,...αn},集合中每个元素αi代表了一次采集的粮仓指标数据{Tnode,Tin,Tout,Hnode,Hin,Hout,Co2node,Co2in,Co2out};从粮仓数据集T中随机选取70%的元素构建网络训练集TR,剩下30%的元素构建测试集TE;
5)依次对粮仓指标数据中的每一个元素进行归一化处理,归一化公式如下:
式中,x′i表示粮仓指标数据中第i个元素的归一化结果,xi表示粮仓指标数据中第i个元素,min(xi)和max(xi)分别是xi的最小值和最大值;
6)利用GA对BP神经网络的连接权值和阈值进行优化,建立GA-BP粮情监测模型;
本发明中,传统的BP算法采用的是梯度下降法,收敛速度较慢,训练时也易陷入局部极小值。使用遗传算法来优化BP神经网络的权值和阈值,种群中的每个个体都包含了一个网络所有权值和阈值,个体通过适应度函数计算个体适应度值,遗传算法通过选择、交叉和变异操作找到最优适应度值对应个体,利用GA对BP神经网络的连接权值和阈值进行优化;如图3所示,包括如下步骤:
6.2)计算种群D中每个元素i的个体适应度,计算公式如下:
式中,Fi表示元素i的个体适应度,n为网络输出节点数;yi为BP神经网络第i个节点的期望输出,oi为第i个节点的实际输出;k为系数;
6.3)计算种群D中每个元素i的选择概率pi,计算公式如下:
式中,Fi为元素i的个体适应度,由于适应度值越小越好,所以在个体选择前对适应度求倒数;k为系数;N为种群个体数目;
6.4)将第k个个体ak和第l个个体al在j位进行交叉,计算公式如下:
akj=akj(1-b)+aljb,alj=alj(1-b)+akib
式中,b是[0,1]之间的随机数;
6.5)选取第i个个体的第j个基因aij进行变异,计算公式如下:
6.6)判断是否达到最大迭代次数,如果达到则结束遗传算法计算,选取适应度值最大的个体作为BP神经网络的最优初始化权值和阈值,转到步骤6.7);否则转步骤6.3);
6.7)利用最优初始化权值和阈值对训练集TR进行BP神经网络训练,输出优化后的BP神经网络;
7)进行粮情监测,判断是否有虫害,即将测试集TE输入到优化后的BP神经网络,如果输出为0表示有虫害,1表示无虫害。
Claims (5)
1.一种基于GA-BP神经网络粮情监测方法,其特征在于,包括如下步骤:
3)利用传感器模块采集粮仓指标数据,并利用中控中心上传数据至云服务器;
4)利用采集的粮仓指标数据建立粮仓数据集T,并从粮仓数据集T中随机选取元素构建数据样本训练集TR和测试集TE;
5)依次对粮仓指标数据中的每一个元素进行归一化处理;
6)利用GA对BP神经网络的连接权值和阈值进行优化,建立GA-BP粮情监测模型;
7)进行粮情监测,判断是否有虫害,即将测试集TE输入到优化后的BP神经网络,如果输出为0表示有虫害,1表示无虫害。
2.如权利要求1所述的基于GA-BP神经网络粮情监测方法,其特征在于,所述步骤3)中的粮仓指标数据包括:节点温度Tnode、室内温度Tin、室外温度Tout、节点湿度Hnode、室内湿度Hin、室外湿度Hout、节点二氧化碳Co2node、室内二氧化碳Co2in和室外二氧化碳Co2out。
4.如权利要求1所述的基于GA-BP神经网络粮情监测方法,其特征在于,所述步骤6)中建立GA-BP粮情监测模型包括如下步骤:
6.2)计算种群D中每个元素i的个体适应度,计算公式如下:
式中,Fi表示元素i的个体适应度,n为网络输出节点数;yi为BP神经网络第i个节点的期望输出,oi为第i个节点的实际输出;k为系数;
6.3)计算种群D中每个元素i的选择概率pi,计算公式如下:
式中,Fi为元素i的个体适应度,由于适应度值越小越好,所以在个体选择前对适应度求倒数;k为系数;N为种群个体数目;
6.4)将第k个个体ak和第l个个体al在j位进行交叉,计算公式如下:
akj=akj(1-b)+aljb,alj=alj(1-b)+akjb
式中,b是[0,1]之间的随机数;
6.5)选取第i个个体的第j个基因aij进行变异,计算公式如下:
6.6)判断是否达到最大迭代次数,如果达到则结束遗传算法计算,选取适应度值最大的个体作为BP神经网络的最优初始化权值和阈值,转到步骤6.7);否则转步骤6.3);
6.7)利用最优初始化权值和阈值对训练集TR进行BP神经网络训练,输出优化后的BP神经网络。
5.如权利要求1所述的基于GA-BP神经网络粮情监测方法,其特征在于,所述方法基于神经网络粮情监测系统实现,所述神经网络粮情监测系统包括传感器模块、中控模块和云端服务器;所述传感器模块安装在粮仓内,包括温湿度传感器、二氧化碳传感器,温湿度传感器用于采集粮仓的温度、湿度,二氧化碳传感器用于采集粮仓的二氧化碳含量,温湿度传感器节点每隔1米安装1个,二氧化碳传感器在粮仓中安装4个;所述中控模块由树莓派和4G模块组成,用于将采集到的粮仓指标数据传输到云端服务器;所述云端服务器用存储数据和GA-BP神经网络训练监测数据;传感器模块与中控模块通过RS485转usb串口线连接,中控模块和云端服务器通过4G网络无线连接。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910968749.8A CN110910263A (zh) | 2019-10-12 | 2019-10-12 | 一种基于ga-bp神经网络粮情监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910968749.8A CN110910263A (zh) | 2019-10-12 | 2019-10-12 | 一种基于ga-bp神经网络粮情监测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110910263A true CN110910263A (zh) | 2020-03-24 |
Family
ID=69815583
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910968749.8A Pending CN110910263A (zh) | 2019-10-12 | 2019-10-12 | 一种基于ga-bp神经网络粮情监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110910263A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112819221A (zh) * | 2021-01-29 | 2021-05-18 | 江苏大学 | 一种基于ipso-gru网络的粮情预测方法 |
CN112946484A (zh) * | 2021-02-07 | 2021-06-11 | 中南大学 | 一种基于bp神经网络的soc估计方法、系统、终端设备及可读存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103824130A (zh) * | 2014-02-27 | 2014-05-28 | 武汉理工大学 | 一种基于svm的粮情预测预警方法及系统 |
CN108090628A (zh) * | 2018-01-16 | 2018-05-29 | 浙江大学 | 一种基于pso-lssvm算法的粮情安全检测分析方法 |
CN208737667U (zh) * | 2018-10-11 | 2019-04-12 | 郑州利凌电子科技有限公司 | 一种多功能粮情分析监测系统 |
CN110083096A (zh) * | 2019-04-30 | 2019-08-02 | 江苏师范大学 | 一种粮仓智能监测方法 |
-
2019
- 2019-10-12 CN CN201910968749.8A patent/CN110910263A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103824130A (zh) * | 2014-02-27 | 2014-05-28 | 武汉理工大学 | 一种基于svm的粮情预测预警方法及系统 |
CN108090628A (zh) * | 2018-01-16 | 2018-05-29 | 浙江大学 | 一种基于pso-lssvm算法的粮情安全检测分析方法 |
CN208737667U (zh) * | 2018-10-11 | 2019-04-12 | 郑州利凌电子科技有限公司 | 一种多功能粮情分析监测系统 |
CN110083096A (zh) * | 2019-04-30 | 2019-08-02 | 江苏师范大学 | 一种粮仓智能监测方法 |
Non-Patent Citations (4)
Title |
---|
MUZAFFER KANAAN 等: "Proactive Monitoring and Classification of Stored Grain Condition via Wireless Sensor Networks and Machine Learning Techniques", 《2018 2ND INTERNATIONAL SYMPOSIUM ON MULTIDISCIPLINARY STUDIES AND INNOVATIVE TECHNOLOGIES (ISMSIT)》 * |
卢润发: "智能粮食仓储系统的开发与实现", 《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑》 * |
李诗禹: "温棚环境及植物生长信息管理分析系统研究与实现", 《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑》 * |
王小川等: "《MATLAB神经网络43个案例分析》", 31 August 2013, 北京航空航天大学出版社 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112819221A (zh) * | 2021-01-29 | 2021-05-18 | 江苏大学 | 一种基于ipso-gru网络的粮情预测方法 |
CN112946484A (zh) * | 2021-02-07 | 2021-06-11 | 中南大学 | 一种基于bp神经网络的soc估计方法、系统、终端设备及可读存储介质 |
CN112946484B (zh) * | 2021-02-07 | 2022-12-23 | 中南大学 | 一种基于bp神经网络的soc估计方法、系统、终端设备及可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105159216B (zh) | 鸡舍环境氨气浓度智能监测系统 | |
CN104123476B (zh) | 基于极限学习机的气体浓度预测方法及其装置 | |
CN105488528B (zh) | 基于改进自适应遗传算法的神经网络图像分类方法 | |
CN108009674A (zh) | 基于cnn和lstm融合神经网络的空气pm2.5浓度预测方法 | |
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 | |
CN109241313A (zh) | 一种基于高阶深度哈希学习的图像检索方法 | |
CN106373022B (zh) | 基于bp-ga的温室农作物种植效率条件优化方法及系统 | |
CN109919356B (zh) | 一种基于bp神经网络区间需水预测方法 | |
CN112581262A (zh) | 一种基于鲸鱼算法优化lvq神经网络的欺诈行为检测方法 | |
CN107169621A (zh) | 一种水体溶解氧预测方法及装置 | |
CN110689171A (zh) | 一种基于e-lstm的汽轮机健康状态预测方法 | |
CN102609612B (zh) | 一种用于多参数仪表检定的数据融合方法 | |
CN110456026B (zh) | 一种土壤墒情监测方法及装置 | |
CN110232461A (zh) | 基于量子遗传算法优化的多关联向量机水质预测方法 | |
CN113033786B (zh) | 基于时间卷积网络的故障诊断模型构建方法及装置 | |
CN110910263A (zh) | 一种基于ga-bp神经网络粮情监测方法 | |
CN116759100B (zh) | 基于联邦学习构建慢性心血管疾病大模型方法 | |
CN108399470A (zh) | 一种基于多示例遗传神经网络的室内pm2.5预测方法 | |
CN112581264A (zh) | 一种基于蝗虫算法优化mlp神经网络的信用风险预测方法 | |
CN114065646B (zh) | 基于混合优化算法的能耗预测方法、云计算平台及系统 | |
CN110059144A (zh) | 一种基于卷积神经网络的轨迹属主预测方法 | |
CN113221447A (zh) | 一种基于改进遗传算法优化bp神经网络的土壤湿度预测方法 | |
CN116993000A (zh) | 基于随机森林及元胞自动机的果树病虫害防治预测方法 | |
CN114117787A (zh) | 基于ssa优化bp神经网络的短期风功率预测方法 | |
CN114584406A (zh) | 一种联邦学习的工业大数据隐私保护系统及方法 |
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: 20200324 |
|
RJ01 | Rejection of invention patent application after publication |