CN111797979A - 基于lstm模型的振动传递系统 - Google Patents

基于lstm模型的振动传递系统 Download PDF

Info

Publication number
CN111797979A
CN111797979A CN202010691150.7A CN202010691150A CN111797979A CN 111797979 A CN111797979 A CN 111797979A CN 202010691150 A CN202010691150 A CN 202010691150A CN 111797979 A CN111797979 A CN 111797979A
Authority
CN
China
Prior art keywords
gate
state
cell
unit
lstm
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
CN202010691150.7A
Other languages
English (en)
Inventor
余又红
贺星
王强
刘永葆
李默
贾延
李俊
张鑫
邢芷恺
郭大志
李钰洁
夏舸
祝燕
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.)
Naval University of Engineering PLA
Original Assignee
Naval University of Engineering PLA
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 Naval University of Engineering PLA filed Critical Naval University of Engineering PLA
Priority to CN202010691150.7A priority Critical patent/CN111797979A/zh
Publication of CN111797979A publication Critical patent/CN111797979A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明公开基于LSTM模型的振动传递系统，包括若干递归连接的记忆区块，所述记忆区块包含细胞神经单元和乘法单元，所述乘法单元包括输入门、输出门和遗忘门，所述乘法单元对细胞神经单元进行连续的写、读和重置操作；本发明忽略信号传递路径，直接根据测点A和测点B的原始数据信号，在LSTM模型的基础上，改变输入输出格式，设立输入门、输出门和遗忘门来组合数据，决定哪些新信息被存放到单元状态中，决定当前时刻需要输出的信息，并确定上一时刻的单元状态中被添加至当前蚀刻单元状态中的信息量，同时，将细胞状态贯穿整个过程，使信息以固定不变的方式传递，建立测点A到测点B的黑匣子模型。

Description

基于LSTM模型的振动传递系统
技术领域
本发明涉及信号研究技术领域，尤其涉及基于LSTM模型的振动传递系统。
背景技术
动力设备结构形式多样，测点布置位置不同，振动等级大小、振动信号特征等也会不同，但对于固定设备来说，装置的耦合特性及信号传递过程是相同的，常规的研究信号传递路径分析主要是通过根据模型的结构，分析测点的频响函数来研究测点A对测点B的振动信号传递过程，获得测点B的信号特征；
然而，现有技术需要根据设备的结构进行复杂的传递路径及特性的推导，并难以推广到不明信号的传递特性利用中去，因此，本发明提出基于LSTM模型的振动传递系统以解决现有技术中存在的问题。
发明内容
针对上述问题，本发明的目的在于提出基于LSTM模型的振动传递系统，该基于LSTM模型的振动传递系统有效建立了针对任何A数据到B数据的信号传递黑匣子模型，不用根据设备的结构进行复杂的传递路径及特性的推导，并能广泛的推广到不明信号的传递特性利用中去。
为实现本发明的目的，本发明通过以下技术方案实现：基于LSTM模型的振动传递系统，包括若干递归连接的记忆区块，所述记忆区块包含细胞神经单元和乘法单元，所述乘法单元包括输入门、输出门和遗忘门，所述乘法单元对细胞神经单元进行连续的写、读和重置操作；
所述输入门将当前时刻的输入χt中的信息保存到当前时刻的单元状态Ct，且通过tanh函数决定当前时刻的候选信息ct，所述候选信息ct与决策向量it相乘，用以确定候选信息ct中被输入至单元状态Ct中的量；
所述输出门决定当前时刻的单元状态Ct中被输入到细胞神经单元的隐藏状态ht中的信息量；
所述遗忘门决定上一时刻的单元状态Ct-1保存到当前时刻的状态Ct中的信息量，当前时刻的输入χt和上一时刻的隐藏状态ht-1连接成一个新的特征向量，该特征向量与权重参数Wf相乘，输入sigmiod函数，利用决策向量ft与上一时刻的单元状态Ct-1相乘，用以确定上一时刻的单元状态Ct-1中被添加至单元状态Ct中的信息量，即遗忘门与前一状态连接来控制是否遗忘之前的输入信号；
所述细胞神经单元中，细胞状态贯穿整个过程，使信息以固定不变的方式传递。
进一步改进在于：所述输入门中，所述候选信息ct与决策向量it相乘，即输入门与输入信号相乘，输入到细胞神经单元中，决定哪些新信息被存放到单元状态Ct中，候选信息ct与决策向量it的计算表达式为：
it＝σ(Wi[ht-1,χt]+bi) (1)
ct＝tanh(Wc[ht-1,χt]+bc) (2)
其中，Wc为对应权重参数矩阵，bc为对应偏置，it为LSTM神经网络某节点在t时刻输入门的激活向量值；bi为对应的偏置项；χt为LSTM神经元在t时刻的输入数据；Wi为输入层与隐藏层细胞单元之间的参数矩阵；ht-1为LSTM神经元在t-1时刻的输出；σ为sigmoid激活函数；tanh为双曲正切函数。
进一步改进在于：所述输出门中，输出门的决策向量Ot与输出信号相乘决定本时刻需要输出的信息，决策向量Ot和细胞神经单元的隐藏状态ht的计算表达式为
Ot＝σ(W0[ht-1,χt]+b0) (3)
ht＝ottanh(Ct) (4)
其中，Ot为LSTM神经网络某节点在t时刻输出门的激活向量值；bo为对应的偏置项；χt为LSTM神经元在t时刻的输入数据；Wo为隐藏层细胞单元与输出层之间的参数矩阵；ht为LSTM神经元在t时刻的输出；ht-1为LSTM神经元在t-1时刻的输出；Ct为神经元细胞状态；σ为sigmoid激活函数；tanh为双曲正切函数。
进一步改进在于：所述遗忘门中，ft的计算表达式为
ft＝σ(Wf[ht-1,χt]+bf) (5)
其中，ft为LSTM神经网络某节点在t时刻遗忘门的激活向量值；bf为对应的偏置项；χt为LSTM神经元在t时刻的输入数据；Wi为输入层与隐藏层细胞单元之间的参数矩阵；ht-1为LSTM神经元在t-1时刻的输出；σ为sigmoid激活函数。
进一步改进在于：所述细胞神经单元中，当前时刻的单元状态Ct的计算式为
Figure BDA0002589416570000041
其中，it、ft分别为LSTM神经网络某节点在t时刻输入门和遗忘门的激活向量值；Ct-1为t-1时刻记忆单元的向量值；Ct为神经元细胞状态。
本发明的有益效果为：本发明忽略信号传递路径，直接根据测点A和测点B的原始数据信号，在LSTM模型的基础上，改变输入输出格式，设立输入门、输出门和遗忘门来组合数据，决定哪些新信息被存放到单元状态中，决定当前时刻需要输出的信息，并确定上一时刻的单元状态中被添加至当前蚀刻单元状态中的信息量，同时，将细胞状态贯穿整个过程，使信息以固定不变的方式传递，建立测点A到测点B的黑匣子模型，经验证，通过网络训练，研究A、B之间对应关系，获得固定的网络结构参数R，形成黑匣子路径传递模型，当再输入A时，直接可以获得B的原始信号，并利用其信号的频谱特征等来评价网络训练或获得信号的准确性，有效建立了针对任何A数据到B数据的信号传递黑匣子模型，不用根据设备的结构进行复杂的传递路径及特性的推导，并能广泛的推广到不明信号的传递特性利用中去。
附图说明
图1为本发明的LSTM模型结构图；
图2为本发明的验证例中数据B实际时序图；
图3为本发明的验证例中数据B实际频谱图；
图4为本发明的验证例中数据C预测时序图；
图5为本发明的验证例中数据C预测频谱图。
具体实施方式
为了加深对本发明的理解，下面将结合实施例对本发明做进一步详述，本实施例仅用于解释本发明，并不构成对本发明保护范围的限定。
根据图1、2、3、4、5所示，本实施例提供了基于LSTM模型的振动传递系统，包括若干递归连接的记忆区块，所述记忆区块包含细胞神经单元和乘法单元，所述乘法单元包括输入门、输出门和遗忘门，所述乘法单元对细胞神经单元进行连续的写、读和重置操作；
所述输入门将当前时刻的输入χt中的信息保存到当前时刻的单元状态Ct，且通过tanh函数决定当前时刻的候选信息ct，所述候选信息ct与决策向量it相乘，用以确定候选信息ct中被输入至单元状态Ct中的量；
所述输出门决定当前时刻的单元状态Ct中被输入到细胞神经单元的隐藏状态ht中的信息量；
所述遗忘门决定上一时刻的单元状态Ct-1保存到当前时刻的状态Ct中的信息量，当前时刻的输入χt和上一时刻的隐藏状态ht-1连接成一个新的特征向量，该特征向量与权重参数Wf相乘，输入sigmiod函数，利用决策向量ft与上一时刻的单元状态Ct-1相乘，用以确定上一时刻的单元状态Ct-1中被添加至单元状态Ct中的信息量，即遗忘门与前一状态连接来控制是否遗忘之前的输入信号；
所述细胞神经单元中，细胞状态贯穿整个过程，使信息以固定不变的方式传递。
所述输入门中，所述候选信息ct与决策向量it相乘，即输入门与输入信号相乘，输入到细胞神经单元中，决定哪些新信息被存放到单元状态Ct中，候选信息ct与决策向量it的计算表达式为：
it＝σ(Wi[ht-1,χt]+bi) (1)
ct＝tanh(Wc[ht-1,χt]+bc) (2)
其中，Wc为对应权重参数矩阵，bc为对应偏置，it为LSTM神经网络某节点在t时刻输入门的激活向量值；bi为对应的偏置项；χt为LSTM神经元在t时刻的输入数据；Wi为输入层与隐藏层细胞单元之间的参数矩阵；ht-1为LSTM神经元在t-1时刻的输出；σ为sigmoid激活函数；tanh为双曲正切函数。
所述输出门中，输出门的决策向量Ot与输出信号相乘决定本时刻需要输出的信息，决策向量Ot和细胞神经单元的隐藏状态ht的计算表达式为
Ot＝σ(W0[ht-1,χt]+b0) (3)
ht＝ottanh(Ct) (4)
其中，Ot为LSTM神经网络某节点在t时刻输出门的激活向量值；bo为对应的偏置项；χt为LSTM神经元在t时刻的输入数据；Wo为隐藏层细胞单元与输出层之间的参数矩阵；ht为LSTM神经元在t时刻的输出；ht-1为LSTM神经元在t-1时刻的输出；Ct为神经元细胞状态；σ为sigmoid激活函数；tanh为双曲正切函数。
所述遗忘门中，ft的计算表达式为
ft＝σ(Wf[ht-1,χt]+bf) (5)
其中，ft为LSTM神经网络某节点在t时刻遗忘门的激活向量值；bf为对应的偏置项；χt为LSTM神经元在t时刻的输入数据；Wi为输入层与隐藏层细胞单元之间的参数矩阵；ht-1为LSTM神经元在t-1时刻的输出；σ为sigmoid激活函数。
所述细胞神经单元中，当前时刻的单元状态Ct的计算式为
Figure BDA0002589416570000071
其中，it、ft分别为LSTM神经网络某节点在t时刻输入门和遗忘门的激活向量值；Ct-1为t-1时刻记忆单元的向量值；Ct为神经元细胞状态。
验证例：
将测得的输入信号A和信号B，通过本系统进行LSTM网络训练，获得模型固定参数R,再输入A时，获得预测输出C,利用C的数据特征和实际信号B的特征进行对比，发现模型输出C与信号B又叫好的贴合性，主要信号特征完全一样，说明该技术的有效性和实用性；
表1数据集C实际特征频率与预测特征频率对比
特征频率1 特征频率2 特征频率3
数据B实际频谱图 147.7Hz 161.7Hz 191.6Hz
数据C预测频谱图 147.6Hz 161.5Hz 191.5Hz
具体流程为：数据预处理：将输入数据和目标数据按30个数据为一个序列，分别分段截取为若干个序列的集合(轴承的转频为30Hz，故设置为30，其他的序列长度没试过，不知有无影响)；模型建立：搭建两层LSTM层，一层全链接层，激活函数采用‘elu’；模式训练：优化器选择Adam，Adam适合解决含大规模数据和参数优化问题，适用于非稳态目标，适用于解决包含很高噪声的问题；损失函数采用交叉熵函数(binary_crossentropy)；模型训练参数：Batch_size＝30，与输入一致。迭代次数epochs＝50。validation_split＝0.1，划分10％数据集用以验证。
该基于LSTM模型的振动传递系统忽略信号传递路径，直接根据测点A和测点B的原始数据信号，在LSTM模型的基础上，改变输入输出格式，设立输入门、输出门和遗忘门来组合数据，决定哪些新信息被存放到单元状态中，决定当前时刻需要输出的信息，并确定上一时刻的单元状态中被添加至当前蚀刻单元状态中的信息量，同时，将细胞状态贯穿整个过程，使信息以固定不变的方式传递，建立测点A到测点B的黑匣子模型，经验证，通过网络训练，研究A、B之间对应关系，获得固定的网络结构参数R，形成黑匣子路径传递模型，当再输入A时，直接可以获得B的原始信号，并利用其信号的频谱特征等来评价网络训练或获得信号的准确性，有效建立了针对任何A数据到B数据的信号传递黑匣子模型，不用根据设备的结构进行复杂的传递路径及特性的推导，并能广泛的推广到不明信号的传递特性利用中去。
以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (5)

1.基于LSTM模型的振动传递系统，包括若干递归连接的记忆区块，其特征在于：所述记忆区块包含细胞神经单元和乘法单元，所述乘法单元包括输入门、输出门和遗忘门，所述乘法单元对细胞神经单元进行连续的写、读和重置操作；
所述输入门将当前时刻的输入χt中的信息保存到当前时刻的单元状态Ct，且通过tanh函数决定当前时刻的候选信息ct，所述候选信息ct与决策向量it相乘，用以确定候选信息ct中被输入至单元状态Ct中的量；
所述输出门决定当前时刻的单元状态Ct中被输入到细胞神经单元的隐藏状态ht中的信息量；
所述遗忘门决定上一时刻的单元状态Ct-1保存到当前时刻的状态Ct中的信息量，当前时刻的输入χt和上一时刻的隐藏状态ht-1连接成一个新的特征向量，该特征向量与权重参数Wf相乘，输入sigmiod函数，利用决策向量ft与上一时刻的单元状态Ct-1相乘，用以确定上一时刻的单元状态Ct-1中被添加至单元状态Ct中的信息量，即遗忘门与前一状态连接来控制是否遗忘之前的输入信号；
所述细胞神经单元中，细胞状态贯穿整个过程，使信息以固定不变的方式传递。
2.根据权利要求1所述的基于LSTM模型的振动传递系统，其特征在于：所述输入门中，所述候选信息ct与决策向量it相乘，即输入门与输入信号相乘，输入到细胞神经单元中，决定哪些新信息被存放到单元状态Ct中，候选信息ct与决策向量it的计算表达式为：
it＝σ(Wi[ht-1,χt]+bi) (1)
ct＝tanh(Wc[ht-1,χt]+bc) (2)
其中，Wc为对应权重参数矩阵，bc为对应偏置，it为LSTM神经网络某节点在t时刻输入门的激活向量值；bi为对应的偏置项；χt为LSTM神经元在t时刻的输入数据；Wi为输入层与隐藏层细胞单元之间的参数矩阵；ht-1为LSTM神经元在t-1时刻的输出；σ为sigmoid激活函数；tanh为双曲正切函数。
3.根据权利要求1所述的基于LSTM模型的振动传递系统，其特征在于：所述输出门中，输出门的决策向量Ot与输出信号相乘决定本时刻需要输出的信息，决策向量Ot和细胞神经单元的隐藏状态ht的计算表达式为
Ot＝σ(W0[ht-1,χt]+b0) (3)
ht＝ot tanh(Ct) (4)
其中，Ot为LSTM神经网络某节点在t时刻输出门的激活向量值；bo为对应的偏置项；χt为LSTM神经元在t时刻的输入数据；Wo为隐藏层细胞单元与输出层之间的参数矩阵；ht为LSTM神经元在t时刻的输出；ht-1为LSTM神经元在t-1时刻的输出；Ct为神经元细胞状态；σ为sigmoid激活函数；tanh为双曲正切函数。
4.根据权利要求1所述的基于LSTM模型的振动传递系统，其特征在于：所述遗忘门中，ft的计算表达式为
ft＝σ(Wf[ht-1,χt]+bf) (5)
其中，ft为LSTM神经网络某节点在t时刻遗忘门的激活向量值；bf为对应的偏置项；χt为LSTM神经元在t时刻的输入数据；Wi为输入层与隐藏层细胞单元之间的参数矩阵；ht-1为LSTM神经元在t-1时刻的输出；σ为sigmoid激活函数。
5.根据权利要求1所述的基于LSTM模型的振动传递系统，其特征在于：所述细胞神经单元中，当前时刻的单元状态Ct的计算式为
Figure FDA0002589416560000031
其中，it、ft分别为LSTM神经网络某节点在t时刻输入门和遗忘门的激活向量值；Ct-1为t-1时刻记忆单元的向量值；Ct为神经元细胞状态。
CN202010691150.7A 2020-07-17 2020-07-17 基于lstm模型的振动传递系统 Pending CN111797979A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010691150.7A CN111797979A (zh) 2020-07-17 2020-07-17 基于lstm模型的振动传递系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010691150.7A CN111797979A (zh) 2020-07-17 2020-07-17 基于lstm模型的振动传递系统

Publications (1)

Publication Number Publication Date
CN111797979A true CN111797979A (zh) 2020-10-20

Family

ID=72807481

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010691150.7A Pending CN111797979A (zh) 2020-07-17 2020-07-17 基于lstm模型的振动传递系统

Country Status (1)

Country Link
CN (1) CN111797979A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112862213A (zh) * 2021-03-09 2021-05-28 中国华能集团清洁能源技术研究院有限公司 一种基于周期回馈lstm的供热需求量预估方法、系统及设备
CN117875521A (zh) * 2024-03-12 2024-04-12 北京市智慧交通发展中心(北京市机动车调控管理事务中心) 实时铁路客流量预测方法、系统、介质以及电子设备

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107958044A (zh) * 2017-11-24 2018-04-24 清华大学 基于深度时空记忆网络的高维序列数据预测方法和系统

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107958044A (zh) * 2017-11-24 2018-04-24 清华大学 基于深度时空记忆网络的高维序列数据预测方法和系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
崔维玉: "基于数据挖掘的水轮机异常预警方法研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 *
王俊等: "基于长短期记忆网络的钻前测井曲线预测方法", 《成都理工大学学报（自然科学版）》 *
赵淑芳等: "基于改进的 LSTM 深度神经网络语音识别研究", 《郑州大学学报（工学版）》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112862213A (zh) * 2021-03-09 2021-05-28 中国华能集团清洁能源技术研究院有限公司 一种基于周期回馈lstm的供热需求量预估方法、系统及设备
CN112862213B (zh) * 2021-03-09 2024-02-20 中国华能集团清洁能源技术研究院有限公司 一种基于周期回馈lstm的供热需求量预估方法、系统及设备
CN117875521A (zh) * 2024-03-12 2024-04-12 北京市智慧交通发展中心(北京市机动车调控管理事务中心) 实时铁路客流量预测方法、系统、介质以及电子设备
CN117875521B (zh) * 2024-03-12 2024-05-28 北京市智慧交通发展中心(北京市机动车调控管理事务中心) 实时铁路客流量预测方法、系统、介质以及电子设备

Similar Documents

Publication Publication Date Title
CN111797122B (zh) 高维重现概念漂移流数据的变化趋势预测方法及装置
CN108696331B (zh) 一种基于生成对抗网络的信号重构方法
CN111832228B (zh) 基于cnn-lstm的振动传递系统
CN110830303A (zh) 一种基于双向长短期记忆循环神经网络的网络流量预测方法
CN111292525A (zh) 基于神经网络的交通流预测方法
CN107798383B (zh) 改进的核极限学习机定位方法
CN113852432B (zh) 基于rcs-gru模型的频谱预测感知方法
CN111767791A (zh) 一种基于对抗正则化深度神经网络的到达角估计方法
CN115618296A (zh) 一种基于图注意力网络的大坝监测时序数据异常检测方法
CN111814956A (zh) 一种基于多维度二次特征提取的多任务学习的空气质量预测方法
CN111401565A (zh) 一种基于机器学习算法XGBoost的DOA估计方法
CN109284662B (zh) 一种基于迁移学习的水下声音信号分类方法
CN111797979A (zh) 基于lstm模型的振动传递系统
CN115018193A (zh) 基于lstm-ga模型的时间序列风能数据预测方法
CN116187835A (zh) 一种基于数据驱动的台区理论线损区间估算方法及系统
CN114596726B (zh) 基于可解释时空注意力机制的停车泊位预测方法
CN115392477A (zh) 基于深度学习的Skyline查询基数估计方法及装置
CN114357870A (zh) 基于局部加权偏最小二乘的计量设备运行性能预测分析方法
CN106295677A (zh) 一种联合拉斯正则项和特征自学习的水流图像分簇方法
CN108631817A (zh) 一种基于时频分析和径向神经网络进行跳频信号频段预测的方法
CN110837853A (zh) 一种快速分类模型构建方法
CN115730845A (zh) 一种电力系统动态估计方法、装置、设备和可读存储介质
CN115694985A (zh) 基于tmb的混合网络流量攻击预测方法
CN115348182A (zh) 一种基于深度堆栈自编码器的长期频谱预测方法
Wang et al. A fuzzy modeling method via Enhanced Objective Cluster Analysis for designing TSK model

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