CN111415025A - 一种赤潮等级预测的方法 - Google Patents

一种赤潮等级预测的方法 Download PDF

Info

Publication number
CN111415025A
CN111415025A CN201910010013.XA CN201910010013A CN111415025A CN 111415025 A CN111415025 A CN 111415025A CN 201910010013 A CN201910010013 A CN 201910010013A CN 111415025 A CN111415025 A CN 111415025A
Authority
CN
China
Prior art keywords
red tide
neural network
prediction
hidden layer
error
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
Application number
CN201910010013.XA
Other languages
English (en)
Inventor
刘泰麟
李海涛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Individual
Original Assignee
Individual
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Individual filed Critical Individual
Priority to CN201910010013.XA priority Critical patent/CN111415025A/zh
Publication of CN111415025A publication Critical patent/CN111415025A/zh
Pending legal-status Critical Current

Links

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Molecular Biology (AREA)
  • Development Economics (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Game Theory and Decision Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明专利公开了一种赤潮等级预测的方法，包括预测算法优化、预测模型构建、预测结果分析。预测算法的优化，采用C4.5决策树分类贡献最优特征选择的方法，解决了BP神经网络输入参数难选取的问题，采用二分分割算法解决了BP神经网络隐含层节点数难以确定的问题。预测模型构建，采用优化后的BP神经网络构建赤潮等级预测模型，使用历史案例数据对模型进行训练，当预测误差在允许的范围内或者网络训练达到最大的迭代次数，训练结束。预测结果分析，使用训练好的模型对赤潮等级进行预测，预测结果的均方根误差均小于优化前的传统的BP神经网络的预测结果，预测精度更高。本发明可为赤潮等级预测提供一种新的解决途径。

Description

一种赤潮等级预测的方法
本发明涉及一种用于赤潮等级预测的新方法，它依据神经网络良好的自学模式、泛化、容错能力对赤潮易发海域的气象数据进行学习与训练，最终获得赤潮发生的等级，属于赤潮等级预测技术领域。
背景技术
近年来，赤潮频繁爆发，破坏了正常海洋生态系统的平衡，严重危害海洋渔业资源、海洋捕捞、海水养殖和人类健康，造成巨大的经济损失。因此，开展赤潮等级预测研究有重要意义和实际应用价值。目前，在赤潮方面科学的预测方法有多元回归、相关分析、时间序列、SVM、灰色模型等，包括：采用定量化的赤潮生态动力学模型、基于IOWA算子的赤潮预测模型、基于融合分层凝聚的赤潮预报模型等。上述模型在一定程度上可以满足赤潮等级预测的要求，但是需要被研究的对象有较强的规律性和线性相关性，对于非平稳序列、相关关系复杂和非线性的水产养殖活动，这些模型存在一定的局限性。
发明内容
本发明的目的在于提供一种赤潮等级预测的方法，具有预测结果精确的特点，解决了传统赤潮等级预测精度低、误差大的问题。
为实现上述目的，本发明提供以下技术方案：一种赤潮等级预测方法，包括赤潮各气象因子数据的归一化处理与赤潮等级划分、决策树分类获取最优气象因子属性集合、二分分割算法确定神经网络隐含层节点数和BP神经网络学习计算阶段。
赤潮各气象因子数据的归一化处理与赤潮等级划分的步骤如下：
对于各气象因子数据，采用归一化方法进行数据预处理，并在训练集的选取上涵盖最大最小特征值，避免测试集的数据发生越界。将各要素统一到［0，1］区间，减少不同要素取值范围差异过大而导致小数值数据价值被忽略的情况。线性归一化公式和还原公式如下:
Figure DEST_PATH_IMAGE001
（1）
Figure DEST_PATH_IMAGE002
（2）
式（1）、（2）中
Figure DEST_PATH_IMAGE003
、
Figure DEST_PATH_IMAGE004
分别为归一化前、后的值，本方法中即为某一个气象因素序列中的 值；
Figure DEST_PATH_IMAGE005
，
Figure DEST_PATH_IMAGE006
分别是该因素序列中的最大、最小值。
为方便模型的训练和预测，需要对赤潮预报结果进行等级划分与赋值。
决策树分类获取最优气象因子属性集合的步骤如下：
（1）令S为包括类样本的数据训练集，m为训练集中的类别数量，
Figure DEST_PATH_IMAGE007
为 S中第i类样本的 个数，i = 1,2,......,m ，即：
Figure DEST_PATH_IMAGE008
（3）
此时训练集S的信息熵H(S) 为：
Figure DEST_PATH_IMAGE009
（4）
式中训练集S通过属性A的属性值划分为m个子集，
Figure DEST_PATH_IMAGE010
表示第i个子集中样本数量，
Figure DEST_PATH_IMAGE011
表 示划分前数据集中样本的总量。
（2）根据属性 A ，令 S ={
Figure DEST_PATH_IMAGE012
,
Figure DEST_PATH_IMAGE013
,…,
Figure DEST_PATH_IMAGE014
}，其中 n 为属性 A 包含不同值的数 目。于是，训练集在属性 A上的信息熵为：
Figure DEST_PATH_IMAGE015
（5）
（3）对应的信息增益为：
Figure DEST_PATH_IMAGE016
（6）
（4）信息增益率为：
Figure DEST_PATH_IMAGE017
（7）
二分分割算法确定神经网络隐含层节点数步骤如下：
（1）首先，确定隐含层节点数的大致范围，假设区间范围是[1，10]。
（2）将
Figure DEST_PATH_IMAGE018
=1、
Figure DEST_PATH_IMAGE019
=10、
Figure DEST_PATH_IMAGE020
=(
Figure DEST_PATH_IMAGE021
+
Figure 391995DEST_PATH_IMAGE019
)/2=6(四舍五入)分别带入训练网络，用同一组样本 数据、同样的转移函数、训练函数进行训练，分别比较不同的隐含层节点数在神经网络训练 下的输出均方误差 （MSE）。
（3）计算三个不同节点数输出的均方误差的大小，假设
Figure 309135DEST_PATH_IMAGE021
输出误差为 E（
Figure 495397DEST_PATH_IMAGE021
），
Figure 890606DEST_PATH_IMAGE019
的输出误差为 E（
Figure DEST_PATH_IMAGE022
），
Figure DEST_PATH_IMAGE023
的输出误差为 E（
Figure DEST_PATH_IMAGE024
）。若 E（
Figure DEST_PATH_IMAGE025
） > E（
Figure 891929DEST_PATH_IMAGE019
），则舍去 E（
Figure 245550DEST_PATH_IMAGE025
）所对应的 隐含层节点数，可以将隐含层节点数范围缩小至[
Figure 512583DEST_PATH_IMAGE024
，
Figure 118008DEST_PATH_IMAGE019
]。若 E（
Figure 786887DEST_PATH_IMAGE025
）<E（
Figure 311409DEST_PATH_IMAGE019
），则舍去 E（
Figure 65738DEST_PATH_IMAGE019
）所 对应的隐含层节点数，可以将隐含层节点数范围缩小至[
Figure 458543DEST_PATH_IMAGE025
，
Figure 981928DEST_PATH_IMAGE024
]。以此类推，通过不断对半 分割隐含层节点数区间，确定最佳的隐含层节点数。
BP神经网络学习计算阶段步骤如下：
BP神经网络的建立包括三个过程：网络初始化、正向传输和反向传递。初始化网络权值、阈值，输入信号经过输入层、隐含层神经元的逐层处理最终到达输出层，如果输出结果不在预期的误差范围内，则转向反向传递阶段，通过修改各层神经元之间的权值和阈值使得误差减少，再次进入正向传输过程，再三反复直至误差在预期的范围之内或者达到最大迭代次数，训练结束。具体算法步骤如下：
（1）输入n个学习样本（
Figure DEST_PATH_IMAGE026
，
Figure DEST_PATH_IMAGE027
）（i=1，2，...，n），
Figure 942931DEST_PATH_IMAGE026
、
Figure DEST_PATH_IMAGE028
是学习样本的输入参数以及输出 结果；
（2）确定输入层、隐含层、输出层的神经元个数，随机在两层神经元之间建立连接权值 矩阵
Figure DEST_PATH_IMAGE029
，其中，
Figure DEST_PATH_IMAGE030
代表第 1 层和第 L+1 层的连接矩阵；
（3）计算各节点输出
Figure DEST_PATH_IMAGE031
，其中
Figure DEST_PATH_IMAGE032
、
Figure DEST_PATH_IMAGE033
分别是每一层的输入层、输出 值，
Figure DEST_PATH_IMAGE034
是每一层的阈值；
（4）比较各输出节点的均方根误差
Figure DEST_PATH_IMAGE035
；
（5）判断
Figure DEST_PATH_IMAGE036
是否符合原定误差ε，如果满足要求，则结束，否则进入步骤 6；
（6）修改第l层到第L+1层的连接权值矩阵：
Figure DEST_PATH_IMAGE037
；
Figure DEST_PATH_IMAGE038
，
Figure DEST_PATH_IMAGE039
；
再转至步骤4进行，直至每一层的均方根误差处于设定误差范围。
附图说明
图1为本发明设计的方法模型流程图
图2为本发明方法模型建立工程图
具体实施方案
本发明所述赤潮等级预测方法包括四个工作阶段：气象数据归一化处理和赤潮等级赋值、C4.5决策树分类获取神经网络输入最优属性集合、二分分割算法确定神经网络隐含层节点数和优化后的BP神经网络的学习计算四个工作阶段。各个阶段步骤如下：
A 气象数据归一化处理和赤潮等级赋值
归一化公式对赤潮发生前的气象因子（气温、风速风向、降水、气压、湿度、日照时间）数 据进行处理，利用气象因素的变化对赤潮等级进行预测。影响赤潮发生的气象因素是由气 温、风速、气压、降水、日照和湿度六个因子组成，赤潮样本收集其发生海域前七天内的六个 气象因子数据，并计算其平均值作为神经网络模型学习与训练的输入值
Figure DEST_PATH_IMAGE040
。
根据国家海洋局2008年发布的《赤潮灾害应急预案》和青岛市海洋与渔业局2016年发布的《青岛市海洋赤潮灾害应急预案》赤潮灾害等级标准，并结合模型运行的具体情况，将赤潮灾害发生程度划分为重度、较重度、中度、轻度和轻微5个等级，并对应赋值0.9、0.7、0.5、0.3、0.1。
B C4.5决策树分类获取神经网络输入最优属性集合
利用C4.5决策树的分类贡献优先特征选择方法主要是依据属性的信息增益率，通过对训练数据集计算并比较每个属性的信息增益率，选出信息增益率大的属性或者属性集合作为BP神经网络的初始输入
本发明方法中使用C4.5决策树计算气温、降水、气压、风速、日照时间、湿度等气象因子数据的信息增益率，并对计算结果进行排序，结合神经网络模型的具体要求选择信息增益率大的气象因子做为神经网网络的最优输入属性集合，对应的数据做为神经网络的输入数据。
C 二分分割算法确定神经网络隐含层节点数
在BP神经网络的应用过程中，发现在隐含层节点数确定上目前没有成熟的理论依据来支撑，很多专家学者都是根据以往的经验公式得到一个确定的值，常见的经验公式如下所示：
Figure DEST_PATH_IMAGE041
（10）
其中，C 代表隐含层节点数，m代表神经网络的输出层神经元数，n代表神经网络的输入层神经元数。
Figure DEST_PATH_IMAGE042
（11）
其中，C 代表隐含层节点数，m代表神经网络的输出层神经元数，n代表神经网络的输入层神经元数，a是 1到10 之间的常数。
Figure DEST_PATH_IMAGE043
（12）
其中，C代表隐含层节点数，n代表神经网络的输入层神经元数。
本发明提出“二分分割法”的优化算法，该方法可更快、更精确的获得最佳的隐含层节点数。首先，根据前面提到的经验公式确定隐含层节点数的大致区间范围，然后利用“二分分割法”比较区间内隐含层节点数对应的神经网络预测输出均方误差（MSE）的大小，并缩小区间范围，最终均方误差最小的那个节点数即本文所需要的隐含层节点数。
D 优化后的BP神经网络的学习计算
（1）初始化 BP 神经网络的收敛精度、初始权值和阈值、最大迭代次数；
（2）依次获取信息增益率最高的属性，最终得出最优网络输入条件属性集合；
（3）利用二分分割算法计算确定隐含层节点个数；
（4）确定BP神经网络结构，并进行网络训练；
（5）进行网络测试，检查训练是否达到预期精度，若达到预期精度或达到最大迭代次数，停止并获取网络的输出结果。

Claims (4)

1.一种赤潮等级预测的方法，其特征在于，包括：
S1，利用C4.5决策树算法，对BP神经网络输入属性进行约简；
S2，利用二分分割算法，快速确定BP神经网络隐含层节点数；
S3，以约简后的海洋气象因子作为神经网络的数据神经元，预测赤潮发生的等级。
2.根据权利要求1所述的赤潮等级预测方法，其特征在于，所述步骤S1具体包括：
首先对输入气象因子属性进行属性集划分，分别计算各输入属性的信息熵、信息增益、信息增益率，并将计算结果按信息增益率从大到小的顺序进行排列，根据模型具体情况选择信息增益率大的属性或者属性集合作为神经网络的输入神经元。
3.根据权利要求1所述的赤潮等级预测方法，其特征在于，所述步骤S2具体包括：
（1）首先，确定一个隐含层节点数的大致范围，假设区间范围是[1，10]，将 s1=1、 s2=10、s3=( s1+s2 )/2=6(四舍五入)分别带入训练网络，用同一组样本数据、同样的转移函数、训练函数进行训练，分别比较不同的隐含层节点数训练下神经网络的输出均方误差（MSE），计算三个不同节点输出的均方根误差的大小，假设是的输出误差为 E（s1）， s2的输出误差为 E（s2）， s3的输出误差为 E（s3），若 E（s1） > E（s2），则舍去 E（s1）所对应的隐含层节点数 ，可以将隐含层节点数范围缩减到[s3，s2]，若 E（s1）< E（s2），同理，舍去 E（s2）对应的隐含层节点数，可将隐含层节点数缩小至[s1 ,s3]，以此类推，不断对半分割隐含层节点数范围，最后确定最佳隐含层节点数。
4.根据权利要求1所述的赤潮等级预测方法，其特征在于，所述步骤S3具体包括：
（1）输入学习样本（
Figure 999108DEST_PATH_IMAGE001
，
Figure 642579DEST_PATH_IMAGE002
）（i=1，2，...，n），
Figure 384270DEST_PATH_IMAGE001
和
Figure 113192DEST_PATH_IMAGE003
分别是学习样本的输入参数和输出 结果；
（2）确定各层的神经元数量并随机在两层神经元之间建立连接权重矩阵
Figure 723165DEST_PATH_IMAGE004
，
Figure 221142DEST_PATH_IMAGE005
代表第1层和第L+1层的连接矩阵，
Figure 992789DEST_PATH_IMAGE006
表示每层的输出值；
（3）计算各节点的输出
Figure 599220DEST_PATH_IMAGE007
，
Figure 481725DEST_PATH_IMAGE008
和
Figure 365368DEST_PATH_IMAGE009
分别是每一层的输入层和阈值；
（4）比较各输出节点的均方根误差：
Figure 714440DEST_PATH_IMAGE010
；
（5）判断
Figure 152375DEST_PATH_IMAGE011
是否符合原定误差ε，如果满足要求，则结束，否则进入步骤 6；
（6）修改第1层到第L+1层的连接权重矩阵：
Figure 697626DEST_PATH_IMAGE012
；
Figure 701354DEST_PATH_IMAGE013
，
Figure 470596DEST_PATH_IMAGE014
；
（7）转至步骤4，直到结果的均方根误差在允许的误差范围之内。
CN201910010013.XA 2019-01-06 2019-01-06 一种赤潮等级预测的方法 Pending CN111415025A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910010013.XA CN111415025A (zh) 2019-01-06 2019-01-06 一种赤潮等级预测的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910010013.XA CN111415025A (zh) 2019-01-06 2019-01-06 一种赤潮等级预测的方法

Publications (1)

Publication Number Publication Date
CN111415025A true CN111415025A (zh) 2020-07-14

Family

ID=71492562

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910010013.XA Pending CN111415025A (zh) 2019-01-06 2019-01-06 一种赤潮等级预测的方法

Country Status (1)

Country Link
CN (1) CN111415025A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112084716A (zh) * 2020-09-15 2020-12-15 河北省科学院地理科学研究所 一种基于富营养化综合评价的赤潮预测预警方法
CN112132190A (zh) * 2020-09-01 2020-12-25 厦门大学 赤潮样本数据筛选方法及计算机可读存储介质
CN112365093A (zh) * 2020-12-01 2021-02-12 国家海洋信息中心 一种基于gru深度学习的多特征因子赤潮预测模型
CN112671633A (zh) * 2020-12-01 2021-04-16 重庆邮电大学 一种基于bp神经网络预测的二分探测心跳间隔系统及方法
CN113010609A (zh) * 2020-12-23 2021-06-22 上海海鼎信息工程股份有限公司 一种应用于门店经营的差异化同步方法及系统
CN113011502A (zh) * 2021-03-22 2021-06-22 广东海启星海洋科技有限公司 基于人工智能的海冰等级预测方法及装置
CN113448245A (zh) * 2021-04-14 2021-09-28 华南师范大学 一种基于深度学习的污水处理过程溶解氧控制方法及系统
CN115290572A (zh) * 2022-10-08 2022-11-04 长春理工大学 一种基于主动照明的赤潮偏振监测装置及其监测方法

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112132190A (zh) * 2020-09-01 2020-12-25 厦门大学 赤潮样本数据筛选方法及计算机可读存储介质
CN112132190B (zh) * 2020-09-01 2024-01-26 厦门大学 赤潮样本数据筛选方法及计算机可读存储介质
CN112084716A (zh) * 2020-09-15 2020-12-15 河北省科学院地理科学研究所 一种基于富营养化综合评价的赤潮预测预警方法
CN112365093A (zh) * 2020-12-01 2021-02-12 国家海洋信息中心 一种基于gru深度学习的多特征因子赤潮预测模型
CN112671633A (zh) * 2020-12-01 2021-04-16 重庆邮电大学 一种基于bp神经网络预测的二分探测心跳间隔系统及方法
CN112671633B (zh) * 2020-12-01 2022-08-23 重庆邮电大学 一种基于bp神经网络预测的二分探测心跳间隔系统及方法
CN113010609A (zh) * 2020-12-23 2021-06-22 上海海鼎信息工程股份有限公司 一种应用于门店经营的差异化同步方法及系统
CN113010609B (zh) * 2020-12-23 2023-05-16 上海海鼎信息工程股份有限公司 一种应用于门店经营的差异化同步方法及系统
CN113011502A (zh) * 2021-03-22 2021-06-22 广东海启星海洋科技有限公司 基于人工智能的海冰等级预测方法及装置
CN113448245A (zh) * 2021-04-14 2021-09-28 华南师范大学 一种基于深度学习的污水处理过程溶解氧控制方法及系统
CN115290572A (zh) * 2022-10-08 2022-11-04 长春理工大学 一种基于主动照明的赤潮偏振监测装置及其监测方法
CN115290572B (zh) * 2022-10-08 2023-01-10 长春理工大学 一种基于主动照明的赤潮偏振监测装置及其监测方法

Similar Documents

Publication Publication Date Title
CN111415025A (zh) 一种赤潮等级预测的方法
CN107392919B (zh) 基于自适应遗传算法的灰度阈值获取方法、图像分割方法
Poczęta et al. Learning fuzzy cognitive maps using structure optimization genetic algorithm
CN109002888B (zh) 一种赤潮预警方法
CN107229942A (zh) 一种基于多个分类器的卷积神经网络快速分类方法
CN107368887B (zh) 一种深度记忆卷积神经网络的装置及其构建方法
CN109445935A (zh) 云计算环境下一种高性能大数据分析系统自适应配置方法
CN112364560B (zh) 矿山凿岩装备作业工时智能预测方法
CN111681022A (zh) 一种网络平台数据资源价值评估方法
CN112308298B (zh) 一种面向半导体生产线的多场景性能指标预测方法及系统
CN112363896A (zh) 日志异常检测系统
CN107818340A (zh) 基于k值小波神经网络的二阶段空调负荷预测方法
CN113157732A (zh) 一种基于pso-bp神经网络的地下铲运机故障诊断方法
CN113535515A (zh) 一种基于Zabbix监控系统的高效动态采集方法
CN115640526A (zh) 钻井风险识别模型及建立方法、识别方法和计算机设备
CN114584406A (zh) 一种联邦学习的工业大数据隐私保护系统及方法
CN104537383A (zh) 一种基于粒子群的海量组织机构数据分类方法及系统
WO2021258961A1 (zh) 基于改进K-means算法的网络流量分类方法及系统
CN112149870B (zh) 一种基于ISODATA聚类与Elman神经网络的猪舍氨气浓度组合预测方法
CN111914488B (zh) 一种基于对抗神经网络的有资料地区水文参数率定方法
CN105243474A (zh) 基于时空信息的尾矿库安全风险评估方法
CN117350146A (zh) 一种基于ga-bp神经网络的排水管网健康性评价方法
CN111984514A (zh) 基于Prophet-bLSTM-DTW的日志异常检测方法
CN110738307A (zh) Bp神经网络模型在桃林口水库水质预测中的应用
CN114331053A (zh) 一种基于模糊层次评价模型的浅水湖泊富营养化评价方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20200714