CN111709563A - 压缩感知结合bp神经网络在粮食温度趋势预测中的工作方法 - Google Patents
压缩感知结合bp神经网络在粮食温度趋势预测中的工作方法 Download PDFInfo
- Publication number
- CN111709563A CN111709563A CN202010504426.6A CN202010504426A CN111709563A CN 111709563 A CN111709563 A CN 111709563A CN 202010504426 A CN202010504426 A CN 202010504426A CN 111709563 A CN111709563 A CN 111709563A
- Authority
- CN
- China
- Prior art keywords
- data
- neural network
- matrix
- prediction
- signal
- 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
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 title claims abstract description 28
- 239000011159 matrix material Substances 0.000 claims abstract description 50
- 238000005259 measurement Methods 0.000 claims abstract description 12
- 238000007906 compression Methods 0.000 claims abstract description 8
- 230000006835 compression Effects 0.000 claims abstract description 8
- 230000009466 transformation Effects 0.000 claims abstract description 5
- 238000012549 training Methods 0.000 claims description 27
- 230000004913 activation Effects 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 6
- 238000013461 design Methods 0.000 claims description 3
- 230000005764 inhibitory process Effects 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 241000607479 Yersinia pestis Species 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000013144 data compression Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000004519 grease Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000005416 organic matter Substances 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 230000029058 respiratory gaseous exchange 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
- 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
- G06N3/08—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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Agronomy & Crop Science (AREA)
- Primary Health Care (AREA)
- Mining & Mineral Resources (AREA)
- Marine Sciences & Fisheries (AREA)
- Animal Husbandry (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及压缩感知结合BP神经网络在粮食温度趋势预测中的工作方法,属于粮食温度趋势预测技术领域。它在无线传感网络采集粮仓粮食温度数据的基础上利用压缩感知理论对数据进行稀疏表示与压缩观测,对应稀疏基与测量矩阵分别为DCT变换矩阵与高斯随机矩阵,再将压缩后的数据输入BP神经网络预测模型对数据进行预测,最后利用压缩感知理论中的正交匹配追踪(OMP)算法对数据进行重构,得到预测数据。本发明在保持预测准确性的同时,大大减少了需要传输与处理的数据量,减轻了传输网络的负担,提高了预测系统的效率。
Description
技术领域
本发明涉及一种压缩感知结合BP神经网络在粮食温度趋势预测中的工作方法,属于粮食温度趋势预测技术领域。
背景技术
随着我国人口的持续增加,粮食生产力也随之不断拔高,同时也对粮食存储提出了越来越高的要求,国家也出台了许多相关政策将粮食存储过程规范化,加强其控制力度,进一步保障了粮食的收储安全。而粮仓温度更是直接决定了存储粮食的质量,温度过高会使粮仓粮食有氧呼吸加剧,有机物分解过度,从而导致大面积霉变,因此,对粮仓温度的预测研究就显得尤为重要,相关方面的研究也越来越受人关注。
事实上,人们早已对粮仓粮食温度预测进行了研究,从早期的闫艳霞等人依据最小二乘法对温度时间序列进行拟合预测(参见闫艳霞,曹玲芝.粮仓谷物温度场数学模型的研究与应用[J].粮食与食品工业,2007,14(5):42-44.),到师瑞华直接使用BP神经网络模型进行预测(参见师瑞华.BP神经网络在粮仓平均温度预测中的应用[J].软件导刊,2015,14(8):42-44.DOI:10.11907/rjdk.151565.),再到后来的SOM聚类算法,LSTM神经网络等各种预测模型的运用(参见郭利进,连丰沛.基于SOM聚类算法和灰色改进神经网络的粮仓温度预测[J].粮食与油脂,2019,32(11):97-100.),对粮仓的粮食温度的预测愈加准确。人们甚至综合了影响粮仓粮食温度变化的因素,例如湿度、杂质、害虫、天气等,并依据这些因素对粮食温度的影响力将其加权到预测结果之中,大大提高预测模型的准确性,为粮仓粮食的良好储存作出了巨大贡献。
若想让预测数据进一步准确化与精细化,就必须要采集、传输与处理海量的数据,那就不可避免会对数据传输网络与预测系统造成运行负担。然而,在粮仓温度预测方面大家关心的重点几乎都在于如何使得预测结果更加准确,很少考虑如何降低数据量提高预测系统效率,少数例如郭利进等人使用灰色关联分析的方法找出6个和仓内温度关系最大的因素,直接去除了其他因素的影响,从而降低输入预测系统的数据量(参见郭利进,连丰沛.基于SOM聚类算法和灰色改进神经网络的粮仓温度预测[J].粮食与油脂,2019,32(11):97-100.),这势必会损失一部分预测信息,对预测精度产生一定的影响。
发明内容
针对现有技术的不足,本发明提供一种压缩感知结合BP神经网络在粮食温度趋势预测中的工作方法,它是利用压缩感知的数据压缩功能降低BP神经网络在粮食温度趋势预测中的数据量的工作方法。
本发明的技术方案如下:
一种压缩感知结合BP神经网络在粮食温度趋势预测中的工作方法,包括步骤如下:
利用无线传感网络采集粮仓粮食温度数据,得到数据源x,将数据源x通过离散余弦变换(DCT)矩阵进行稀疏表示,根据变换后的信号s选取合适的阈值,设定在阈值之下的数据为零,使得信号中零值占70%~90%,此时信号中的非零值的个数即为稀疏度k,设定测量数M≥4k;
稀疏表示公式表达如下:
x=ψs,或s=ψTx (1)
其中若x为N×L维向量,则稀疏基ψ为N×N维DCT变换矩阵,稀疏信号s为N×L维向量,稀疏度为k,L为数据源x的组数,N为数据源矩阵x的长度;
DCT变换矩阵ψ为:
再将稀疏信号s通过高斯随机矩阵进行压缩观测得到压缩后的信号y;
压缩观测公式表达如下:
y=φψs=φx=Ts (3)
其中y为M×L维观测值,高斯随机矩阵φ为M×N维测量矩阵,T=φψ为M×N维传感矩阵,这里的M即为测量数;
高斯随机矩阵设计公式为:
其中φ即为高斯随机矩阵,大小为M×N,上式表示的意思是此高斯随机矩阵中的每个元素都必须独立服从高斯分布,而这个高斯分布的均值为0,方差为1/M;
选取压缩后的信号y的前n组数据y'(即在L组里面选取前n组)作为BP神经网络训练输入,这n组后一组数据y”作为BP神经网络训练输出,当训练输入沿着BP神经网络前向传播得到的输出与训练输出的误差小于期望误差时表示网络已训练完毕;
y'为输入,W表示输入的权值,权值为正表示激活,为负则表示抑制,f为激活函数,y”为输出,则BP神经网络第i个神经元用公式可以表示为:
其中Wi0=θ、y'0=-1,wij表示第i个神经元的第j个输入的权值,y'j表示第j个输入;
预测时:将压缩矩阵y中连续n组的数据y’1输入已训练好的BP神经网络,输出得到预测的一组数据y”1,依此重复可得到后续预测数据y”2、y”3、y”4等;
最后通过正交匹配追踪(OMP)算法将信号y”1重构,得到最终预测的数据,依此算法重构信号y”2、y”3、y”4等,可得到最终的后续预测数据。
优选的,OMP算法流程:
流程中k为稀疏度、rt为第t次迭代的残差、t为迭代次数、Φ为空集、Λt为t次迭代得到的索引集合、λt为第t次迭代得到的索引、aj为矩阵T的第j列、Tt为按索引Λt选出的矩阵T的列集合、为稀疏信号重构值、为一个t×1的列向量;
1)初始化r0=y”1,Λ0=Φ,T0=Φ,t=1;
3)使Λt=Λt-1∪{λt},Tt=Tt-1∪aλt;
6)使t=t+1,若t≤k则回到2),若否,进入步骤7);
优选的,将压缩后的信号输入神经网络进行训练时,期望误差取值0.1%。
本发明的有益效果在于:
本发明提出的方法相比直接使用BP神经网络对粮食温度趋势预测在系统效率上有显著提升,在保证预测准确性的同时,大大减少了需要传输与处理的数据量,减轻了传输网络的负担,提高了预测系统的效率。
附图说明
图1为基于本发明的方法的粮食温度趋势预测系统框图。
其中,1、数据源,2、稀疏表示,3、压缩观测,4、BP神经网络(训练),5、BP神经网络,6、OMP算法,7、预测数据,①、训练输入与输出,②、训练完成,③、预测输出,④、信号重构,⑤、数据对比,⑥、稀疏基,⑦、测量矩阵,⑧、预测输入。
图2为本发明的方法对一组数据预测的结果。
图3为师瑞华直接使用BP神经网络对与图2同一组数据预测的结果。
图4为本发明的软件流程图。
具体实施方式
下面通过实施例并结合附图对本发明做进一步说明,但不限于此。
实施例1:
一种压缩感知结合BP神经网络在粮食温度趋势预测中的工作方法,包括步骤如下:
利用无线传感网络采集粮仓粮食温度数据,得到数据源x,将数据源x通过离散余弦变换(DCT)矩阵进行稀疏表示,根据变换后的信号s选取合适的阈值,设定在阈值之下的数据为零,使得信号中零值占70%~90%,此时信号中的非零值的个数即为稀疏度k,设定测量数M≥4k;
稀疏表示公式表达如下:
x=ψs,或s=ψTx (1)
其中若x为N×L维向量,则稀疏基ψ为N×N维DCT变换矩阵,稀疏信号s为N×L维向量,稀疏度为k,L为数据源x的组数,N为数据源矩阵x的长度;
DCT变换矩阵ψ为:
再将稀疏信号s通过高斯随机矩阵进行压缩观测得到压缩后的信号y;
压缩观测公式表达如下:
y=φψs=φx=Ts (3)
其中y为M×L维观测值,高斯随机矩阵φ为M×N维测量矩阵,T=φψ为M×N维传感矩阵,这里的M即为测量数;
高斯随机矩阵设计公式为:
其中φ即为高斯随机矩阵,大小为M×N,上式表示的意思是此高斯随机矩阵中的每个元素都必须独立服从高斯分布,而这个高斯分布的均值为0,方差为1/M;
选取压缩后的信号y的前n组数据y'(即在L组里面选取前n组)作为BP神经网络训练输入,这n组后一组数据y”作为BP神经网络训练输出,当训练输入沿着BP神经网络前向传播得到的输出与训练输出的误差小于期望误差时表示网络已训练完毕;取期望误差为0.1%。
y'为输入,W表示输入的权值,权值为正表示激活,为负则表示抑制,f为激活函数,y”为输出,则BP神经网络第i个神经元用公式可以表示为:
其中Wi0=θ、y'0=-1,wij表示第i个神经元的第j个输入的权值,y'j表示第j个输入;
预测时:将压缩矩阵y中连续n组的数据y’1输入已训练好的BP神经网络,输出得到预测的一组数据y”1,依此重复可得到后续预测数据y”2、y”3、y”4等;
最后通过正交匹配追踪(OMP)算法将信号y”1重构,得到最终预测的数据,依此算法重构信号y”2、y”3、y”4等,可得到最终的后续预测数据。
OMP算法流程:
流程中k为稀疏度、rt为第t次迭代的残差、t为迭代次数、Φ为空集、Λt为t次迭代得到的索引集合、λt为第t次迭代得到的索引、aj为矩阵T的第j列、Tt为按索引Λt选出的矩阵T的列集合、为稀疏信号重构值、为一个t×1的列向量;
1)初始化r0=y”1,Λ0=Φ,T0=Φ,t=1;
6)使t=t+1,若t≤k则回到2),若否,进入步骤7);
实验例
选取江西,浙江等地某一粮仓30组每组140个温度数据为数据源x,将数据源导入MATLAB平台,根据140个温度数据的特点设定稀疏度为k=20,设定稀疏基ψ为DCT变换矩阵,测量矩阵φ为高斯随机矩阵,再对数据进行稀疏表示与压缩观测,即分别将每组140个数据压缩至80(M)个数据(实验表明只需满足M≥4k便可以实现信号重构,其中M表示压缩后的数据量,k表示稀疏度),得到大小为80×30的压缩数据矩阵y。
再将压缩数据矩阵y中前12组(每组80个数据)数据作为训练BP神经网络的训练输入,第13组数据作为训练输出,创建神经网络,设定隐含层数为9,迭代次数为1000次,训练目标为误差小于0.001,学习率为0.01,将训练集数据输入网络便可以自动进行学习训练,当训练输入沿着BP神经网络前向传播得到的输出与训练输出的误差小于期望误差时表示网络已训练完毕。
预测时:将数据y中每连续12组数据作为基础数据输入到神经网络,可得到1组80个温度预测数据,即为对数据y中12组数据后1组数据的预测。再利用预测数据与上述稀疏表示中的稀疏基和压缩观测中的测量矩阵通过OMP算法将80个数据重构成140个预测数据。将预测的140个数据与数据源中对应的140个真实数据对比,即可验证预测结果。依此方法将数据y第2组到第13组共12组数据输入神经网络得到输出,再通过OMP算法重构信号即可得到对数据源第14组数据的预测结果,与真实值的对比如图2所示。
另外为了与本发明所使用方法进行比较,引用师瑞华直接使用BP神经网络对数据源进行预测,同样将数据源前12组(每组140个数据)数据作为训练BP神经网络的输入,第13组数据作为输出,创建神经网络,网络训练完毕后将数据源第2组到第13组共12组数据输入神经网络得到输出,即可得到对数据源第14组数据的预测结果,如图3所示。
图2与图3比较可以看出,本发明的方法与师瑞华直接使用BP神经网络对粮食温度趋势预测结果的准确性基本相当,甚至本发明在高温部分更贴近真实值,而且本发明的方法输入输出BP神经网络预测系统的数据量为每组80个,而师瑞华直接使用BP神经网络对粮食温度趋势预测的方法却有140个,说明本发明的方法在保证预测准确性的同时,大大减少了需要传输与处理的数据量,减轻了传输网络的负担,提高了预测系统的效率。
Claims (3)
1.压缩感知结合BP神经网络在粮食温度趋势预测中的工作方法,其特征在于,包括步骤如下:
利用无线传感网络采集粮仓粮食温度数据,得到数据源x,将数据源x通过离散余弦变换(DCT)矩阵进行稀疏表示,根据变换后的信号s选取合适的阈值,设定在阈值之下的数据为零,使得信号中零值占70%~90%,此时信号中的非零值的个数即为稀疏度k,设定测量数M≥4k;
稀疏表示公式表达如下:
x=ψs,或s=ψTx (1)
其中若x为N×L维向量,则稀疏基ψ为N×N维DCT变换矩阵,稀疏信号s为N×L维向量,稀疏度为k,L为数据源x的组数,N为数据源矩阵x的长度;
DCT变换矩阵ψ为:
再将稀疏信号s通过高斯随机矩阵进行压缩观测得到压缩后的信号y;
压缩观测公式表达如下:
y=φψs=φx=Ts (3)
其中y为M×L维观测值,高斯随机矩阵φ为M×N维测量矩阵,T=φψ为M×N维传感矩阵,这里的M即为测量数;
高斯随机矩阵设计公式为:
其中φ即为高斯随机矩阵,大小为M×N,上式表示的意思是此高斯随机矩阵中的每个元素都必须独立服从高斯分布,而这个高斯分布的均值为0,方差为1/M;
选取压缩后的信号y的前n组数据y'作为BP神经网络训练输入,这n组后一组数据y”作为BP神经网络训练输出,当训练输入沿着BP神经网络前向传播得到的输出与训练输出的误差小于期望误差时表示网络已训练完毕;
y'为输入,W表示输入的权值,权值为正表示激活,为负则表示抑制,f为激活函数,y”为输出,则BP神经网络第i个神经元用公式可以表示为:
其中Wi0=θ、y'0=-1,wij表示第i个神经元的第j个输入的权值,y'j表示第j个输入;
预测时:将压缩矩阵y中连续n组的数据y1'输入已训练好的BP神经网络,输出得到预测的一组数据y”1,依此重复可得到后续预测数据y”2、y”3、y”4等;
最后通过正交匹配追踪(OMP)算法将信号y”1重构,得到最终预测的数据,依此算法重构信号y”2、y”3、y”4等,可得到最终的后续预测数据。
2.根据权利要求1所述的压缩感知结合BP神经网络在粮食温度趋势预测中的工作方法,其特征在于,OMP算法流程为:
流程中k为稀疏度、rt为第t次迭代的残差、t为迭代次数、Φ为空集、Λt为t次迭代得到的索引集合、λt为第t次迭代得到的索引、aj为矩阵T的第j列、Tt为按索引Λt选出的矩阵T的列集合、为稀疏信号重构值、为一个t×1的列向量;
1)初始化r0=y”1,Λ0=Φ,T0=Φ,t=1;
6)使t=t+1,若t≤k则回到2),若否,进入步骤7);
3.根据权利要求1所述的压缩感知结合BP神经网络在粮食温度趋势预测中的工作方法,其特征在于,将压缩后的信号输入神经网络进行训练时,期望误差取值0.1%。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010504426.6A CN111709563B (zh) | 2020-06-05 | 2020-06-05 | 压缩感知结合bp神经网络在粮食温度趋势预测中的工作方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010504426.6A CN111709563B (zh) | 2020-06-05 | 2020-06-05 | 压缩感知结合bp神经网络在粮食温度趋势预测中的工作方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111709563A true CN111709563A (zh) | 2020-09-25 |
CN111709563B CN111709563B (zh) | 2022-03-11 |
Family
ID=72538934
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010504426.6A Active CN111709563B (zh) | 2020-06-05 | 2020-06-05 | 压缩感知结合bp神经网络在粮食温度趋势预测中的工作方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111709563B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114723033A (zh) * | 2022-06-10 | 2022-07-08 | 成都登临科技有限公司 | 数据处理方法、装置、ai芯片、电子设备及存储介质 |
CN117318730A (zh) * | 2023-11-30 | 2023-12-29 | 山东大学 | 电离层数据实时采集压缩方法、装置、芯片及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104598971A (zh) * | 2015-01-15 | 2015-05-06 | 宁波大学 | 基于径向基函数神经网络的单位脉冲响应函数提取方法 |
WO2015172560A1 (zh) * | 2014-05-16 | 2015-11-19 | 华南理工大学 | 基于bp神经网络的中央空调冷负荷的预测方法 |
CN109284863A (zh) * | 2018-09-04 | 2019-01-29 | 南京理工大学 | 一种基于深度神经网络的电力设备温度预测方法 |
CN109657707A (zh) * | 2018-12-04 | 2019-04-19 | 浙江大学 | 一种基于观测矩阵变换维度的图像分类方法 |
CN109784528A (zh) * | 2018-12-05 | 2019-05-21 | 鲁东大学 | 基于时间序列和支持向量回归的水质预测方法及装置 |
-
2020
- 2020-06-05 CN CN202010504426.6A patent/CN111709563B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015172560A1 (zh) * | 2014-05-16 | 2015-11-19 | 华南理工大学 | 基于bp神经网络的中央空调冷负荷的预测方法 |
CN104598971A (zh) * | 2015-01-15 | 2015-05-06 | 宁波大学 | 基于径向基函数神经网络的单位脉冲响应函数提取方法 |
CN109284863A (zh) * | 2018-09-04 | 2019-01-29 | 南京理工大学 | 一种基于深度神经网络的电力设备温度预测方法 |
CN109657707A (zh) * | 2018-12-04 | 2019-04-19 | 浙江大学 | 一种基于观测矩阵变换维度的图像分类方法 |
CN109784528A (zh) * | 2018-12-05 | 2019-05-21 | 鲁东大学 | 基于时间序列和支持向量回归的水质预测方法及装置 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114723033A (zh) * | 2022-06-10 | 2022-07-08 | 成都登临科技有限公司 | 数据处理方法、装置、ai芯片、电子设备及存储介质 |
CN114723033B (zh) * | 2022-06-10 | 2022-08-19 | 成都登临科技有限公司 | 数据处理方法、装置、ai芯片、电子设备及存储介质 |
CN117318730A (zh) * | 2023-11-30 | 2023-12-29 | 山东大学 | 电离层数据实时采集压缩方法、装置、芯片及系统 |
CN117318730B (zh) * | 2023-11-30 | 2024-02-23 | 山东大学 | 电离层数据实时采集压缩方法、装置、芯片及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111709563B (zh) | 2022-03-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109002917A (zh) | 基于lstm神经网络的粮食总产量多维时间序列预测方法 | |
CN109241313B (zh) | 一种基于高阶深度哈希学习的图像检索方法 | |
CN111709563B (zh) | 压缩感知结合bp神经网络在粮食温度趋势预测中的工作方法 | |
CN108710974B (zh) | 一种基于深度置信网络的水体氨氮预测方法及装置 | |
CN109858709B (zh) | 一种优化焦炭生产的方法、装置和设备 | |
CN110889547B (zh) | 一种作物生育期预测方法及装置 | |
CN106022954B (zh) | 基于灰色关联度的多重bp神经网络负荷预测方法 | |
CN110659722A (zh) | 基于AdaBoost-CBP神经网络的电动汽车锂离子电池健康状态估算方法 | |
CN110048827A (zh) | 一种基于深度学习卷积神经网络的类模板攻击方法 | |
CN110428121B (zh) | 基于灰色关联分析的隐马尔可夫模型食品质量评估方法 | |
CN110782019A (zh) | 基于分解和剪枝的卷积神经网络压缩方法、系统、装置 | |
CN114492191A (zh) | 基于dbn-svr的热力站设备剩余寿命评估方法 | |
CN112557034A (zh) | 一种基于pca_cnns的轴承故障诊断方法 | |
CN115796358A (zh) | 一种碳排放预测的方法及终端 | |
CN115293206A (zh) | 一种基于麻雀算法优化宽度学习系统的轴承故障诊断方法 | |
CN110260914B (zh) | 一种基于测点时空特征的工程安全监测系统区域划分方法 | |
CN107909202B (zh) | 一种基于时间序列的油井产液量集成预测方法 | |
CN114154401A (zh) | 基于机器学习和观测数据的土壤侵蚀模数计算方法及系统 | |
CN113657452A (zh) | 基于主成分分析和超级学习的烟叶质量等级分类预测方法 | |
CN112149355A (zh) | 基于半监督动态反馈堆栈降噪自编码器模型的软测量方法 | |
CN117039983A (zh) | 一种结合通道注意力机制的光伏出力预测方法及终端 | |
CN116797204A (zh) | 一种基于小波分解与重构和TCN-GRU-Self-Attention的磨煤机一次风量故障预警方法 | |
CN106845512A (zh) | 基于分形参数的兽类形体识别方法及系统 | |
CN108279212B (zh) | 一种基于高光谱的动物肉松金属元素含量的预测和评估方法 | |
Liu et al. | A novel wavelength selection strategy for chlorophyll prediction by MWPLS and GA |
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 |