CN111915006A - 一种基于有监督型sae的尾气硫化氢浓度实时监测方法 - Google Patents
一种基于有监督型sae的尾气硫化氢浓度实时监测方法 Download PDFInfo
- Publication number
- CN111915006A CN111915006A CN202010630151.0A CN202010630151A CN111915006A CN 111915006 A CN111915006 A CN 111915006A CN 202010630151 A CN202010630151 A CN 202010630151A CN 111915006 A CN111915006 A CN 111915006A
- Authority
- CN
- China
- Prior art keywords
- layer
- output
- vector
- encoder
- self
- 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
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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Combustion & Propulsion (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Sampling And Sample Adjustment (AREA)
- Investigating Or Analyzing Non-Biological Materials By The Use Of Chemical Means (AREA)
Abstract
本发明公开一种基于有监督型SAE的尾气硫化氢浓度实时监测方法,旨在使用有监督型SAE模型解决对硫回收装置尾气H2S浓度的在线实时监测问题。本发明方法通过在SAE训练的过程,将输出数据设定成浓度数据,而输入数据是常规可实时测量的流量数据。利用SAE深度特征挖掘的能力,不断提取对软测量输出有用的关键潜在特征,从而实现对H2S浓度的在线实时监测。与传统方法相比,本发明方法通过设定SAE的输出为硫化氢的浓度,而输出为常规可实时测量的流量数据,巧妙地将SAE拓展成了有监督型的SAE模型。此外,本发明方法还使用最小二乘回归进一步提升软测量的精度。最后,通过具体实施案例中对实验结果的对比验证了本发明方法的优越性。
Description
技术领域
本发明涉及一种软测量技术,特别涉及一种基于有监督型SAE的尾气硫化氢浓度实时监测方法。
背景技术
在现代化工工业生产中,尾气的排放对环境会造成很大的负面影响。为了降低对大气的影响,通常石化企业在尾气排放前安装有一个硫回收装置,在降低尾气中二氧化硫和硫化氢含量的同时,回收以硫为主的工业副产品。硫回收装置主要涉及如下所示的两个化学反应来实现对硫的回收:
2H2S+3O2→2SO2+2H2O
2H2S+SO2→3S+2H2O
通过上式可以发现,硫化氢(化学式为H2S)是主要的反应物,H2S浓度会直接影响二氧化硫(化学式为SO2)的浓度以及硫的回收。因此,实时监测H2S的浓度对于石化企业尾气排放具有重要的意义。一方面,相比于温度、压力、流量、液位等常规传感器而言,在线实时测量化学成分的浓度数据的仪表价格高昂,且须定期进行维护。另一方面,使用离线测量H2S浓度的技术手段无法做到监测的实时性。在这个背景下,软测量技术是可以解决H2S浓度在线实时监测的问题。
然后,使用何种软测量建模技术成为了H2S浓度实时监测是否能成功的关键。从保证软测量精度层面上讲,使用深度学习方法需要海量的样本数据。由于H2S浓度数据无法像温度流量那般实时测量,可用的浓度样本数据无法满足深度学习的要求。从硫回收装置的运行特点而言,其动态变化性特点强。利用流量数据信息来软测量H2S浓度还得考虑数据动态变化性强的问题。因此,充分的挖掘与H2S浓度相关的输入数据潜在特征,是非常有必要的。可幸的是,栈式自编码器提供了一种特征提取的方法技术。通过深度挖掘数据中潜藏的特征,栈式自编码器可以较好的重构原始数据。
值得注意的是,栈式自编码器是一类无监督型的建模技术。换句话说,只需要输入数据即可,因为输出数据就是输入数据。相比之下,软测量建模需要有监督型的建模技术。也就是说,软测量建模同时需要输入与输出数据。因此,如何将栈式自编码器(StackedAuto-Encoders,缩写:SAE)转变成有监督型,并将之应用于尾气H2S浓度的在线软测量是值得进一步研究的技术难题。
发明内容
本发明所要解决的主要技术问题是:如何使用有监督型SAE模型实现对硫回收装置尾气H2S浓度的在线实时监测。具体来讲,本发明方法通过在SAE训练的过程,将输出数据设定成浓度数据,而输入数据是常规可实时测量的流量数据。利用SAE深度特征挖掘的能力,不断提取对软测量输出有用的关键潜在特征,从而实现对H2S浓度的在线实时监测。
本发明方法解决上述问题所采用的技术方案为:一种基于有监督型SAE的尾气硫化氢浓度实时监测方法,包括以下步骤:
步骤(1):利用5个流量仪表实时测量硫回收装置中的流量数据,直至采集得到N个样本数据,分别记录成5个列向量x1,x2,x3,x4,x5,并利用离线分析仪获取相同采样时刻排放尾气中H2S的N个浓度数据,对应记录成列向量y,其中xi由第i个流量的N个样本数据组成,i∈{1,2,3,4,5}分别对应于未进化尾气流量,两个燃烧室的空气进料流量,酸-水汽提过程的气相流量,和酸-水汽提过程的鼓风流量。
其中,RN×5表示N×5维的实数矩阵,表示归一化处理后的第i个数据向量,xi(min)表示列向量xi中的最小值,xi(max)表示列向量xi中的最大值,ymin与ymax分别表示列向量y中的最小值和最大值。
步骤(3):根据如下所示公式组建N-9个输入向量z1,z2,…,zn,其中n=N-9。
zj=[X(j+9),X(j+4),X(j+2),X(j)]T ②
上式中,X(j+9),X(j+4),X(j+2),X(j)分别表示数据矩阵X中的第j+9行,第j+4行,第j+2行和第j行的行向量,j∈{1,2,…,n},zj∈R20×1表示第j个输入向量,R20×1表示20×1维的实数向量,上标号T表示矩阵或向量的转置。
步骤(4):搭建一个由M层自编码器串联组成的有监督型SAE,并确定隐层神经元激活函数f(u),输出层神经元激活函数ζ(u),和各层自编码器的隐层神经元个数h1,h2,…,hM;其中u表示函数自变量。
步骤(5):利用反向传播(Back-Propagation,缩写为BP)算法依次训练有监督型SAE第1层自编码器,第2层自编码器,直至第M层自编码器的隐层和输出层的权重系数W1,W2,…,WM和以及隐层和输出层的阈值b1,b2,…,bM和具体的实施过程如下所示。
步骤(5.1):第1层自编码器的输入层有20个神经元,隐层有h1个神经元,输出层有1个神经元,并分别初始化隐层和输出层的权重系数和阈值。
步骤(5.2):以z1,z2,…,zn做为第1层自编码器的输入,同时以做为第1层自编码器的输出,利用BP算法训练得到第1层自编码器的隐层和输出层的权重系数和以及隐层和输出层的阈值和后,初始化m=1,其中分别表示输出向量中的第10个,第11个,至第N个元素,表示h1×1维的实数向量。
步骤(5.3):第m+1层自编码器的输入层有hm个神经元,隐层有hm+1个神经元,输出层有1个神经元,并分别初始化隐层和输出层的权重系数和阈值。
步骤(5.4):以第m层自编码器隐层的输出向量g1(m),g2(m),…,gn(m)做为第m+1层自编码器的输入,同时以做为第m层自编码器的输出,再次利用BP算法训练得到第m+1层自编码器的隐层和输出层的权重系数和以及隐层和输出层的阈值和其中表示hm×hm+1维的实数矩阵,表示hm+1×1维的实数向量,g1(m),g2(m),…,gn(m)的计算方式如下所示:
上式中,j∈{1,2,…,n}。
上述实施步骤完成了对尾气H2S浓度的软测量建模,接下来就是利用在线实时测量的5个流量数据,实现对尾气H2S浓度的实时监测,具体实施步骤如下所示。
上式中,i∈{1,2,3,4,5}。
步骤(9):根据at=[v(t),v(t-5),v(t-7),v(t-9)]T组建最新采样时刻的输入向量at,其中,行向量v(t-5),v(t-7),v(t-9)分别表示t-5采样时刻,t-7采样时刻,和t-9采样时刻的测量数据经归一化处理后的数据组建的行向量。
步骤(12):返回步骤(8),继续实施对下一个最新采样时刻的尾气硫化氢的浓度在线监测。
通过以上所述实施步骤,本发明方法的优势介绍如下
首先,本发明方法通过设定SAE的输出为硫化氢的浓度,而输出为常规可实时测量的流量数据,巧妙地将SAE拓展成了有监督型SAE模型,从而建立相应的软测量模型;其次,本发明方法充分利用各层自编码器的输出估计值,使用最小二乘回归进一步提升软测量的精度。最后在接下来的具体实施案例中,通过实验结果的对比验证了本发明方法的优越性。
附图说明
图1为本发明方法的实施流程示意图。
图2为工业硫回收装置的组成结构及测量仪表示意图
图3为本发明方法中有监督型SAE的结构示意图。
图4为本发明方法与其他方法在监测尾气硫化氢浓度的结果对比。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
如图1所示,本发明公开了一种基于有监督型SAE的尾气硫化氢浓度实时监测方法,下面结合一个具体应用实例来说明本发明方法的具体实施方式。
如图2所示,工业硫磺回收装置通过四个子单元的并行工作将工业酸性气体中的硫磺进行回收产生副产品。经过处理后的工业酸性气体的SO2含量得到有效的降低,从而满足石化企业的环保生产要求;具体的组成包括:一个具备两个独立燃烧室的反应炉(F101)、四个冷凝器(E101~E104)、和两个催化反应器(R101与R102);图2所示的工业硫磺回收装置的流量测量仪表分别是未进化尾气流量仪表,两个燃烧室的空气进料流量仪表,酸-水汽提过程的气相流量仪表,和酸-水汽提过程的鼓风流量仪表。
首先,利用1000个样本数据离线训练软测量模型,具体包括如下所示步骤(1)至步骤(7)。
步骤(1):利用5个流量仪表实时测量硫回收装置中的流量数据,直至采集得到N个样本数据,分别记录成5个列向量x1,x2,x3,x4,x5,并利用离线分析仪获取相同测量时刻排放尾气中H2S的N个浓度数据,对应记录成列向量y。
步骤(3):根据上述公式②组建N-9个输入向量z1,z2,…,zn,其中n=N-9=991。
步骤(4):搭建一个由M=4层自编码器串联组成的栈式自编码器,其结构如图3所示,并确定各层自编码器的隐层神经元个数为h1,h2,h3,h4、隐层神经元激活函数f(u)为sigmoid函数,和输出层神经元激活函数ζ(u)为双曲正切函数。
步骤(5):根据前述步骤(5.1)至步骤(5.5)依次训练有监督型SAE第1层自编码器,第2层自编码器,直至第M层自编码器的隐层和输出层的权重系数W1,W2,W3,W4和以及隐层和输出层的阈值b1,b2,b3,b4和
值得指出的是,利用BP算法训练自编码器的权重系数和阈值时,需要确定相应的目标函数;以第m层的自编码器为例,其目标函数为:
至此,离线的软测量建模阶段完成,接下来就是利用在线实时测量的5个流量数据软测量得到尾气中SO2的含量,具体包括如下所示步骤(8)至步骤(12)。
步骤(9):根据at=[v(t),v(t-5),v(t-7),v(t-9)]T组建最新采样时刻的输入向量at。
步骤(12):返回步骤(8),继续实施对下一个最新采样时刻的尾气硫化氢的浓度在线监测。
用1000个在线采样时刻的数据进行测试,以监测误差做为衡量效果好坏的指标,得到如图4所示的监测误差对比图。图4中对比本发明方法与其他两种有监督型的神经网络软测量技术(浅层神经网络与多层神经网络)的监测误差,这里的监测误差是指浓度的在线监测数据与实测数据之差的绝对值,因此该误差越小,软测量的效果越好。从图4中可以发现,本发明方法误差均值以及变化范围都是最小的,其性能的稳定性得到了保证。
上述实施案例只用来解释说明本发明的具体实施,而不是对本发明进行限制。在本发明的精神和权利要求的保护范围内,对本发明做出的任何修改,都落入本发明的保护范围。
Claims (1)
1.一种基于有监督型SAE的尾气硫化氢浓度实时监测方法,其特征在于,包括以下步骤:首先,离线建模阶段包括如下所示步骤(1)至步骤(7);
步骤(1):利用5个流量仪表实时测量硫回收装置中的流量数据,直至采集得到N个样本数据,分别记录成5个列向量x1,x2,x3,x4,x5,并利用离线分析仪获取相同采样时刻排放尾气中硫化氢的N个浓度数据,对应记录成列向量y,其中xi由第i个流量的N个样本数据组成,i∈{1,2,3,4,5}分别对应于未进化尾气流量,两个燃烧室的空气进料流量,酸-水汽提过程的气相流量,和酸-水汽提过程的空气流量;
其中,RN×5表示N×5维的实数矩阵,表示归一化处理后的第i个数据向量,xi(min)表示列向量xi中的最小值,xi(max)表示列向量xi中的最大值,ymin与ymax分别表示列向量y中的最小值和最大值;
步骤(3):根据如下所示公式组建N-9个输入向量z1,z2,…,zn,其中n=N-9;
zj=[X(j+9),X(j+4),X(j+2),X(j)]T ②
上式中,X(j+9),X(j+4),X(j+2),X(j)分别表示数据矩阵X中的第j+9行,第j+4行,第j+2行和第j行的行向量,j∈{1,2,…,n},zj∈R20×1表示第j个输入向量,R20×1表示20×1维的实数向量,上标号T表示矩阵或向量的转置;
步骤(4):搭建一个由M层自编码器串联组成的有监督型SAE,并确定隐层神经元激活函数f(u),输出层神经元激活函数ζ(u),和各层自编码器的隐层神经元个数h1,h2,…,hM;其中u表示函数自变量;
步骤(5):利用BP算法依次训练有监督型SAE中第1层自编码器,第2层自编码器,直至第M层自编码器的隐层和输出层的权重系数W1,W2,…,WM和以及隐层和输出层的阈值b1,b2,…,bM和具体的实施过程如步骤(5.1)至步骤(5.5)所示;
步骤(5.1):第1层自编码器的输入层有20个神经元,隐层有h1个神经元,输出层有1个神经元,并分别初始化隐层和输出层的权重系数和阈值;
步骤(5.2):以z1,z2,…,zn做为第1层自编码器的输入,同时以做为第1层自编码器的输出,利用BP算法训练得到第1层自编码器的隐层和输出层的权重系数和以及隐层和输出层的阈值和后,初始化m=1,其中分别表示输出向量中的第10个,第11个,至第N个元素,表示h1×1维的实数向量;
步骤(5.3):第m+1层自编码器的输入层有hm个神经元,隐层有hm+1个神经元,输出层有1个神经元,并分别初始化隐层和输出层的权重系数和阈值;
步骤(5.4):以第m层自编码器隐层的输出向量g1(m),g2(m),…,gn(m)做为第m+1层自编码器的输入,同时以做为第m层自编码器的输出,再次利用BP算法训练得到第m+1层自编码器的隐层和输出层的权重系数和以及隐层和输出层的阈值和其中表示hm×hm+1维的实数矩阵,表示hm+1×1维的实数向量,g1(m),g2(m),…,gn(m)的计算方式如下所示:
上式中,j∈{1,2,…,n};
上述实施步骤完成了对尾气H2S浓度的软测量建模,接下来就是利用在线实时测量的5个流量数据,实现对尾气H2S浓度的实时监测,具体实施步骤如下所示;
上式中,i∈{1,2,3,4,5};
步骤(9):根据at=[v(t),v(t-5),v(t-7),v(t-9)]T组建最新采样时刻的输入向量at,其中,行向量v(t-5),v(t-7),v(t-9)分别表示t-5采样时刻,t-7采样时刻,和t-9采样时刻的测量数据经归一化处理后的数据组建的行向量;
步骤(12):返回步骤(8),继续实施对下一个最新采样时刻的尾气硫化氢的浓度在线监测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010630151.0A CN111915006B (zh) | 2020-06-23 | 2020-06-23 | 一种基于有监督型sae的尾气硫化氢浓度实时监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010630151.0A CN111915006B (zh) | 2020-06-23 | 2020-06-23 | 一种基于有监督型sae的尾气硫化氢浓度实时监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111915006A true CN111915006A (zh) | 2020-11-10 |
CN111915006B CN111915006B (zh) | 2023-09-29 |
Family
ID=73227316
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010630151.0A Active CN111915006B (zh) | 2020-06-23 | 2020-06-23 | 一种基于有监督型sae的尾气硫化氢浓度实时监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111915006B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112946187A (zh) * | 2021-01-22 | 2021-06-11 | 西安科技大学 | 一种基于神经网络的避难硐室实时状态监测方法 |
CN115825340A (zh) * | 2022-11-15 | 2023-03-21 | 北京化工大学 | 一种硫磺回收过程硫化氢浓度检测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105865853A (zh) * | 2016-05-16 | 2016-08-17 | 威海捷诺曼自动化科技有限公司 | 一种船舶废气排放在线分析系统 |
CN107543903A (zh) * | 2017-08-25 | 2018-01-05 | 北京林业大学 | 一种在线监测污泥脱水工艺氨气和硫化氢的方法和装置 |
CN108921343A (zh) * | 2018-06-26 | 2018-11-30 | 浙江工业大学 | 基于堆栈自编码器-支持向量回归的交通流量预测方法 |
CN110096810A (zh) * | 2019-05-05 | 2019-08-06 | 中南大学 | 一种基于逐层数据扩充深度学习的工业过程软测量方法 |
EP3537346A1 (en) * | 2018-03-09 | 2019-09-11 | Tata Consultancy Services Limited | Method and system for incorporating regression into stacked auto encoder (sae) |
-
2020
- 2020-06-23 CN CN202010630151.0A patent/CN111915006B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105865853A (zh) * | 2016-05-16 | 2016-08-17 | 威海捷诺曼自动化科技有限公司 | 一种船舶废气排放在线分析系统 |
CN107543903A (zh) * | 2017-08-25 | 2018-01-05 | 北京林业大学 | 一种在线监测污泥脱水工艺氨气和硫化氢的方法和装置 |
EP3537346A1 (en) * | 2018-03-09 | 2019-09-11 | Tata Consultancy Services Limited | Method and system for incorporating regression into stacked auto encoder (sae) |
CN108921343A (zh) * | 2018-06-26 | 2018-11-30 | 浙江工业大学 | 基于堆栈自编码器-支持向量回归的交通流量预测方法 |
CN110096810A (zh) * | 2019-05-05 | 2019-08-06 | 中南大学 | 一种基于逐层数据扩充深度学习的工业过程软测量方法 |
Non-Patent Citations (2)
Title |
---|
XIAOFENG YUAN ET.AL.: "Stacked isomorphic autoencoder based soft analyzer and its application to sulfur recovery unit", 《INFORMATION SCIENCES》, pages 72 - 84 * |
谢国 等: "列车轴温监测数据软测量方法", 《交通运输工程学报》, vol. 18, no. 6, pages 101 - 111 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112946187A (zh) * | 2021-01-22 | 2021-06-11 | 西安科技大学 | 一种基于神经网络的避难硐室实时状态监测方法 |
CN115825340A (zh) * | 2022-11-15 | 2023-03-21 | 北京化工大学 | 一种硫磺回收过程硫化氢浓度检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111915006B (zh) | 2023-09-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yuan et al. | Stacked enhanced auto-encoder for data-driven soft sensing of quality variable | |
CN111340292B (zh) | 一种基于聚类的集成神经网络pm2.5预测方法 | |
CN111273623B (zh) | 基于Stacked LSTM的故障诊断方法 | |
CN112904810B (zh) | 基于有效特征选择的流程工业非线性过程监测方法 | |
CN111915006A (zh) | 一种基于有监督型sae的尾气硫化氢浓度实时监测方法 | |
CN114297918A (zh) | 基于全注意力深度网络和动态集成学习的航空发动机剩余寿命预测方法 | |
Huang et al. | A novel Bayesian deep dual network with unsupervised domain adaptation for transfer fault prognosis across different machines | |
CN113011102B (zh) | 基于多元时间序列的Attention-LSTM的青霉素发酵过程故障预测方法 | |
Zhang et al. | A two-stage data-driven approach to remaining useful life prediction via long short-term memory networks | |
CN114722952A (zh) | 一种基于表示学习的轴承故障检测和分类的一体化方法 | |
Zhang et al. | Gated recurrent unit-enhanced deep convolutional neural network for real-time industrial process fault diagnosis | |
CN113609766B (zh) | 一种基于深度概率潜隐模型的软测量方法 | |
CN111709577A (zh) | 基于长程相关性gan-lstm的rul预测方法 | |
CN113984389A (zh) | 一种基于多感受野与改进胶囊图神经网络的滚动轴承故障诊断方法 | |
CN114004346A (zh) | 基于门控堆叠同构自编码器的软测量建模方法及存储介质 | |
WO2023231374A1 (zh) | 机械设备半监督故障检测分析方法、装置、终端及介质 | |
CN113159088A (zh) | 一种基于多特征融合和宽度学习的故障监测与诊断方法 | |
CN115062764B (zh) | 光照度智能调节与环境参数物联网大数据系统 | |
Curreri et al. | Soft sensor transferability between lines of a sulfur recovery unit | |
CN111916156B (zh) | 一种基于栈式自编码器的尾气含硫物质浓度实时预测方法 | |
CN111915005B (zh) | 一种工业硫磺回收装置尾气二氧化硫含量实时预测方法 | |
CN114861759A (zh) | 一种线性动态系统模型的分布式训练方法 | |
CN114021469A (zh) | 一种基于混合序列网络进行一段炉过程监测的方法 | |
He et al. | Improved Bi-LSTM with distributed nonlinear extensions and parallel inputs for soft sensing | |
CN114936669B (zh) | 一种基于数据融合的混合船舶横摇预测方法 |
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 |