CN111415051A - 一种基于bp神经网络的电力物资需求计划预测方法 - Google Patents

一种基于bp神经网络的电力物资需求计划预测方法 Download PDF

Info

Publication number
CN111415051A
CN111415051A CN202010417380.4A CN202010417380A CN111415051A CN 111415051 A CN111415051 A CN 111415051A CN 202010417380 A CN202010417380 A CN 202010417380A CN 111415051 A CN111415051 A CN 111415051A
Authority
CN
China
Prior art keywords
network
layer
neuron
neural network
hidden layer
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
CN202010417380.4A
Other languages
English (en)
Inventor
王纪军
张震宇
冯曙明
胡天牧
胡晓东
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.)
State Grid Jiangsu Electric Power Co Ltd
Jiangsu Electric Power Information Technology Co Ltd
Original Assignee
State Grid Jiangsu Electric Power Co Ltd
Jiangsu Electric Power Information Technology Co Ltd
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 State Grid Jiangsu Electric Power Co Ltd, Jiangsu Electric Power Information Technology Co Ltd filed Critical State Grid Jiangsu Electric Power Co Ltd
Priority to CN202010417380.4A priority Critical patent/CN111415051A/zh
Publication of CN111415051A publication Critical patent/CN111415051A/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
    • 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
    • G06N3/04—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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • 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
    • G06Q50/06—Energy or water supply

Landscapes

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

Abstract

本发明公开了一种基于BP神经网络的电力物资需求计划预测方法，包括如下步骤：准备历史电力物资需求计划数据样本；确定神经网络的输出与输入。选取合适的隐含层数量，定义网络每层的学习率，建立BP神经网络；初始化网络；计算当前网络中的误差，再将误差逆向传播，根据各层的梯度项对连接权值与阈值进行调整；开始迭代程序，直到训练误差已达到一个很小的值；选取多组不同参数初始化多个神经网络，寻找相对的“全局最小”；根据选取的BP神经网络，计算得出网络输出。本发明可以为电力工程建设项目提供有效的指导意见。为项目团队制定采购预案、项目进度管控等方面提供强有力的支撑。

Description

一种基于BP神经网络的电力物资需求计划预测方法
技术领域
本发明涉及一种基于BP神经网络的电力物资需求计划预测方法。
背景技术
电力资源早已是日人们日常生活和社会活动中不可或缺的资源。电力的产生、转化、输送、存储等都离不开一个个的电力设施。电力设施的建造离不开各种电力物资，由于电力工程的专业度强，涉及的电力物资也比较专业化。电力设备，特别是大型的电力设备，其生产制造一般需要更长的周期，电力设备的及时精准供应是电力工程高质量、高时效完成的有力保障。所以电力物资需求计划的精准预测是必不可少的，也是意义重大的。
BP神经网络是指一种使用误差逆传播算法(BP算法)进行训练的多层前馈神经网络。BP算法是目前最成功的神经网络学习算法之一。BP算法是基于梯度下降策略的，它以目标的负梯度方向对参数进行调整。BP算法是一个迭代学习算法，在迭代的每一轮中采用广义的感知机学习规则对参数进行更新估计。多层神经网络可以以任意精度逼近任何非线性连续函数，所以BP神经网络具有较强的非线性映射能力。BP神经网络能够通过样本学习，自动提取输入与输出数据间的内在逻辑关系，并自适应地将这些内在逻辑记录在网络中的相应权值与阈值中。
发明内容
本发明的目的是提供一种基于BP神经网络的电力物资需求计划预测方法，可以为电力工程建设项目提供有效的指导意见，为项目团队制定采购预案、项目进度管控等方面提供强有力的支撑。
本发明的目的通过以下技术方案实现：
一种基于BP神经网络的电力物资需求计划预测方法，包含以下内容：
S1准备历史电力物资需求计划数据样本。如果数据样本属性繁杂，为了避免训练网络规模太大，导致网络训练效率下降和出现过拟合现象，先使用主成分分析法(PCA)对数据样本进行降维处理。BP神经网络的结构与维度的选择直接相关。本文在PCA处理后选择的物资相关维度主要有标准库库存，寄存库库存，协议库存，应急库库存，在建工程已领用物资数量，新增项目预算等。取部分数据样本作为算法验证集。
S2确定神经网络的输出为电力物资需求计划数量，输入为S1中选定的维度(属性)。选取合适的隐含层数量，定义网络每层的学习率，建立BP神经网络。选取SIGMOID函数作为激活函数。
S3在(0,1)范围内随机初始化网络中的所有连接权值与阈值。
S4首先，根据当前网络的参数计算当前样本的输出，计算当前网络输出层的误差，即输出层神经元的梯度项；再将误差逆向传播至隐含层神经元，计算当前网络隐含层神经元的梯度项。最后根据隐含层神经元的误差对连接权值与阈值进行调整。
S5开始迭代程序，重复S4的过程，直到训练误差已达到一个很小的值，即，满足预设的误差范围。当出现验证集误差升高而训练集误差降低的情况，也停止训练。
S6为了避免算法出现局部最小问题，在S3步骤时，选取多组不同参数初始化多个神经网络，按照S4，S5方法训练网络，取其中误差最小的解最为最终参数。即，从可能的不同局部极小中选择有可能最接近全局最小的结果。此时，误差最小的网络就是我们需要的BP神经网络。
S7根据S6中选取的BP神经网络，提供本期维度数据(标准库库存，寄存库库存，协议库存，应急库库存，在建工程已领用物资数量，新增项目预算等)作为网络输入层的输入，根据训练后网络中的连接权与阈值，计算得出网络输出，即为下期电力物资需求计划数量。
本发明的有益效果为：电力物资需求计划精准预测可以为电力工程建设项目提供有效的指导意见，为项目团队制定采购预案、项目进度管控等方面提供强有力的支撑。
附图说明
图1是本发明的流程图。
具体实施方式
一种基于BP神经网络的电力物资需求计划预测方法，包括如下步骤：S1准备历史电力物资需求计划数据样本。如果数据样本属性繁杂，使用主成分分析法(PCA)对数据样本进行降维处理。；S2确定神经网络的输出与输入。选取合适的隐含层数量，定义网络每层的学习率，建立BP神经网络；S3初始化网络；S4计算当前网络中的误差，再将误差逆向传播，根据各层的梯度项对连接权值与阈值进行调整；S5开始迭代程序，直到训练误差已达到一个很小的值；S6选取多组不同参数初始化多个神经网络，寻找相对的“全局最小”；S7根据S6中选取的BP神经网络，计算得出网络输出。
本发明中相关技术术语的名词解释是：验证集：样本集的一部分，用来验证算法执行结果的误差。梯度下降法：利用负梯度方向来决定每次迭代的新的搜索方向，使得每次迭代能使待优化的目标函数逐步减小。感知机：由两层神经元组成，输入层接收外界输入信号后传递给输出层，输出层是M-P神经元，也称为“阈值逻辑单元”。神经元连接权：连接两个神经元的权重。神经元阈值：当外界刺激达到一定的阈值时，神经元才会激活，影响下一个神经元。
本发明具体如下：
1)设已知历史电力需求物资计划数据样本集为
Figure BDA0002495602190000031
id表示输入维度数量，od表示输出od维实值向量。设隐含层hd个神经元。
用θj表示输出层第j个神经元的阈值。
用γh表示隐含层第h个神经元的阈值。
用vih表示输入层第i个神经元到隐含层第h个神经元的连接权。
用ωhj表示隐含层第h个神经元到输出层第j个神经元的连接权。
用η1表示输入层到隐含层的学习率，用η2表示隐含层到输出层的学习率。
设隐含层第h个神经元接收的输入为
Figure BDA0002495602190000032
输出层第j个神经元接收的输入为
Figure BDA0002495602190000033
其中bh为隐含层第h个神经元的输出。
输出层与隐含层都是使用SIGMOID函数作为激活函数，即
Figure BDA0002495602190000034
Figure BDA0002495602190000035
设输入样例(xk，yk)的输出为
Figure BDA0002495602190000036
其中
Figure BDA0002495602190000037
Figure BDA0002495602190000038
那么，神经网络中样例(xk，yk)的均方误差为
Figure BDA0002495602190000039
由于BP算法迭代是采用广义的感知机学习规则对参数进行更新估计，我们把权重与阈值的学习统一为权重的学习，可以用任意参数来更新估计。
2)在(0，1)范围内随机初始化网络中的所有连接权值与阈值。
3)for every(xk，yk)∈D；
do计算当前样本的输出
Figure BDA0002495602190000041
计算输出层神经元梯度项
Figure BDA0002495602190000042
Figure BDA0002495602190000043
Figure BDA0002495602190000044
计算隐含层神经元梯度项
Figure BDA0002495602190000045
Figure BDA0002495602190000046
Figure BDA0002495602190000047
Figure BDA0002495602190000048
计算隐含层到输出层连接权更新公式Δωhj＝η2gjbh
计算隐含层到输出层阈值更新公式Δθj＝-η2gj
计算输入层到隐含层连接权更新公式Δvih＝η1ehxi
计算输入层到隐含层阈值更新公式Δγh＝-η1eh
根据公式更新所有连接权和阈值。
end do
end for
4)repeat step 3until训练误差已达到一个很小的值。或验证集误差升高而训练集误差降低。
5)选取多组不同参数初始化多个神经网络，重复步骤3和步骤4的过程。选择学习后其中误差最小的神经网络。
6)带入当前电力物资需求计划各维度数据到步骤5中选取的神经网络中，根据公式计算得到电力物资需求计划预测值。
本发明的电力物资需求计划精准预测方法，可以为电力工程建设项目提供有效的指导意见，为项目团队制定采购预案、项目进度管控等方面提供强有力的支撑。

Claims (3)

1.一种基于BP神经网络的电力物资需求计划预测方法，其特征在于，包括如下步骤：
S1准备历史电力物资需求计划数据样本；如果数据样本属性繁杂，为了避免训练网络规模太大，导致网络训练效率下降和出现过拟合现象，先使用主成分分析法对数据样本进行降维处理；BP神经网络的结构与维度的选择直接相关；
S2确定神经网络的输出为电力物资需求计划数量，输入为S1中选定的维度；选取合适的隐含层数量，定义网络每层的学习率，建立BP神经网络；选取SIGMOID函数作为激活函数；
S3在(0，1)范围内随机初始化网络中的所有连接权值与阈值；
S4首先，根据当前网络的参数计算当前样本的输出，计算当前网络输出层的误差，即输出层神经元的梯度项；再将误差逆向传播至隐含层神经元，计算当前网络隐含层神经元的梯度项；最后根据隐含层神经元的误差对连接权值与阈值进行调整；
S5开始迭代程序，重复S4的过程，直到训练误差已达到一个很小的值，即，满足预设的误差范围；
S6为了避免算法出现局部最小问题，在S3步骤时，选取多组不同参数初始化多个神经网络，按照S4，S5方法训练网络，取其中误差最小的解最为最终参数；即，从可能的不同局部极小中选择有可能最接近全局最小的结果；此时，误差最小的网络就是需要的BP神经网络；
S7根据S6中选取的BP神经网络，提供本期维度数据作为网络输入层的输入，根据训练后网络中的连接权与阈值，计算得出网络输出，即为下期电力物资需求计划数量。
2.根据权利要求1所述的基于BP神经网络的电力物资需求计划预测方法，其特征在于，具体如下：
1)设已知历史电力需求物资计划数据样本集为
Figure FDA0002495602180000011
id表示输入维度数量，od表示输出od维实值向量，设隐含层hd个神经元；
用θj表示输出层第j个神经元的阈值；
用γh表示隐含层第h个神经元的阈值；
用vih表示输入层第i个神经元到隐含层第h个神经元的连接权；
用ωhj表示隐含层第h个神经元到输出层第j个神经元的连接权；
用η1表示输入层到隐含层的学习率，用η2表示隐含层到输出层的学习率；
设隐含层第h个神经元接收的输入为
Figure FDA0002495602180000021
输出层第j个神经元接收的输入为
Figure FDA0002495602180000022
其中bh为隐含层第h个神经元的输出；
输出层与隐含层都是使用SIGMOID函数作为激活函数，即
Figure FDA0002495602180000023
Figure FDA0002495602180000024
设输入样例(xk，yk)的输出为
Figure FDA0002495602180000025
其中
Figure FDA0002495602180000026
Figure FDA0002495602180000027
那么，神经网络中样例(xk，yk)的均方误差为
Figure FDA0002495602180000028
2)在(0，1)范围内随机初始化网络中的所有连接权值与阈值；
3)for every(xk，yk)∈D；
do计算当前样本的输出
Figure FDA0002495602180000029
计算输出层神经元梯度项
Figure FDA00024956021800000210
Figure FDA00024956021800000211
计算隐含层神经元梯度项
Figure FDA00024956021800000212
Figure FDA00024956021800000213
计算隐含层到输出层连接权更新公式Δωhj＝η2gjbh
计算隐含层到输出层阈值更新公式Δθj＝-η2gj
计算输入层到隐含层连接权更新公式Δvih＝η1ehxi
计算输入层到隐含层阈值更新公式Δγh＝-η1eh
根据公式更新所有连接权和阈值；
end do
end for
4)repeat step 3 until训练误差已达到一个很小的值；或验证集误差升高而训练集误差降低；
5)选取多组不同参数初始化多个神经网络，重复步骤3)和步骤4)的过程；选择学习后其中误差最小的神经网络；
6)带入当前电力物资需求计划各维度数据到步骤5)中选取的神经网络中，根据公式计算得到电力物资需求计划预测值。
3.根据权利要求1所述的基于BP神经网络的电力物资需求计划预测方法，其特征在于：步骤S1中，在主成分分析法处理后选择的物资相关维度包括标准库库存，寄存库库存，协议库存，应急库库存，在建工程已领用物资数量，新增项目预算。
CN202010417380.4A 2020-05-18 2020-05-18 一种基于bp神经网络的电力物资需求计划预测方法 Pending CN111415051A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010417380.4A CN111415051A (zh) 2020-05-18 2020-05-18 一种基于bp神经网络的电力物资需求计划预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010417380.4A CN111415051A (zh) 2020-05-18 2020-05-18 一种基于bp神经网络的电力物资需求计划预测方法

Publications (1)

Publication Number Publication Date
CN111415051A true CN111415051A (zh) 2020-07-14

Family

ID=71494919

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010417380.4A Pending CN111415051A (zh) 2020-05-18 2020-05-18 一种基于bp神经网络的电力物资需求计划预测方法

Country Status (1)

Country Link
CN (1) CN111415051A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112950572A (zh) * 2021-02-26 2021-06-11 西安交通大学 一种数据处理及迭代矫正方法、系统、介质及设备
CN113375713A (zh) * 2021-04-30 2021-09-10 北京无线电计量测试研究所 一种燃气调压器故障监测方法和装置
CN114239988A (zh) * 2021-12-24 2022-03-25 江苏智库智能科技有限公司 智能仓库物资出入库预测及预调度方法
CN118365094A (zh) * 2024-06-19 2024-07-19 江西省送变电工程有限公司 一种用于电力施工的项目物资需求预测方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102819772A (zh) * 2012-08-29 2012-12-12 广东电网公司 电力配网建设物资需求预测方法及装置
CN108090658A (zh) * 2017-12-06 2018-05-29 河北工业大学 基于时域特征参数融合的电弧故障诊断方法
CN108491404A (zh) * 2018-01-22 2018-09-04 国电南瑞科技股份有限公司 一种基于bp神经网络的状态估计不良数据辨识方法
CN110457746A (zh) * 2019-07-01 2019-11-15 绍兴文理学院 基于bp神经网络的结构面峰值抗剪强度预测模型构建方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102819772A (zh) * 2012-08-29 2012-12-12 广东电网公司 电力配网建设物资需求预测方法及装置
CN108090658A (zh) * 2017-12-06 2018-05-29 河北工业大学 基于时域特征参数融合的电弧故障诊断方法
CN108491404A (zh) * 2018-01-22 2018-09-04 国电南瑞科技股份有限公司 一种基于bp神经网络的状态估计不良数据辨识方法
CN110457746A (zh) * 2019-07-01 2019-11-15 绍兴文理学院 基于bp神经网络的结构面峰值抗剪强度预测模型构建方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
丁红卫: "基于BP神经网络的电网物资需求预测研究", 《计算机技术与发展》 *
张达敏: "基于深度学习的大规模行人统计方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112950572A (zh) * 2021-02-26 2021-06-11 西安交通大学 一种数据处理及迭代矫正方法、系统、介质及设备
CN112950572B (zh) * 2021-02-26 2024-04-05 西安交通大学 一种数据处理及迭代矫正方法、系统、介质及设备
CN113375713A (zh) * 2021-04-30 2021-09-10 北京无线电计量测试研究所 一种燃气调压器故障监测方法和装置
CN114239988A (zh) * 2021-12-24 2022-03-25 江苏智库智能科技有限公司 智能仓库物资出入库预测及预调度方法
CN118365094A (zh) * 2024-06-19 2024-07-19 江西省送变电工程有限公司 一种用于电力施工的项目物资需求预测方法及系统
CN118365094B (zh) * 2024-06-19 2024-09-10 江西省送变电工程有限公司 一种用于电力施工的项目物资需求预测方法及系统

Similar Documents

Publication Publication Date Title
US20160203419A1 (en) Metaheuristic-guided trust-tech methods for global unconstrained optimization
CN111415051A (zh) 一种基于bp神经网络的电力物资需求计划预测方法
Zhang et al. Deep learning-enabled intelligent process planning for digital twin manufacturing cell
Garro et al. Designing artificial neural networks using particle swarm optimization algorithms
Stach et al. Expert-based and computational methods for developing fuzzy cognitive maps
Garro et al. Artificial neural network synthesis by means of artificial bee colony (abc) algorithm
CN109241291A (zh) 基于深度强化学习的知识图谱最优路径查询系统及其方法
CN107506590A (zh) 一种基于改进深度信念网络的心血管疾病预测模型
Jadav et al. Optimizing weights of artificial neural networks using genetic algorithms
Abdalla et al. Optimizing the multilayer feed-forward artificial neural networks architecture and training parameters using genetic algorithm
Subrahmanya et al. Constructive training of recurrent neural networks using hybrid optimization
CN108764577A (zh) 基于动态模糊认知图的在线时间序列预测方法
CN104050505A (zh) 一种基于带学习因子蜂群算法的多层感知器训练方法
Khan et al. Electrical load forecasting using fast learning recurrent neural networks
Ma An Efficient Optimization Method for Extreme Learning Machine Using Artificial Bee Colony.
Al-Laham et al. Parameter identification of a multilayer perceptron neural network using an optimized salp swarm algorithm
Sapnken et al. Learning latent dynamics with a grey neural ODE prediction model and its application
WO2020255634A1 (ja) 情報処理システム及び情報処理方法
Rahmi et al. Genetic algorithms for optimization of multi-level product distribution
Devi et al. Introduction to Artificial Neural Networks
Shimizu et al. Frontiers in Computing Technologies for Manufacturing Applications
Cui et al. KPCA‐ESN Soft‐Sensor Model of Polymerization Process Optimized by Biogeography‐Based Optimization Algorithm
Bouaziz et al. PSO-based update memory for Improved Harmony Search algorithm to the evolution of FBBFNT'parameters
Hoffmann et al. Flexible Manufacturing based on Autonomous, Decentralized Systems
Nayak Artificial chemical reaction optimisation of recurrent functional link neural networks for efficient modelling and forecasting of financial time series

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: 20200714

RJ01 Rejection of invention patent application after publication