CN111506855A - 利用tlbo算法优化深度置信网络模型在海洋数据预测中的应用 - Google Patents

利用tlbo算法优化深度置信网络模型在海洋数据预测中的应用 Download PDF

Info

Publication number
CN111506855A
CN111506855A CN202010100509.9A CN202010100509A CN111506855A CN 111506855 A CN111506855 A CN 111506855A CN 202010100509 A CN202010100509 A CN 202010100509A CN 111506855 A CN111506855 A CN 111506855A
Authority
CN
China
Prior art keywords
data
algorithm
learning
model
student
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.)
Granted
Application number
CN202010100509.9A
Other languages
English (en)
Other versions
CN111506855B (zh
Inventor
孙晓川
李志刚
高媛媛
王嘉林
才迪
王昕�
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.)
North China University of Science and Technology
Original Assignee
North China University of Science and Technology
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 North China University of Science and Technology filed Critical North China University of Science and Technology
Priority to CN202010100509.9A priority Critical patent/CN111506855B/zh
Publication of CN111506855A publication Critical patent/CN111506855A/zh
Application granted granted Critical
Publication of CN111506855B publication Critical patent/CN111506855B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2219/00—Indexing scheme relating to application aspects of data processing equipment or methods
    • G06F2219/10—Environmental application, e.g. waste reduction, pollution control, compliance with environmental legislation
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A20/00—Water conservation; Efficient water supply; Efficient water use
    • Y02A20/152—Water filtration
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Educational Administration (AREA)
  • General Business, Economics & Management (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Algebra (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种利用TLBO算法优化深度置信网络模型在海洋数据预测中的应用。其利用TLBO算法将深度置信网络模型的5个关键参数：学习速率、训练样本大小、每层神经元个数、层数和动量作为TLBO算法中的学员，进行参数优化，优化后的深度置信网络模型预测精度更高，同时本发明将优化后的深度置信网络模型应用于海洋数据预测，可以有效地预测海洋水质，提高了预测的精确性。

Description

利用TLBO算法优化深度置信网络模型在海洋数据预测中的 应用
技术领域
本发明涉及一种利用TLBO算法优化深度置信网络模型在海洋数据预测中的应用。
背景技术
随着经济的发展、人类海上活动增加，重金属、无机氮、磷酸盐、有机物、石油、海洋垃圾等污染物大量流入海洋，使得海洋生态环境逐渐恶化，海水水质污染逐渐加重，海洋灾害频繁发生。2018年全球海洋环境调查所指出：“海洋环境生态系统可能在未来 25年内崩溃，这将破坏海陆生态系统，终结我们已知的地球生物。”海水污染无疑是目前人类影响海洋的最大环境问题。海洋环境的监测与治理是国际上研究的重点和难点，环境监测的重点是海水水质预测模型的建立。海水污染是海水中过剩物质引起生态恶化的改变过程，是由多种因素引起的一系列反应。因此，海水水质预测模型的研究，对近岸海域污染防治具有重要的科学价值和实际意义。
近些年众多学者、研究者、管理者建立了众多海水水质预测模型，而深度学习模型的出现使得这一研究有了重大进展。深度学习作为最典型的机器学习技术之一，具有类似人类视觉神经系统的功能，采用这种技术能够高效地完成海洋数据特征抽取和信息表达任务。它是由多层神经网络构成的，低层网络中的神经元能够提取简单特征注入到高层，逐层地感知更多的抽象特征。特别地，深度置信网络(Deep Belief Network，DBN) 作为深度学习模型的代表，在时间序列预测方面展示出了强大潜力。它是由多组堆栈的受限玻尔兹曼机(Restricted Boltzmann Machine,RBM)组成的。DBN能够通过无监督的预训练方式有效地捕捉数据之间的相关性，并避免对训练集的过拟合现象，更好地预测海洋数据未来的发展走势。相比浅层神经网络，DBN能够表达复杂的函数，具有很好的泛化能力。尽管DBN在多种预测任务中表现出了良好性能，但是在模型的训练过程中，有许多超参数，如学习速率、训练样本大小、每层神经元个数、层数和动量等，需要在初始化时进行逐一调试，而大多调试方法选用试凑法和经验选择法等方法，以至于模型存在很大的盲目性与不确定性，使得模型难以达到最优状态。虽然，当前粒子群优化算法被用于调节其初始化参数，但导致模型的整体预测速度明显下降，预测的准精度也为达到理想效果。幸运的是，新的优化参数方法——教与学优化算法——被提出，它可以明显缩短参数的寻优时间，并且可以得到模型的最优初始参数。该方法模拟了教师与学员之间的“教”与“学”的学习过程，“教”是模拟教师教授所有学员学习从而实现参数的全局优化；“学”是模拟任意两名同学相互学习从而实现参数的局部优化；通过全局和局部共同作用，得到多维空间参数的最优解。因此，本发明利用教与学算法优化深度置信网络，从而得到一种新的预测模型。该模型在保证预测速度和预测精度的同时，可以解决深度置信网络的参数优化问题。
发明内容
针对目前实时采集的海洋数据复杂，现有的用于海洋预测的深度神经网络预测精度差，深度神经网络参数众多且最优参数不易确定的问题，本发明提供一种利用TLBO算法优化深度置信网络模型在海洋数据预测中的应用，可以有效地预测海洋水质，提高了预测的精确性。
为了达到上述目的，本发明是通过以下技术方案实现的：
一种利用TLBO算法优化深度置信网络模型在海洋数据预测中的应用，包括以下步骤：
步骤一、获取海洋数据作为输入指标；
步骤二、对步骤一获取的原始海洋数据进行预处理；
步骤三、构建应用于海洋数据预测的DBN模型，将步骤二得到的样本数据分成训练集和测试集输入DBN模型；
步骤四、利用TLBO算法优化DBN模型的参数，将优化后的DBN模型进行训练和测试，用于实时的海洋数据预测。
在上述技术方案中，步骤一获取的海洋数据包括物理数据(水温、气温、风力、风向)，化学数据(pH值、化学需氧量、溶解氧、多种营养盐)和重金属数据(锌、铜、铁)。
在上述技术方案中，步骤二中对原始海洋数据进行预处理的方法为判定异常值数据和处理异常值数据。具体来讲，基于3σ原则数据异常值检测手段并依据真实数据、参考文献、常识知识，设定海洋因子数据范围，超出设定范围视为异常值；数据异常值处理包括时间匹配、数据插值、去除异常值和跳跃性监测四种操作。
在上述技术方案中，步骤三中，构建DBN模型时，需要初始化设定DBN模型的训练样本规模，设定隐藏层节点数h，隐藏层层数L，学习速率ε和动量m。
在上述技术方案中，步骤四中利用TLBO算法优化DBN模型的参数包括：DBN模型的训练样本规模、隐藏层节点数、隐藏层层数、学习速率和动量。
在上述技术方案中，步骤四中，令S＝X1,X2,…,XNP,为一个班级，Xi(i＝1,2,…,NP)为班级中的每个学员，对任意学员都有Xi1,Xi2,…,Xid,d表示课程数，Xi1表示DBN模型的训练样本规模，Xi2表示DBN模型的隐藏层节点数，Xi3表示DBN模型的隐藏层层数，Xi4表示DBN模型的学习速率，Xi5表示DBN模型的动量；
以NRMSE为TLBO算法的适应度函数，来衡量学生的成绩：
Figure RE-GDA0002563162280000031
其中，M和S分别表示训练样本总数和测试样本总数；ytest(t)和
Figure RE-GDA0002563162280000032
分别表示测试过程的期望输出和实际输出，
Figure RE-GDA0002563162280000033
表示ytest(t)的方差；
优化过程包括以下三个阶段：
初始化阶段：班级中每个学员的成绩Xi1,Xi2,Xi3,Xi4,Xi5在搜索空间中随机生成：
Figure RE-GDA0002563162280000034
其中
Figure RE-GDA0002563162280000035
为第d门课程的最低分，
Figure RE-GDA0002563162280000036
为第d门课程的最高分；
教师传授知识阶段：班级中每个学员Xi(i＝1,2,…,NP)选择适应度值最佳的设为Xteacher,将所有学生向老师学习；
Figure RE-GDA0002563162280000037
其中
Figure RE-GDA0002563162280000038
和
Figure RE-GDA0002563162280000039
分别表示第i个学员学习前和学习后的值，mean是所有学员的平均值；还有两个关键的参数，即教学因子TFi＝round[1+rand(0,1)]和学习步长ri＝rand(0,1), 完成后，根据
Figure RE-GDA00025631622800000310
更新学员成绩；
学生互相学习阶段：对每一个学员Xi(i＝1,2,…,NP),在班级中随机选取一个学习对象Xj(j≠i),Xi通过分析自己和学Xj的差异进行学习调整：
Figure RE-GDA0002563162280000041
其中ri＝rand(0,1)表示第i个学员的学习因子，完成后，根据
Figure RE-GDA0002563162280000042
Figure RE-GDA0002563162280000043
更新学员成绩；
当所有学员的成绩(NRMSE)达到预期目标或者迭代次数达到一定时，停止学习，将优化后的Xi1,Xi2,Xi3,Xi4,Xi5输出，作为新的DBN模型的参数。
本发明的优点和有益效果为：
本发明利用TLBO算法对深度置信网络模型的5个关键参数(DBN模型的训练样本规模、隐藏层节点数、隐藏层层数、学习速率和动量)进行优化，优化后的深度置信网络模型预测精度更高，本发明将优化后的深度置信网络模型应用于海洋数据预测，可以有效地预测海洋水质，提高了预测的精确性。
附图说明
图1为深度置信网络的结构图。
图2为利用TLBO算法优化的深度置信网络模型预测海洋数据的流程图。
对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，可以根据以上附图获得其他的相关附图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
一种利用TLBO算法优化深度置信网络模型在海洋数据预测中的应用，包括以下步骤：
步骤一、获取海洋数据作为输入指标。
从中国某近海海域放置的浮标系统中获取到实时的海洋数据，包括物理数据(水温、气温、风力、风向)，化学数据(pH值、化学需氧量、溶解氧、多种营养盐)和重金属数据(锌、铜、铁)。通过北斗卫星将这些数据无线传输到远程监控中心进行保存。
步骤二、对步骤一获取的原始海洋数据进行预处理。
对原始海洋数据进行预处理的方法为判定异常值数据和处理异常值数据，从而得到符合要求的可用样本数据。基于3σ原则数据异常值检测手段并依据真实数据、参考文献、常识知识，设定海洋因子数据范围，超出设定范围视为异常值。数据异常值处理包括时间匹配、数据插值、去除异常值和跳跃性监测四种操作。
时间匹配操作是先将所有数据以时间为基础进行整理，所有因素进行时间匹配，采用每半小时采集一次为时间间隔，以采集时间最早时间为起始时间，最晚时间为结束时间；数据插值操作是以前后2-3天为插值步长对数据进行插值，十天以上空缺值不予其插值；去除异常值操作是采用海洋因子数据异常值判定方法设定的上下界范围，逐步判定异常值并进行处理：前十步采用上下界代替异常值，十步之后采用此点前十步均值代替异常值；跳跃性监测，在这个过程中，剔除非连续性数据，将连续性数据进行监测，重点监测前后数据的变化率，将前后跳跃性较大数据进行处理，如果前一时刻与后一时刻的变化率大于1，则采用前10个时刻的均值进行替换。
步骤三、构建应用于海洋数据预测的DBN预测模型，将步骤二得到的样本数据分成训练集和测试集输入DBN模型。
构建DBN预测模型时，需要初始化设定DBN训练样本规模，隐藏层节点数，隐藏层层数，学习速率和动量。
步骤四、利用TLBO算法优化DBN模型的参数，将优化后的DBN模型进行训练和测试，用于实时的海洋数据预测。
TLBO算法即教与学优化算法(以下简称TLBO算法)，它可以明显缩短参数的寻优时间，并且可以得到模型的最优初始参数。该方法模拟了教师与学员之间的“教”与“学”的学习过程，“教”是模拟教师教授所有学员学习从而实现参数的全局优化；“学”是模拟任意两名同学相互学习从而实现参数的局部优化；通过全局和局部共同作用，得到多维空间参数的最优解。具体算法如下：
令S＝X1,X2,…,XNP,为一个班级，Xi(i＝1,2,…,NP)为班级中的每个学员，对任意学员都有Xi1,Xi2,…,Xid,d表示课程数，针对本发明，Xi1表示DBN模型的训练样本规模， Xi2表示DBN模型的隐藏层节点数，Xi3表示DBN模型的隐藏层层数，Xi4表示DBN模型的学习速率，Xi5表示DBN模型的动量。
适应度函数是TLBO算法的搜索方向的依据，本发明以NRMSE为适应度函数，来衡量学生的成绩：
Figure RE-GDA0002563162280000061
其中，M和S分别表示训练样本总数和测试样本总数；ytest(t)和
Figure RE-GDA0002563162280000062
分别表示测试过程的期望输出和实际输出，
Figure RE-GDA0002563162280000063
表示ytest(t)的方差。NRMSE是通过对DBN进行预训练求得。
整个优化分为三个阶段：初始化阶段，教师传授知识阶段和学生互相学习阶段。
初始化阶段：班级中每个学员的成绩Xi1,Xi2,Xi3,Xi4,Xi5在搜索空间中随机生成：
Figure RE-GDA0002563162280000064
其中
Figure RE-GDA0002563162280000065
为第d门课程的最低分，
Figure RE-GDA0002563162280000066
为第d门课程的最高分。
教师传授知识阶段：班级中每个学员Xi(i＝1,2,…,NP)选择适应度值最佳的(本发明为NRMSE最小的)设为Xteacher,将所有学生向老师学习。
Figure RE-GDA0002563162280000067
其中
Figure RE-GDA0002563162280000068
和
Figure RE-GDA0002563162280000069
分别表示第i个学员学习前和学习后的值，mean是所有学员的平均值；还有两个关键的参数，即教学因子TFi＝round[1+rand(0,1)]和学习步长ri＝rand(0,1),完成后，根据
Figure RE-GDA00025631622800000610
更新学员成绩。
学生互相学习阶段：对每一个学员Xi(i＝1,2,…,NP),在班级中随机选取一个学习对象 Xj(j≠i),Xi通过分析自己和学Xj的差异进行学习调整：
Figure RE-GDA00025631622800000611
其中ri＝rand(0,1)表示第i个学员的学习因子(学习步长)。完成后，根据
Figure RE-GDA00025631622800000612
Figure RE-GDA00025631622800000613
更新学员成绩。
当所有学员的成绩(NRMSE)达到预期目标或者迭代次数达到一定时，停止学习，将优化后的Xi1,Xi2,Xi3,Xi4,Xi5输出，作为新的DBN的参数。

Claims (7)

1.一种利用TLBO算法优化深度置信网络模型在海洋数据预测中的应用，其特征在于，包括以下步骤：
步骤一、获取海洋数据作为输入指标；
步骤二、对步骤一获取的原始海洋数据进行预处理；
步骤三、构建应用于海洋数据预测的DBN模型，将步骤二得到的样本数据分成训练集和测试集输入DBN模型；
步骤四、利用TLBO算法优化DBN模型的参数，将优化后的DBN模型进行训练和测试，用于实时的海洋数据预测。
2.根据权利要求1所述的利用TLBO算法优化深度置信网络模型在海洋数据预测中的应用，其特征在于：步骤一获取的海洋数据包括物理数据，化学数据和重金属数据。
3.根据权利要求1所述的利用TLBO算法优化深度置信网络模型在海洋数据预测中的应用，其特征在于：步骤二中对原始海洋数据进行预处理的方法为判定异常值数据和处理异常值数据。
4.根据权利要求3所述的利用TLBO算法优化深度置信网络模型在海洋数据预测中的应用，其特征在于：基于3σ原则数据异常值检测手段并依据真实数据、参考文献、常识知识，设定海洋因子数据范围，超出设定范围视为异常值；数据异常值处理包括时间匹配、数据插值、去除异常值和跳跃性监测四种操作。
5.根据权利要求1所述的利用TLBO算法优化深度置信网络模型在海洋数据预测中的应用，其特征在于：步骤三中，构建DBN模型时，需要初始化设定DBN模型的训练样本规模，隐藏层节点数，隐藏层层数，学习速率和动量。
6.根据权利要求1所述的利用TLBO算法优化深度置信网络模型在海洋数据预测中的应用，其特征在于：步骤四中利用TLBO算法优化DBN模型的参数包括：DBN模型的训练样本规模、隐藏层节点数、隐藏层层数、学习速率和动量。
7.根据权利要求1所述的利用TLBO算法优化深度置信网络模型在海洋数据预测中的应用，其特征在于：步骤四中，令S＝X1,X2,…,XNP,为一个班级，Xi(i＝1,2,…,NP)为班级中的每个学员，对任意学员都有Xi1,Xi2,…,Xid,d表示课程数，Xi1表示DBN模型的训练样本规模，Xi2表示DBN模型的隐藏层节点数，Xi3表示DBN模型的隐藏层层数，X i4表示DBN模型的学习速率，Xi5表示DBN模型的动量；
以NRMSE为TLBO算法的适应度函数，来衡量学生的成绩：
Figure RE-FDA0002563162270000021
其中，M和S分别表示训练样本总数和测试样本总数；ytest(t)和
Figure RE-FDA0002563162270000022
分别表示测试过程的期望输出和实际输出，
Figure RE-FDA0002563162270000023
表示ytest(t)的方差；
优化过程包括以下三个阶段：
初始化阶段：班级中每个学员的成绩Xi1,Xi2,Xi3,Xi4,Xi5在搜索空间中随机生成：
Figure RE-FDA0002563162270000024
其中
Figure RE-FDA0002563162270000025
为第d门课程的最低分，
Figure RE-FDA0002563162270000026
为第d门课程的最高分；
教师传授知识阶段：班级中每个学员Xi(i＝1,2,…,NP)选择适应度值最佳的设为Xteacher,将所有学生向老师学习；
Figure RE-FDA0002563162270000027
其中
Figure RE-FDA0002563162270000028
和
Figure RE-FDA0002563162270000029
分别表示第i个学员学习前和学习后的值，mean是所有学员的平均值；还有两个关键的参数，即教学因子TFi＝round[1+rand(0,1)]和学习步长ri＝rand(0,1),完成后，根据
Figure RE-FDA00025631622700000210
更新学员成绩；
学生互相学习阶段：对每一个学员Xi(i＝1,2,…,NP),在班级中随机选取一个学习对象Xj(j≠i),Xi通过分析自己和学Xj的差异进行学习调整：
Figure RE-FDA00025631622700000211
其中ri＝rand(0,1)表示第i个学员的学习因子，完成后，根据
Figure RE-FDA00025631622700000212
Figure RE-FDA00025631622700000213
更新学员成绩；
当所有学员的成绩(NRMSE)达到预期目标或者迭代次数达到一定时，停止学习，将优化后的Xi1,Xi2,Xi3,Xi4,Xi5输出，作为新的DBN模型的参数。
CN202010100509.9A 2020-02-18 2020-02-18 利用tlbo算法优化深度置信网络模型预测海洋数据的方法 Active CN111506855B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010100509.9A CN111506855B (zh) 2020-02-18 2020-02-18 利用tlbo算法优化深度置信网络模型预测海洋数据的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010100509.9A CN111506855B (zh) 2020-02-18 2020-02-18 利用tlbo算法优化深度置信网络模型预测海洋数据的方法

Publications (2)

Publication Number Publication Date
CN111506855A true CN111506855A (zh) 2020-08-07
CN111506855B CN111506855B (zh) 2023-06-30

Family

ID=71875727

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010100509.9A Active CN111506855B (zh) 2020-02-18 2020-02-18 利用tlbo算法优化深度置信网络模型预测海洋数据的方法

Country Status (1)

Country Link
CN (1) CN111506855B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113891355A (zh) * 2021-09-28 2022-01-04 成都盛科信息技术有限公司 一种基于改进教与学算法的wsn连通性最大化增补节点优化部署方法
CN114385601A (zh) * 2022-03-24 2022-04-22 山东省计算中心（国家超级计算济南中心） 基于超算的云边协同高通量海洋数据智能处理方法及系统
CN114565236A (zh) * 2022-02-15 2022-05-31 石河子大学 一种双碳目标下的电力综合能源系统调度方法及装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108803330A (zh) * 2018-06-20 2018-11-13 南京航空航天大学 一种基于性格系数调节的教与学优化滑模控制方法
CN109460874A (zh) * 2018-11-19 2019-03-12 厦门大学 一种基于深度学习的有义波高预测方法
US20190243735A1 (en) * 2018-02-05 2019-08-08 Wuhan University Deep belief network feature extraction-based analogue circuit fault diagnosis method

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190243735A1 (en) * 2018-02-05 2019-08-08 Wuhan University Deep belief network feature extraction-based analogue circuit fault diagnosis method
CN108803330A (zh) * 2018-06-20 2018-11-13 南京航空航天大学 一种基于性格系数调节的教与学优化滑模控制方法
CN109460874A (zh) * 2018-11-19 2019-03-12 厦门大学 一种基于深度学习的有义波高预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
刘烨等: "改进TLBO算法优化灰色神经网络的ORP预测", 《自动化与仪表》 *
崔东文: "基于教学优化算法的多元超越回归模型及其在径流预报中的应用", 《华北水利水电大学学报(自然科学版)》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113891355A (zh) * 2021-09-28 2022-01-04 成都盛科信息技术有限公司 一种基于改进教与学算法的wsn连通性最大化增补节点优化部署方法
CN113891355B (zh) * 2021-09-28 2024-05-17 成都盛科信息技术有限公司 一种基于改进教与学算法的wsn连通性最大化增补节点优化部署方法
CN114565236A (zh) * 2022-02-15 2022-05-31 石河子大学 一种双碳目标下的电力综合能源系统调度方法及装置
CN114385601A (zh) * 2022-03-24 2022-04-22 山东省计算中心（国家超级计算济南中心） 基于超算的云边协同高通量海洋数据智能处理方法及系统
CN114385601B (zh) * 2022-03-24 2022-07-08 山东省计算中心（国家超级计算济南中心） 基于超算的云边协同高通量海洋数据智能处理方法及系统

Also Published As

Publication number Publication date
CN111506855B (zh) 2023-06-30

Similar Documents

Publication Publication Date Title
Niu et al. A novel effluent quality predicting model based on genetic-deep belief network algorithm for cleaner production in a full-scale paper-making wastewater treatment
CN111506855A (zh) 利用tlbo算法优化深度置信网络模型在海洋数据预测中的应用
Yu Academic Performance Prediction Method of Online Education using Random Forest Algorithm and Artificial Intelligence Methods.
CN118095972B (zh) 一种基于人工智能的海洋生态环境预测评估系统
CN110135562B (zh) 基于特征空间变化的蒸馏学习方法、系统、装置
CN110807509A (zh) 一种基于贝叶斯神经网络的深度知识追踪方法
KR20190066849A (ko) 빅데이터와 머신러닝 기반의 학생 맞춤형 인공지능 stem 교육 플랫폼
CN109934422A (zh) 一种基于时间序列数据分析的神经网络风速预测方法
CN112614552B (zh) 基于bp神经网络的土壤重金属含量预测方法及系统
CN114385801A (zh) 一种基于分层细化lstm网络的知识追踪方法及系统
CN114399073A (zh) 一种基于深度学习的海洋表面温度场预测方法
CN116720098A (zh) 一种异常行为敏感的学生行为时序建模及学业预警方法
CN117349362A (zh) 一种动态知识认知层级挖掘方法、系统、设备及终端
CN106846229A (zh) 湖泊生态系统灾变早期预警方法
Cheng et al. Neural cognitive modeling based on the importance of knowledge point for student performance prediction
CN114117033B (zh) 知识追踪方法及系统
Sultan et al. A Deep Learning Model for MOOC Dropout Prediction Using Learner's Course-relevant Activities
CN115327062A (zh) 一种海洋营养盐浓度反演方法及系统
CN112906293B (zh) 一种基于复习机制的机器教学方法及系统
CN114861914A (zh) 一种面向学习轨迹的细粒度知识追踪方法
Xie et al. The Construction of English Teaching Platform Based on Artificial Intelligence Under Computer-Aided Design
Wang et al. Teaching Content Recommendation Strategy based on Neural Network Unit Rating
Li et al. A knowledge tracing model based on attention mechanism
CN117744783B (zh) 一种基于人在回路的知识追踪方法及系统
Ding et al. Research on Recommendation Model of College English MOOC based on Hybrid Recommendation Algorithm

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
GR01 Patent grant
GR01 Patent grant