CN110991730A - 一种基于神经网络的滨海核电站海洋致灾物量化预估方法 - Google Patents
一种基于神经网络的滨海核电站海洋致灾物量化预估方法 Download PDFInfo
- Publication number
- CN110991730A CN110991730A CN201911192823.8A CN201911192823A CN110991730A CN 110991730 A CN110991730 A CN 110991730A CN 201911192823 A CN201911192823 A CN 201911192823A CN 110991730 A CN110991730 A CN 110991730A
- Authority
- CN
- China
- Prior art keywords
- data
- value
- marine disaster
- power station
- nuclear 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 23
- 238000000034 method Methods 0.000 title claims abstract description 12
- 238000012549 training Methods 0.000 claims abstract description 33
- 238000010606 normalization Methods 0.000 claims abstract description 15
- 239000000126 substance Substances 0.000 claims abstract description 12
- 238000011002 quantification Methods 0.000 claims abstract description 11
- 239000000463 material Substances 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 26
- 239000011159 matrix material Substances 0.000 claims description 14
- 238000012937 correction Methods 0.000 claims description 13
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 10
- 238000012986 modification Methods 0.000 claims description 6
- 230000004048 modification Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000001537 neural effect Effects 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 230000000295 complement effect Effects 0.000 claims 1
- 238000011156 evaluation Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 241000251468 Actinopterygii Species 0.000 description 1
- 241001474374 Blennius Species 0.000 description 1
- 241000242583 Scyphozoa Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 239000002699 waste material Substances 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
- 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
- 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
-
- 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Monitoring And Testing Of Nuclear Reactors (AREA)
Abstract
一种基于神经网络的滨海核电站海洋致灾物量化预估方法，包括：形成滨海核电站海洋致灾物量化预估指标体系；收集已发生的滨海核电站海洋灾害样本数据，根据海洋致灾物量化预估指标体系对样本数据进行归类汇总；运用数据归一化函数将多源异构数据进行归一化处理，获得分组样本数据；构建神经网络函数，将多组样本数据进行数据的迭代训练，得到滨海核电站海洋致灾物量化预估模型，该模型利用已有的多组样本数据预测出未来的海洋致灾物量化数据，并与实际结果对比。该方法能够通过对海洋致灾物的量化提前预估，方便了冷源防护部门针对海洋灾害采取有效的应对措施，提高工作效率。
Description
技术领域
本发明涉及海洋灾害预警技术领域，特别是涉及一种基于神经网络的滨海核电站海洋致灾物量化预估方法。
背景技术
近年来，海域大量垃圾、水母、鱼类、海藻、海草等随潮汐、风浪至滨海核电站冷源取水口，大量漂浮杂物进入取水明渠及取水泵房导致过滤设备堵塞，进一步引起电站机组功率降低甚至突发停堆。为减小海洋对滨海核设施的安全运行造成的巨大经济损失，滨海核电站冷源取水口周边海域灾害评估预测已成为核电站冷源安全亟待解决的问题。
面对复杂多变的海洋环境，冷源防护部门针对潜在海洋灾害威胁缺少早期灾害的评估与预测，不能通过已有采集的水文、气象、水质、影像等数据对未来灾害趋势做出量化预测，造成大量数据资源浪费。
发明内容
本发明的目的在于提供一种基于神经网络的滨海核电站海洋致灾物量化预估算法，根据多源采集数据可以准确地估算出潜在影响滨海核电站致灾海生物的量化值，更好地满足了滨海核电站取水口潜在风险的早期预测。
具体而言，本发明提供一种基于神经网络的滨海核电站海洋致灾物量化预估算法，其特征在于包括以下步骤：
1)对影响滨海核电站海洋致灾物的因素进行权重分析，形成滨海核电站海洋致灾物量化预估指标体系；
2)收集已发生的滨海核电站海洋灾害样本数据，根据海洋致灾物量化预估指标体系对样本数据进行归类汇总；
3)运用数据归一化函数将多源异构数据进行归一化处理，将不同格式、不同量纲的样本数据通过归一化函数映射到[-1 1]之间的能被计算机处理的数据，进一步获得分组样本数据；
4)构建神经网络函数，将多组样本数据进行数据的反复迭代训练，得到滨海核电站海洋致灾物量化预估模型，该模型利用已有的多组样本数据预测出未来的海洋致灾物量化数据，并与实际结果对比；
5)模型训练完成后，采用一组新的采集数据进行海洋致灾物量化预测。
进一步的，所述预测算法，应用目标工程为滨海核电站冷源防护工程项目。
进一步的，所述数据归一化处理函数为，
其中，xg是归一化后的数据，x为原始数据，xmin，xmax为同一种样本数据中的最大值和最小值。
进一步的，所述神经网络模型训练包括以下步骤：
1)利用系统时钟产生随机数，并对每一层的神经单元的权重值w和偏置值b初始化，系统随机函数与权重值w和偏置值b初始化函数为，
rand('state',sum(100*clock)) (1)
w＝(0.1～0.5)*rand(m,n)-0.1 (2)
b＝(0.1～0.5)*rand(m,1)-0.1 (3)
其中，式(1)为系统时钟随机函数，式(2)为在式(1)的基础上权重值w的随机初始值，式(3)为在式(1)的基础上偏置值b的随机初始值；
2)初始化神经网络参数，包括网络最大训练次数maxEpoch，权重值和偏置值更新步长的学习速率learnRate，防止系统过拟合的噪声强度noiseIntensity，神经网络训练目标误差范围Error；设定网络从1至maxEpoch开始训练；
3)按照以下公式开始计算网络隐含层矩阵A、输出层矩阵B，网络误差E和对应的实际样本输出矩阵R，具体算式为，
A＝logsig(w1*S+b1)
B＝w2*A+b2
E＝R-B
其中，w1为隐含层权重值、w2为输出层权重值、b1为隐含层偏置值，b2为输出层偏置值，S为样本矩阵；
4)按照以下公式计算隐含层和输出层误差变化delta1和delta2，并进一步迭代计算各层权重值和偏置值的修正值以及新的权重值和偏置值，其中网络参数修正值为避免出现发散和过拟合现象，添加噪声扰动项，使本次参数值修改的方向不完全由当前样本下的梯度方向决定，而是由上一次的参数值修改方向与本次梯度方向共同决定，具体算式为，
delta2＝E
delta1＝w2*delta2*A*(1-A)
dw2＝delta2*A
db2＝delta2
dw1＝delta1*S
db1＝delta1
其中，dw1表示隐含层权重值的修正值，dw2表示输出层权重值的修正值，db1表示隐含层偏置值的修正值，db2表示输出层偏置值的修正值，τ表示本次迭代次数；
5)按照以下公式计算修正后的误差平方和Esqr为，
Esqr＝sumsqr(E)
6)通过条件判断函数确定误差平方和是否在设定误差范围Error内，若是，网络训练结束，否则继续，每一组样本数据最大迭代计算次数不超过maxEpoch；
7)循环步骤1)到5)，进行下一组样本数据的训练，直至所有样本数据训练完成为止。
本发明的优点是：
1、通过滨海核电站取水口多源监测数据与海洋灾害特征的关联分析，可以分析出哪些因素对海洋致灾物具有较大影响；
2、利用大量样本数据，通过神经网路的训练，生成海洋致灾物量化预测模型，提升海洋灾害的评估准确度和早期预警能力；
3、该算法神经网络通过引入噪声强度系数，每次迭代后的参数更新方向不尽相同，有效避免了固定学习率learnRate导致的算法出现难以收敛或“早熟”的现象；
4、通过对海洋致灾物的量化提前预估，方便了冷源防护部门针对海洋灾害采取有效的应对措施，提高工作效率。
附图说明
图1是根据本发明的一个实施例的方法流程图
图2是根据本发明一个实施例的样本数据训练误差曲线图。
图3是根据本发明一个实施例的样本实际数据、训练模型拟合数据以及预测数据对比曲线图。
具体实施方式
下面结合附图对本发明作进一步说明。
本发明实施例提供的一种基于神经网络的滨海核电站海洋致灾物量化预估算法，本实施例以打捞量作为量化结果，主要包括以下步骤：
1)根据已有海洋灾害记录，对影响滨海核电站海洋致灾物的因素进行权重分析，形成滨海核电站海洋致灾物量化预估指标体系；
2)具体的，本项目目标为滨海核电站冷源防护工程项目，从国内外滨海核电站已经出现的海洋灾害得到海洋致灾物量化指标体系，如表1所示。
表1指标体系
3)收集已发生的滨海核电站海洋灾害样本数据，根据海洋致灾物量化指标体系对样本数据进行归类汇总，如表2所示；
表2样本数据汇总
4)运用数据归一化函数将多源异构数据进行归一化处理，将不同格式、不同量纲的样本数据通过归一化函数映射到[-1 1]之间的能被计算机处理的数据，进一步获得分组样本数据；
多源异构数据主要包括：水文、水质、气象、水面探测、水下探测的数据以及影像信息。
由于不同仪器设备之间接口协议、传输方式存在差异，导致多源监测设备集成困难，因此采用标准的以太网接口统一接口协议，实现数据信息的网络化传输。
由于不同设备之间的数据格式、量纲不一致，例如数值数据和影像信息、速度单位和重量单位等的差异性严重影响了系统的计算速度和精度，因此影像信息利用图像识别技术转化为量化的数值数据；量纲的差异通过归一化函数映射到[-1 1]之间，实现标幺化；对多源采集数据中的每一项数据分别进行处理，利用离散的数值滤波器将外界干扰或者监测设备工作异常导致的数据突变进行剔除或弱化其影响程度，同时判断各数据采集模块在同一采样时间点采集数据是否有缺失，若采集数据有缺失通过前后采样点进行插值处理。
具体的，将表2中18组样本数据运用数据归一化函数处理，所述数据归一化处理函数为，
其中，xg是归一化后的数据，x为原始数据，xmin，xmax为同一种样本数据中的最大值和最小值。最终获得如下表3所示的样本数据归一化处理后的结果统计表。
表3样本数据归一化统计表
| 气象数据 | 水文数据 | 探测统计 |
| -1 | -1 | -1 |
| -0.89561 | -0.86667 | -0.93103 |
| -0.73378 | -0.77778 | -0.93103 |
| -0.63656 | -0.73333 | -0.82759 |
| -0.50842 | -0.6 | -0.62069 |
| -0.47252 | -0.33333 | -0.51724 |
| -0.42502 | -0.24444 | -0.51724 |
| -0.2538 | -0.11111 | -0.2069 |
| -0.12345 | -0.02222 | -0.2069 |
| -0.03121 | 0.111111 | -0.13793 |
| 0.026236 | 0.377778 | -0.06897 |
| 0.073737 | 0.422222 | -0.06897 |
| 0.180889 | 0.466667 | 0 |
| 0.32781 | 0.555556 | 0.37931 |
| 0.477492 | 0.688889 | 0.62069 |
| 0.786247 | 0.777778 | 0.724138 |
| 0.94311 | 0.866667 | 0.724138 |
| 1 | 1 | 1 |
5)构建神经网络函数，将多组样本数据进行数据的反复迭代训练，得到滨海核电站海洋致灾物量化评估模型，该模型利用已有的多组样本数据预测出新的海洋致灾物量化数据，并与实际打捞量结果对比，直至得到满足误差范围如图1所示，结束训练。
神经网络模型训练包括以下步骤：
(1)利用系统时钟产生随机数，并对每一层的神经单元的权重值w和偏置值b初始化，系统随机函数rand与权重值w和偏置值b初始化函数为，
rand('state',sum(100*clock)) (1)
w＝(0.1～0.5)*rand(m,n)-0.1 (2)
b＝(0.1～0.5)*rand(m,1)-0.1 (3)
其中，式(1)为系统时钟随机函数，式(2)为在式(1)的基础上权重值w的随机初始值，式(3)为在式(1)的基础上偏置值b的随机初始值；state为系统当前状态，clock为系统时钟基准值，m与n为矩阵行列值。
(2)初始化神经网络参数，包括网络最大训练次数maxEpoch，权重值和偏置值更新步长的学习速率learnRate，防止系统过拟合的噪声强度noiseIntensity(0～1)，神经网络训练目标误差范围Error；设定网络从1至maxEpoch开始训练；
(3)按照以下公式开始计算网络隐含层矩阵A、输出层矩阵B，网络误差E和对应的实际样本输出矩阵R，具体算式为，
A＝logsig(w1*S+b1)
B＝w2*A+b2
E＝R-B
其中，w1为隐含层权重值、w2为输出层权重值、b1为隐含层偏置值，b2为输出层偏置值，S为样本矩阵；
(4)按照以下公式计算隐含层和输出层误差变化delta1和delta2，并进一步迭代计算各层权重值和偏置值的修正值以及新的权重值和偏置值，其中网络参数修正值为避免出现发散和过拟合现象，添加噪声扰动项，使本次参数值修改的方向不完全由当前样本下的梯度方向决定，而是由上一次的参数值修改方向与本次梯度方向共同决定，具体算式为，
delta2＝E
delta1＝w2*delta2*A*(1-A)
dw2＝delta2*A
db2＝delta2
dw1＝delta1*S
db1＝delta1
其中，dw1表示隐含层权重值的修正值，dw2表示输出层权重值的修正值，db1表示隐含层偏置值的修正值，db2表示输出层偏置值的修正值，τ表示本次迭代次数；
(5)按照以下公式计算修正后的误差平方和Esqr为，
Esqr＝sumsqr(E)
(6)通过条件判断函数确定误差平方和是否在设定误差范围Error内，若是，网络训练结束，否则继续，每一组样本数据最大迭代计算次数不超过maxEpoch；
(7)循环步骤1)到5)，进行下一组样本数据的训练，直至所有样本数据训练完成为止。
6)如图2所示，模型训练完成后，采用一组新的海洋采集数据进行致灾物量化预测，用于预测该数据下新的海洋致灾物数量化值，为冷源防护人员提供指导建议。其中前18周的训练数据实际结果与预测网络输出拟合结果基本保持一致，第19和20周为两组新的采样数据，网络预测的结果与实际结果同样能够获得较高的一致性。具体描述一下图2的内容。
根据所述海洋致灾物数量化值判定所述灾害的等级，向冷源防护人员推送的对应的解决方案，包括：一级预警时，推送请冷源防护小组注意潜在威胁信息；二级预警时，推送请冷源防护小组现场查证与确认信息；三级预警时，推送请冷源防护小组组织人员清理与打捞，同时做好机组降功率运行准备信息。
预警信息和解决方案可通过网络向特定人员的电脑或手机发送。
本发明不仅局限于上述具体实施方式，本领域一般技术人员根据实施例和附图公开内容，可以采用其它多种具体实施方式实施本发明，因此，凡是采用本发明的设计结构和思路，做一些简单的变换或更改的设计，都落入本发明保护的范围。
补充一下本发明的方法流程图，作为图1。
Claims (4)
1.一种基于神经网络的滨海核电站海洋致灾物量化预估方法，其特征在于，包括以下步骤：
1)对影响滨海核电站海洋致灾物的因素进行权重分析，形成滨海核电站海洋致灾物量化预估指标体系；
2)收集已发生的滨海核电站海洋灾害样本数据，根据海洋致灾物量化预估指标体系对样本数据进行归类汇总；
3)运用数据归一化函数将多源异构数据进行归一化处理，将不同格式、不同量纲的样本数据通过归一化函数映射到[-1 1]之间的能被计算机处理的数据，进一步获得分组样本数据；
4)构建神经网络函数，将多组样本数据进行数据的反复迭代训练，得到滨海核电站海洋致灾物量化预估模型，该模型利用已有的多组样本数据预测出未来的海洋致灾物量化数据，并与实际结果对比；
5)模型训练完成后，采用一组新的采集数据进行海洋致灾物量化预估。
2.根据权利要求1所述的基于神经网络的滨海核电站海洋致灾物量化预估方法，其特征在于，所述多源异构数据至少包括海洋环境信息、气象信息、水面物体探测信息以及水下物体探测信息。
3.根据权利要求1所述的基于神经网络的滨海核电站海洋致灾物量化预估方法，其特征在于，所述数据归一化处理函数为，
其中，xg是归一化后的数据，x为原始数据，xmin，xmax为同一种样本数据中的最大值和最小值。
4.根据权利要求1或2所述的基于神经网络的滨海核电站海洋致灾物量化预估方法，其特征在于，神经网络模型训练包括以下步骤：
1)利用系统时钟产生随机数，并对每一层的神经单元的权重值w和偏置值b初始化，系统随机函数rand与权重值w和偏置值b初始化函数为，
rand('state',sum(100*clock)) (1)
w＝(0.1～0.5)*rand(m,n)-0.1 (2)
b＝(0.1～0.5)*rand(m,1)-0.1 (3)
其中，式(1)为系统时钟随机函数，式(2)为在式(1)的基础上权重值w的随机初始值，式(3)为在式(1)的基础上偏置值b的随机初始值；state为系统当前状态，clock为系统时钟基准值，m与n为矩阵行列值。补充state，clock，m，n的含义
2)初始化神经网络参数，包括网络最大训练次数maxEpoch，权重值和偏置值更新步长的学习速率learnRate，防止系统过拟合的噪声强度noiseIntensity(0～1)，神经网络训练目标误差范围Error；设定网络从1至maxEpoch开始训练；
3)按照以下公式开始计算网络隐含层矩阵A、输出层矩阵B，网络误差E和对应的实际样本输出矩阵R，具体算式为，
A＝log sig(w1*S+b1)
B＝w2*A+b2
E＝R-B
其中，w1为隐含层权重值、w2为输出层权重值、b1为隐含层偏置值，b2为输出层偏置值，S为样本矩阵；
4)按照以下公式计算隐含层和输出层误差变化delta1和delta2，并进一步迭代计算各层权重值和偏置值的修正值以及新的权重值和偏置值，其中网络参数修正值为避免出现发散和过拟合现象，添加噪声扰动项，使本次参数值修改的方向不完全由当前样本下的梯度方向决定，而是由上一次的参数值修改方向与本次梯度方向共同决定，具体算式为，
delta2＝E
delta1＝w2*delta2*A*(1-A)
dw2＝delta2*A
db2＝delta2
dw1＝delta1*S
db1＝delta1
其中，dw1表示隐含层权重值的修正值，dw2表示输出层权重值的修正值，db1表示隐含层偏置值的修正值，db2表示输出层偏置值的修正值，τ表示本次迭代次数；
5)按照以下公式计算修正后的误差平方和Esqr为，
Esqr＝sumsqr(E)
6)通过条件判断函数确定误差平方和是否在设定误差范围Error内，若是，网络训练结束，否则继续，每一组样本数据最大迭代计算次数不超过maxEpoch；
7)循环步骤1)到5)，进行下一组样本数据的训练，直至所有样本数据训练完成为止。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911192823.8A CN110991730A (zh) | 2019-11-28 | 2019-11-28 | 一种基于神经网络的滨海核电站海洋致灾物量化预估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911192823.8A CN110991730A (zh) | 2019-11-28 | 2019-11-28 | 一种基于神经网络的滨海核电站海洋致灾物量化预估方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110991730A true CN110991730A (zh) | 2020-04-10 |
Family
ID=70088050
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911192823.8A Pending CN110991730A (zh) | 2019-11-28 | 2019-11-28 | 一种基于神经网络的滨海核电站海洋致灾物量化预估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110991730A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112308214A (zh) * | 2020-11-09 | 2021-02-02 | 海南核电有限公司 | 一种用于冷源致灾物灾害预测的深度学习改进算法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105335818A (zh) * | 2015-10-21 | 2016-02-17 | 江苏省电力公司 | 基于bp神经算法的输变电工程造价风险评估预测方法 |
| CN106446209A (zh) * | 2016-09-30 | 2017-02-22 | 浙江大学 | 一种海洋环境监测要素短期预测方法 |
| CN109064052A (zh) * | 2018-08-20 | 2018-12-21 | 国家海洋信息中心 | 海洋灾害风险事件分类方法及装置 |
-
2019
- 2019-11-28 CN CN201911192823.8A patent/CN110991730A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105335818A (zh) * | 2015-10-21 | 2016-02-17 | 江苏省电力公司 | 基于bp神经算法的输变电工程造价风险评估预测方法 |
| CN106446209A (zh) * | 2016-09-30 | 2017-02-22 | 浙江大学 | 一种海洋环境监测要素短期预测方法 |
| CN109064052A (zh) * | 2018-08-20 | 2018-12-21 | 国家海洋信息中心 | 海洋灾害风险事件分类方法及装置 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112308214A (zh) * | 2020-11-09 | 2021-02-02 | 海南核电有限公司 | 一种用于冷源致灾物灾害预测的深度学习改进算法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110926433A (zh) | 一种用于滨海核电站海洋致灾物预警系统 | |
| CN108230302B (zh) | 一种核电厂冷源海域入侵海洋生物探测及处置方法 | |
| CN112506990B (zh) | 一种基于时空信息的水文数据异常检测方法 | |
| CN114049545B (zh) | 一种基于点云体素的台风定强方法、系统、设备及介质 | |
| CN111666529B (zh) | 一种海浪数据处理及波浪谱生成方法 | |
| CN111079999A (zh) | 一种基于cnn和svm的洪水灾害易发性预测方法 | |
| CN113128758B (zh) | 基于近海浮标海浪观测数据构建的最大浪高预报系统 | |
| Tarwidi et al. | An optimized XGBoost-based machine learning method for predicting wave run-up on a sloping beach | |
| CN107092794B (zh) | 用于台风混合气候地区极值风速估算的分析方法及装置 | |
| CN116258241A (zh) | 一种基于时空关联的监管环境风险预测方法及系统 | |
| CN110163419B (zh) | 一种中小河流流域洪水预报的方法 | |
| CN110991730A (zh) | 一种基于神经网络的滨海核电站海洋致灾物量化预估方法 | |
| CN103488882B (zh) | 一种水工建筑物安全自动化监测系统降噪方法 | |
| CN108320091B (zh) | 一种计算河口海港极端水位的联合概率方法 | |
| CN108009127A (zh) | 一种台风特征因子对海浪波高影响的分析方法 | |
| CN113985496A (zh) | 一种基于lstm-gm神经网络模型的风暴潮智能预报方法 | |
| CN112200399A (zh) | 一种地震成灾风险评估和经济损失预测方法 | |
| Wang et al. | Early warning of debris flow using optimized self-organizing feature mapping network | |
| CN109784602A (zh) | 一种基于ptva模型的多灾种耦合物理脆弱性评估方法 | |
| CN113506000B (zh) | 一种计算城市汇水区域暴雨溢流风险的方法 | |
| CN109870146B (zh) | 一种气候变化情景下的洪水频率计算方法和装置 | |
| Qian et al. | A new nonlinear risk assessment model based on an improved projection pursuit | |
| CN108614547B (zh) | 一种基于削减因子的工业控制协议安全评估方法 | |
| Yu et al. | Spatiotemporal autoregressive partially linear varying coefficient models | |
| Ding et al. | Binomial-bivariate log-normal compound model and its application on probability estimation of extreme sea state |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200410 |