CN112614552B - 基于bp神经网络的土壤重金属含量预测方法及系统 - Google Patents

基于bp神经网络的土壤重金属含量预测方法及系统 Download PDF

Info

Publication number
CN112614552B
CN112614552B CN202110002481.XA CN202110002481A CN112614552B CN 112614552 B CN112614552 B CN 112614552B CN 202110002481 A CN202110002481 A CN 202110002481A CN 112614552 B CN112614552 B CN 112614552B
Authority
CN
China
Prior art keywords
neural network
soil
heavy metal
population
metal content
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.)
Active
Application number
CN202110002481.XA
Other languages
English (en)
Other versions
CN112614552A (zh
Inventor
张聪
吕鑫涛
曹文琪
陈晓玲
谢松武
胡殿涛
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.)
Wuhan Polytechnic University
Original Assignee
Wuhan Polytechnic University
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 Wuhan Polytechnic University filed Critical Wuhan Polytechnic University
Priority to CN202110002481.XA priority Critical patent/CN112614552B/zh
Publication of CN112614552A publication Critical patent/CN112614552A/zh
Application granted granted Critical
Publication of CN112614552B publication Critical patent/CN112614552B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/30—Prediction of properties of chemical compounds, compositions or mixtures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种基于BP神经网络的土壤重金属含量预测方法及系统，包括输入土壤重金属数据集训练样本，以采取的土壤样本的区域经度、纬度、高度以及土壤农作物种植类型作为特征值，提取得到土壤中各种重金属的含量；设置BP神经网络的网络结构，初始化BP神经网络中输入层和隐藏层的权值与阈值通过分组教学优化算法对权值与阈值组成的个体随机生成种群；计算种群的适应度，执行能力分组阶段，比较种群中的适应度大小，执行教师分配阶段，对种群的个体进行更新；返回循环训练BP神经网络训练，直到满足结束条件，得到最优权值与阈值，得到土壤重金属含量预测模型；对需要预测的数据进行仿真预测，得到土壤中各种重金属的含量预测值。

Description

基于BP神经网络的土壤重金属含量预测方法及系统
技术领域
本发明涉及土壤重金属含量预测技术领域，特别涉及一种基于分组教学优化算法优化BP神经网络的土壤重金属预测方法及系统。
背景技术
随着人们日常生活的增多和工厂生产活动的发展，重金属会过多流入土壤，导致土壤的利用价值降低，对生态环境造成污染，更严重的可能危害到人体健康，造成巨大损失，因此要预防土壤重金属污染，对重金属的检测是必要且重要的一环。
目前，土壤重金属检测一般采用BP神经网络技术，例如：
专利号为201711281809.6的专利提供一种基于Elman神经网络模型的土壤重金属含量预测方法，训练后将土壤重金属含量的历史数据和测试样本的LIBS光谱数据处理后输入基于堆栈自编码网络的Elman神经网络预测分析模型中，完成对测试样本的土壤重金属含量的动态分析预测。Elman神经网络是一种典型的动态递归神经网络，它是在BP网络基本结构的基础上实现的。
BP神经网络是一种将误差反向传播算法与人工神经网络相结合的多层前馈神经网络算法。BP神经网络算法主要执行两个过程：训练样本从输入层输入，逐层计算传播达到输出层，产生一个预测输出结果，称为预测值，这个过程称之为信号正向传播；将预测值与训练样本的真实值进行比较，得到预测误差，将误差沿着神经网络进行反向传播，对每层的网络权值进行相应的修改变动，这个过程称之为误差反向传播。然后将这样的过程不断重复，直到最终的误差小于预先设定的值或者训练次数达到最大，得到最优的网络参数。
BP神经网络存在着收敛速度慢、容易陷入局部极小值等缺点，往往不能跳出局部最优解，导致网络训练速度慢，网络参数不能更新到最优解。因此，在土壤重金属含量预测方面，需要加快预测模型的训练速度，提高模型预测土壤重金属含量数值精度，以给予该领域的技术人员一种简洁精确的土壤重金属含量预测模型。
发明内容
本发明所提出的一种基于分组教学优化算法优化BP神经网络的土壤重金属含量预测方法，目的是通过分组教学优化算法的优秀的全局搜索能力对BP神经网络中的性能函数实现快速收敛，减少网络训练时间，快速找到神经网络最优的输入层、隐藏层的权值和阈值。
本发明提出的一种基于BP神经网络的土壤重金属含量预测方法，包括以下步骤：
步骤1，输入土壤重金属数据集训练样本，以采取的土壤样本的区域经度、纬度、高度以及土壤农作物种植类型作为特征值，提取得到土壤中各种重金属的含量，对各特征值和含量数据均进行归一化预处理；
步骤2，设置BP神经网络的网络结构，所述BP神经网络包括输入层、隐藏层和输出层，根据特征值确定输入层节点数、根据输出重金属的含量种类确定输出层节点数；
步骤3，初始化BP神经网络中输入层和隐藏层的权值(w1，w2)与阈值(b1，b2)，通过分组教学优化算法对权值与阈值组成的个体随机生成种群，对种群进行初始化操作；
其中，w1和b1是输入层到隐藏层之间的权值与阈值，w2和b2是隐藏层到输出层之间的权值与阈值；
步骤4，计算种群的适应度，执行分组教学优化算法的能力分组阶段，包括根据预设的适应度函数计算种群中每个个体的适应度大小，然后比较适应度大小，将适应度较大的一半种群个体分成优秀学生种群，将另一半适应度较小的种群个体分成一般学生种群；
步骤5，比较种群中的适应度大小，执行分组教学优化算法的教师分配阶段，从优秀学生种群和一般学生种群中选取教师；
步骤6，对种群的个体进行更新，执行分组教学优化算法的教师教学阶段与学生学习阶段；
步骤7，返回循环执行步骤4-6训练BP神经网络训练，直到满足结束条件，得到最优权值与阈值，得到土壤重金属含量预测模型，进入步骤8；
步骤8，根据步骤7所得土壤重金属含量预测模型，对需要预测的数据进行仿真预测，得到土壤中各种重金属的含量预测值。
而且，BP神经网络的结构采用传统三层BP网络。
而且，BP神经网络的隐藏层节点数采用试凑法确定。
而且，对数据进行归一化处理时，采用最大最小归一化处理方式。
而且，对BP神经网络采用动量梯度下降法作为网络的训练方法，训练函数为traingdm函数，将性能函数作为适应度函数，性能函数采用MSE函数。
本发明还提供一种基于BP神经网络的土壤重金属含量预测系统，用于实现如上所述的一种基于BP神经网络的土壤重金属含量预测方法。
而且，包括处理器和存储器，存储器用于存储程序指令，处理器用于调用存储器中的存储指令执行如上所述的一种基于BP神经网络的土壤重金属含量预测方法。
而且，包括可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序执行时，实现如上述所述的一种基于BP神经网络的土壤重金属含量预测方法。
本发明提出将分组教学优化算法与BP神经网络结合起来，能有效改善BP神经网络在训练土壤重金属数据集时出现权值和阈值不是最优的情况，而且也能进一步加快网络训练的时间，从而提高土壤重金属含量预测精度和效率。
附图说明
图1为本发明实施例流程图。
具体实施方式
以下结合附图和实施例具体说明本发明的技术方案。
本发明提出一种基于分组教学优化算法优化BP神经网络对数据的预测方法，能够为土壤重金属的预测提供一种新的模型，为土壤重金属的检测提供了一种便捷的渠道。
分组教学优化算法是受到分组教学机制的启发：学生首先要按照规定分成不同的小组，然后老师根据每个小组的特点，指定相应的教学方案，对所有小组进行教学来提高小组知识。分组教学优化算法是一种新型的全局优化算法。本发明考虑到土壤重金属的检测特点，打破现有土壤重金属检测技术常规，提出将其应用到土壤重金属检测所采用的BP神经网络的优化中，能够大幅提高土壤重金属含量预测精度和效率。
参见图1，本发明实施例提出的一种基于BP神经网络的土壤重金属含量预测方法，基于分组教学优化算法优化BP神经网络对数据的预测，包括步骤如下：
步骤1，输入土壤重金属数据集训练样本，以采取的土壤样本的区域经度、纬度、高度以及土壤农作物种植类型作为特征值，对农作物种植类型进行编号，通过激光诱导击穿光谱法得到土壤中八种重金属的含量，其中八种重金属包括砷(As)、铜(Cd)、铬(Cr)、铜(Cu)、镍(Ni)、铅(Pb)、锌(Zn)和汞(Hg)，对训练数据四种特征值以及八种重金属含量输出值进行最大最小归一化预处理；
步骤2，设置BP神经网络的网络结构参数。所述BP神经网络的结构采用传统三层BP网络，包括一个输入层、一个隐藏层和一个输出层。BP神经网络的网络结构参数包括输入层节点数、隐藏层节点数、输出层节点数、激活函数、学习率、训练函数、性能函数、动量项系数、预定目标误差以及最大训练次数参数，其中输入层节点数是根据土壤重金属数据集中的四个特征值相应设置为4，隐含层节点的确定采用试凑法，通过给定隐藏层节点数范围，一次一次的对神经网路进行训练，使用同一样本土壤重金属数据集测试训练，最终选取误差最小的隐藏层个数，输出层是包括砷(As)、铜(Cu)、铬(Cr)、铜(Cu)、镍(Ni)、铅(Pb)、锌(Zn)和汞(Hg)八种重金属含量的输出，因此输出层个数为8，激活函数采用tanh函数，对BP神经网络采用动量梯度下降法作为网络的训练方法，训练函数为traingdm函数，性能函数为MSE函数，将性能函数作为适应度函数，动量项系数、学习率、预定目标误差，最大训练次数相关参数可以根据预测的土壤重金属数据集来做确定；
步骤3，初始化BP神经网络中输入层和隐藏层的权值(w1，w2)与阈值(b1，b2)，通过分组教学优化算法对相应的权值与阈值个体随机生成种群，即有四个种群。
其中，w1和b1是输入层到隐藏层之间的权值与阈值，w2和b2是隐藏层到输出层之间的权值与阈值。本发明将权值与阈值作为种群中的个体，即分组教学优化算法的搜索粒子。
对种群的初始化操作为：
Figure BDA0002882139840000051
wi，j＝li+(ui-li)×k
其中，N是生成种群的大小，即一个种群中生成N个个体，具体实施时用户可预设取值；D是输入层的个数，即维度，实施例中以采取的土壤样本的区域经度、纬度、高度以及土壤农作物种植类型作为特征值，因此取D＝4；wi，j是是生成种群中第i个个体wi第j维的大小，u和l分别是权值和阈值的上下界，ui是每个个体wi对应的上界，li是每个个体wi对应的下界，i＝1，2，...N，j＝1，2，...D。k是[0，1]之间的随机数。
步骤4，计算种群个体的适应度，执行分组教学优化算法的能力分组阶段，根据给出的适应度函数计算种群中每个个体的适应度大小，然后比较适应度大小，将适应度较大的一半种群个体分成优秀学生种群，将另一半适应度较小的种群个体分成一般学生种群。
步骤5，比较种群中个体的适应度大小，执行分组教学优化算法的教师分配阶段，对于优秀学生种群和一般学生种群中选取教师，采用模仿灰狼优化算法中的保留三个最优解的思想，从分组之间的种群中选取三个最优的个体，取它们的平均值，计算适应度值，将其与最优的进行比较，从两者之间选取较好的个体作为优秀学生种群和一般学生种群的教师。
步骤6，对权值和阈值种群的个体进行更新，为了得到更好的土壤重金属预测模型，需要对网络中的权值(w1，w2)与阈值(b1，b2)进行更优的更新，教师教学阶段分为两个部分，对于优秀学生，学生的接受知识能力较强，教师旨在提高全班学生的平均知识水平，对于一般学生，学生的接受能力较弱，教师更倾向于从个体角度来提高学生的知识水平，教师通过不同的方式对学生进行教学。学生学习阶段分为两个部分，学生可以通过自学提高自己的知识水平，也可以通过向其他同学学习来提高知识水平。
具体实施时，在对一般学生种群和优秀学生种群执行教师教学阶段和学生学习阶段时，两个种群的在各个阶段的更新操作没有顺序限制。
步骤7，未达到结束条件时，循环执行步骤4-6，直至BP神经网络训练结束，得到符合条件的最优权值与阈值，得到土壤重金属含量预测模型，进入步骤8。
步骤8，执行完步骤7后，得到最优的权值与阈值，即得到一个土壤重金属含量预测模型，将需要的预测的数据集进行步骤1中的归一化预处理方式进行数据处理，然后将模型对预处理之后的土壤重金属数据进行仿真预测，得到土壤中各种重金属的含量预测值。
具体实施时，可采用官方公布或具有真实性的相关数据集，利用土壤重金属含量预测模型进行预测。本发明提出的一种对土壤重金属含量的预测方法，在土壤重金属检测中提供了一种新颖的预测模型，也可针对不同类型的数据进行预测实验，能够解决目前神经网络在多个行业中的应用。
本发明提供了该领域的技术人员可以实现的技术方案，未详细描述的部分属于本领域公知的技术。
具体实施时，本发明技术方案提出的方法可由本领域技术人员采用计算机软件技术实现自动运行流程，实现方法的系统装置例如存储本发明技术方案相应计算机程序的计算机可读存储介质以及包括运行相应计算机程序的计算机设备，也应当在本发明的保护范围内。
在一些可能的实施例中，提供一种基于区域风格一致性的妆容风格迁移系统，包括处理器和存储器，存储器用于存储程序指令，处理器用于调用存储器中的存储指令执行如上所述的一种基于区域风格一致性的妆容风格迁移方法。
在一些可能的实施例中，提供一种基于区域风格一致性的妆容风格迁移系统，包括可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序执行时，实现如上所述的一种基于区域风格一致性的妆容风格迁移方法。
以上实施例仅供说明本发明使用，而不是对本发明的限制，本发明所属的技术领域的技术人员可以对实施例进行修改或补充或采用类似的方法替代，本着不脱离本发明的精神和范围的条件下，可以做出各种变换或者变型，因此所有等同的技术方案，都落入本发明的保护范围。

Claims (8)

1.一种基于BP神经网络的土壤重金属含量预测方法，其特征在于，包括以下步骤：
步骤1，输入土壤重金属数据集训练样本，以采取的土壤样本的区域经度、纬度、高度以及土壤农作物种植类型作为特征值，提取得到土壤中各种重金属的含量，对各特征值和含量数据均进行归一化预处理；
步骤2，设置BP神经网络的网络结构，所述BP神经网络包括输入层、隐藏层和输出层，根据特征值确定输入层节点数、根据输出重金属的含量种类确定输出层节点数；
步骤3，初始化BP神经网络中输入层和隐藏层的权值(w1，w2)与阈值(b1,b2)，通过分组教学优化算法对权值与阈值组成的个体随机生成种群，对种群进行初始化操作；
其中，w1和b1是输入层到隐藏层之间的权值与阈值，w2和b2是隐藏层到输出层之间的权值与阈值；
步骤4，计算种群的适应度，执行分组教学优化算法的能力分组阶段，包括根据预设的适应度函数计算种群中每个个体的适应度大小，然后比较适应度大小，将适应度较大的一半种群个体分成优秀学生种群，将另一半适应度较小的种群个体分成一般学生种群；
步骤5，比较种群中的适应度大小，执行分组教学优化算法的教师分配阶段，从优秀学生种群和一般学生种群中选取教师；
步骤6，对种群的个体进行更新，执行分组教学优化算法的教师教学阶段与学生学习阶段；
步骤7，返回循环执行步骤4-6训练BP神经网络训练，直到满足结束条件，得到最优权值与阈值，得到土壤重金属含量预测模型，进入步骤8；
步骤8，根据步骤7所得土壤重金属含量预测模型，对需要预测的数据进行仿真预测，得到土壤中各种重金属的含量预测值。
2.根据权利要求1所述一种基于BP神经网络的土壤重金属含量预测方法，其特征在于：BP神经网络的结构采用三层BP网络。
3.根据权利要求2所述一种基于BP神经网络的土壤重金属含量预测方法，其特征在于：BP神经网络的隐藏层节点数采用试凑法确定。
4.根据权利要求1或2或3所述一种基于BP神经网络的土壤重金属含量预测方法，其特征在于：对数据进行归一化处理时，采用最大最小归一化处理方式。
5.根据权利要求1或2或3所述一种基于BP神经网络的土壤重金属含量预测方法，其特征在于：对BP神经网络采用动量梯度下降法作为网络的训练方法，训练函数为traingdm函数，将性能函数作为适应度函数，性能函数采用MSE函数。
6.一种基于BP神经网络的土壤重金属含量预测系统，其特征在于：用于实现如权利要求1-5任一项所述的一种基于BP神经网络的土壤重金属含量预测方法。
7.根据权利要求6所述基于BP神经网络的土壤重金属含量预测系统，其特征在于：包括处理器和存储器，存储器用于存储程序指令，处理器用于调用存储器中的存储指令执行如权利要求1-5任一项所述的一种基于BP神经网络的土壤重金属含量预测方法。
8.根据权利要求6所述基于BP神经网络的土壤重金属含量预测系统，其特征在于：包括可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序执行时，实现如权利要求1-5任一项所述的一种基于BP神经网络的土壤重金属含量预测方法。
CN202110002481.XA 2021-01-04 2021-01-04 基于bp神经网络的土壤重金属含量预测方法及系统 Active CN112614552B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110002481.XA CN112614552B (zh) 2021-01-04 2021-01-04 基于bp神经网络的土壤重金属含量预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110002481.XA CN112614552B (zh) 2021-01-04 2021-01-04 基于bp神经网络的土壤重金属含量预测方法及系统

Publications (2)

Publication Number Publication Date
CN112614552A CN112614552A (zh) 2021-04-06
CN112614552B true CN112614552B (zh) 2022-06-07

Family

ID=75253373

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110002481.XA Active CN112614552B (zh) 2021-01-04 2021-01-04 基于bp神经网络的土壤重金属含量预测方法及系统

Country Status (1)

Country Link
CN (1) CN112614552B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113837474A (zh) * 2021-09-27 2021-12-24 北京信息科技大学 区域土壤重金属污染指数预测方法及装置
CN114509556B (zh) * 2022-01-10 2022-11-04 北京科技大学 一种预测场地重金属污染物浓度的方法
CN115081335B (zh) * 2022-06-30 2024-07-16 三峡大学 一种改进深度极限学习机的土壤重金属空间分布预测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107844870A (zh) * 2017-12-07 2018-03-27 中国科学院合肥物质科学研究院 基于Elman神经网络模型的土壤重金属含量预测方法
CN109299779A (zh) * 2018-08-07 2019-02-01 华南农业大学 Ga-bp神经网络模型的训练方法及终端设备
CN109902406A (zh) * 2019-03-06 2019-06-18 苏州市环境科学研究所 一种基于深度学习的检测土壤重金属含量的方法及应用
CN111598460A (zh) * 2020-05-18 2020-08-28 武汉轻工大学 土壤重金属含量的监测方法、装置、设备及存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060020563A1 (en) * 2004-07-26 2006-01-26 Coleman Christopher R Supervised neural network for encoding continuous curves

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107844870A (zh) * 2017-12-07 2018-03-27 中国科学院合肥物质科学研究院 基于Elman神经网络模型的土壤重金属含量预测方法
CN109299779A (zh) * 2018-08-07 2019-02-01 华南农业大学 Ga-bp神经网络模型的训练方法及终端设备
CN109902406A (zh) * 2019-03-06 2019-06-18 苏州市环境科学研究所 一种基于深度学习的检测土壤重金属含量的方法及应用
CN111598460A (zh) * 2020-05-18 2020-08-28 武汉轻工大学 土壤重金属含量的监测方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN112614552A (zh) 2021-04-06

Similar Documents

Publication Publication Date Title
CN112614552B (zh) 基于bp神经网络的土壤重金属含量预测方法及系统
CN107766929A (zh) 模型分析方法及装置
CN111199270B (zh) 一种基于深度学习的区域波高预报方法及终端
CN108460134A (zh) 基于多源域集成迁移学习的文本主题分类模型及分类方法
CN106628097A (zh) 一种基于改进径向基神经网络的船舶设备故障诊断方法
CN109840595A (zh) 一种基于群体学习行为特征的知识追踪方法
CN114529819A (zh) 一种基于知识蒸馏学习的生活垃圾图像识别方法
CN113554156B (zh) 基于注意力机制与可变形卷积的多任务图像处理方法
CN112581264A (zh) 一种基于蝗虫算法优化mlp神经网络的信用风险预测方法
CN113239211A (zh) 一种基于课程学习的强化学习知识图谱推理方法
CN111292124A (zh) 一种基于优化组合神经网络的需水预测方法
CN108416483A (zh) 基于pso优化的rbf模型教学质量评价预测方法
CN108364098A (zh) 一种天气特征对用户签到影响的度量方法
CN109408896B (zh) 一种污水厌氧处理产气量多元智能实时监控方法
CN118297106A (zh) 一种天然气管道泄漏风险预测优化方法
CN107392315A (zh) 一种优化大脑情感学习模型的方法
CN117079504B (zh) 一种大数据精准教学批阅系统的错题数据管理方法
CN112200208B (zh) 基于多维度特征融合的云工作流任务执行时间预测方法
CN111126827A (zh) 一种基于bp人工神经网络的投入产出核算模型构建方法
CN115906959A (zh) 基于de-bp算法的神经网络模型的参数训练方法
Liu et al. Prediction of the impact of college students' behavior on employment rate
CN111160530A (zh) 模型的压缩处理方法、装置及计算机设备
Zhao et al. Neural network based on convolution and self-attention fusion mechanism for plant leaves disease recognition
Kakoty et al. Fuzzy expert logic to evaluate learner's expertise level in e-learning environment
Nordbotten Editing and imputation by means of neural networks

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