CN112836432A - 基于迁移学习的室内颗粒悬浮物浓度预测方法 - Google Patents

基于迁移学习的室内颗粒悬浮物浓度预测方法 Download PDF

Info

Publication number
CN112836432A
CN112836432A CN202110174476.7A CN202110174476A CN112836432A CN 112836432 A CN112836432 A CN 112836432A CN 202110174476 A CN202110174476 A CN 202110174476A CN 112836432 A CN112836432 A CN 112836432A
Authority
CN
China
Prior art keywords
domain
data
model
indoor
daelm
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
CN202110174476.7A
Other languages
English (en)
Inventor
刘毅
马正阳
娄维尧
郑水华
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.)
Zhejiang University of Technology ZJUT
Original Assignee
Zhejiang University of Technology ZJUT
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 Zhejiang University of Technology ZJUT filed Critical Zhejiang University of Technology ZJUT
Priority to CN202110174476.7A priority Critical patent/CN112836432A/zh
Publication of CN112836432A publication Critical patent/CN112836432A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06N3/048—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
    • 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"

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

基于迁移学习的室内颗粒悬浮物浓度预测方法，属于颗粒悬浮物浓度预测技术领域。它包括以下步骤：步骤1、数据获取和整合：对不同室内环境条件下的颗粒悬浮物浓度变化情况进行监测，并按照源域和目标域数据量的不同进行数据的收集和整合；步骤2、建模训练：构建域适应迁移算法DAELM模型，并进行学习训练；步骤3、将训练后的DAELM模型用于目标域的室内颗粒悬浮物浓度预测，并给出预测结果。本发明专利通过将迁移算法引入室内颗粒悬浮物浓度预测领域，能有用于预测只有少量信息的目标室内环境条件下的颗粒悬浮物浓度变化情况，提高了模型的泛化性能，有效解决当前室内颗粒悬浮物浓度预测方法泛化性能较差的问题。

Description

基于迁移学习的室内颗粒悬浮物浓度预测方法
技术领域
本发明专利属于颗粒悬浮物浓度预测技术领域，具体涉及基于迁移学习的室内颗粒悬浮物浓度预测方法。
背景技术
随着社会的不断发展和人们生活水平的不断提升，人们对空气质量(颗粒悬浮物浓度高低水平)的关注也越来越多。颗粒悬浮物是指空气中直径小于等于一定数值的颗粒物，颗粒悬浮物可以较长时间地悬浮物在空气中。虽然颗粒悬浮物只是空气中含量很少的组分，但是由于其具有粒径小、面积大、活性强、易附带有毒有害物质等特点，其对人体健康和空气质量等具有很大的影响。作为人们每天停留时间最长的地方，室内场所的空气质量也越发受到重视。
目前，对室内颗粒悬浮物浓度预测的研究较少，现有的方法基本基于机器学习和深度学习等方法进行，即监测室内颗粒悬浮物浓度的变化，利用相关算法对颗粒悬浮物浓度的变化趋势进行研究，并做出未来变化的预测。目前常用的算法有神经网络算法、支持向量机算法(SVM)和极限学习机算法(ELM)等。但是，由于不同的室内环境对室内颗粒悬浮物浓度的变化影响较大，而当前的研究多针对某一特定的室内环境，因此，当前对室内颗粒悬浮物浓度预测的研究存在较大的局限性，当前的预测方法只能对某一种特定室内环境条件下的颗粒悬浮物浓度进行预测，无法对其他不同室内环境条件下的颗粒悬浮物浓度进行泛化预测。
发明专利内容
针对现有技术中存在的上述问题，本发明专利的目的在于提供一种基于迁移学习的室内颗粒悬浮物浓度预测方法，该方法相较于现有方法引入了迁移算法，增强了模型的泛化性能，可以对不同室内环境条件下的颗粒悬浮物浓度变化进行预测。
本发明专利提供如下技术方案：基于迁移学习的室内颗粒悬浮物浓度预测方法，其特征在于：包括以下步骤:
步骤1、数据获取和整合：对不同室内环境条件下的颗粒悬浮物浓度变化情况进行监测，并按照源域和目标域数据量的不同进行数据的收集和整合；
步骤2、建模训练：构建域适应迁移算法DAELM模型，利用域适应迁移算法DAELM模型对步骤一中整合的数据进行学习训练；
步骤3、将训练后的DAELM模型用于目标域的室内颗粒悬浮物浓度预测，并给出预测结果。
所述的基于迁移学习的室内颗粒悬浮物浓度预测方法，其特征在于所述步骤1包括以下具体步骤：
步骤1.1、分别对源域室内环境条件下的悬浮物浓度变化和目标域室内环境条件下的悬浮物浓度变化进行监测，按照源域数据大于目标域数据的原则进行悬浮物浓度数据的测量；
步骤1.2、将步骤1.1中所获取的源域数据和目标域数据进行组合，按照特征数据和标签数据分别组合的原则进行数据重组，以获得DAELM模型的输入特征数据。
所述的基于迁移学习的室内颗粒悬浮物浓度预测方法，其特征在于所述步骤2中，所述域适应迁移算法DAELM模型基于ELM算法构建，所述域适应迁移算法DAELM模型在对源域数据进行学习训练的同时，加入对目标域数据的训练学习，将域适应迁移算法DAELM模型中的预测性能从源域迁移到目标域中。
所述的基于迁移学习的室内颗粒悬浮物浓度预测方法，其特征在于所述ELM算法网络结构如下所示：
Figure BDA0002940184120000031
其中，L为ELM算法网络隐藏层个数，wj是连接隐藏层中第j个节点和输入节点的输入权重，bj是隐藏层中第j个节点的偏置值，βj是连接隐藏层中第j个节点和输出节点的输出权重，h(·)是隐藏层激活函数，一般采用sigmoid函数。
所述的基于迁移学习的室内颗粒悬浮物浓度预测方法，其特征在于所述ELM算法的神经元之间的参数在构建模型时以通过随机生成的方式产生，且在后续的模型训练过程中不再发生变化；设置隐含层神经元的个数为L，并计算隐藏层与输出层的连接权值β，便可以获得唯一的最优解；ELM的优化目标函数lELM如下式所示：
Figure BDA0002940184120000032
s.t.h(xi)β＝yi-ξi,i＝1,2,K,N
其中，ξi是第i个训练样本的预测误差，γ是模型的惩罚参数。
所述的基于迁移学习的室内颗粒悬浮物浓度预测方法，其特征在于所述域适应迁移算法DAELM模型中的预测性能从源域迁移到目标域的过程中，域适应迁移算法DAELM在ELM的基础上将目标域的经验误差作为额外的正则化项，对源域的特征学习进行修正；域适应迁移算法DAELM的优化目标函数lDAELM如下式所示：
Figure BDA0002940184120000033
Figure BDA0002940184120000034
其中，
Figure BDA0002940184120000035
分别为源域隐藏层的输出，源域第i个样本的预测误差以及在源域第i个样本的输出标签；
Figure BDA0002940184120000036
分别为目标域隐藏层的输出，目标域第j个样本的预测误差以及在目标域第j个样本的输出标签；
Figure BDA0002940184120000041
为源域样本的输出权重；Ns和Nt分别为源域训练样本数和目标域训练样本数；λs和λt分别为源域训练样本的预测误差惩罚参数和目标域训练样本的预测误差惩罚参数。
所述的基于迁移学习的室内颗粒悬浮物浓度预测方法，其特征在于所述步骤3中，包括以下步骤：
步骤3.1、将所收集到的目标域的室内颗粒悬浮物浓度数据输入训练后的域适应迁移算法DAELM模型，对数据进行标准化处理，具体公式如下所示：
Figure BDA0002940184120000042
其中，x'是经标准化处理后的数据，x是未经标准化处理的原数据，μ是数据的均值，σ是数据的标准差；
步骤3.2、使用均方根误差RMSE指标对训练后的DAELM模型的预测结果进行评估，具体公式如下所示：
Figure BDA0002940184120000043
其中，
Figure BDA0002940184120000044
表示真实数据，yi表示模型的输出，k表示测试集包含样本个数。
通过采用上述技术，与现有技术相比，本发明专利的有益效果如下：
本发明通过将迁移算法引入室内颗粒悬浮物浓度预测领域，可分别将具有充足信息和只有少量信息的室内环境条件下的颗粒悬浮物浓度变化数据相结合并训练，用于预测只有少量信息的目标室内环境条件下的颗粒悬浮物浓度变化情况，提高了模型的泛化性能，有效解决当前室内颗粒悬浮物浓度预测方法泛化性能较差的问题。
附图说明
图1为本发明方法中对室内颗粒悬浮物浓度的预测值与真实值的对比图。
具体实施方式
为了使本发明专利的目的、技术方案及优点更加清楚明白，以下结合说明书附图及实施例，对本发明专利进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明专利，并不用于限定本发明专利。
相反，本发明专利涵盖任何由权利要求定义的在本发明专利的精髓和范围上做的替代、修改、等效方法以及方案。进一步，为了使公众对本发明专利有更好的了解，在下文对本发明专利的细节描述中，详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本发明专利。
实施例一：
请参阅图1，基于迁移学习的室内颗粒悬浮物浓度预测方法,包含以下步骤：
1)数据获取和整合：对不同室内环境条件下的颗粒悬浮物浓度变化情况进行监测，并按照源域和目标域数据量的不同进行数据的收集和整理。
具体做法是分别对源域室内环境条件下的悬浮物浓度变化和目标域室内环境条件下的悬浮物浓度变化进行监测，按照源域数据远大于目标域数据的原则进行悬浮物浓度数据的测量；将所获取的源域数据和目标域数据进行组合，按照特征数据和标签数据分别组合的原则进行数据重组，以获得DAELM模型的输入特征数据。
2)建模训练：构建基于ELM算法的域适应迁移算法DAELM模型，模型的输入和输出特征分别为上一步所组合的数据；然后利用DAELM模型对所整合的数据进行学习训练。
具体做法是依托相关算法构建室内颗粒悬浮物浓度预测模型；DAELM是一种域适应迁移算法，其主要基于ELM算法构建；ELM算法是一种非传统的单隐层前馈神经网络算法，但其结构与常规神经网络算法相同；ELM网络具有L个隐藏层，则ELM网络结构如下所示：
Figure BDA0002940184120000061
其中，wj是连接隐藏层中第j个节点和输入节点的输入权重，bj是隐藏层中第j个节点的偏置值，βj是连接隐藏层中第j个节点和输出节点的输出权重，h(·)是隐藏层激活函数，一般采用sigmoid函数。
一般的单隐含层前馈神经网络算法中的相关权重参数和偏置是需要通过对数据进行不断学习而不断优化调整的，而ELM算法的神经元之间的连接权重和偏差等参数不需要通过训练数据生成，而是在构建模型时便以通过随机生成的方式产生，且在后续的模型训练过程中不再发生变化；只需要设置隐含层神经元的个数L，并计算隐藏层与输出层的连接权值β，便可以获得唯一的最优解；ELM的优化目标函数lELM如下式所示。
Figure BDA0002940184120000062
s.t.h(xi)β＝yi-ξi,i＝1,2,K,N
其中，ξi是第i个训练样本的预测误差，γ是模型的惩罚参数。
基于ELM算法，根据迁移算法的思想，DAELM不仅对源域中的数据进行学习训练，而且加入了对目标域的训练学习；这样做的目的是，DAELM模型在学习了源域的特征之后，其所学习到的特征会进一步被来自目标域的数据调整，并向目标域的特征方向进行转化，由此，DAELM由此可将模型的预测性能从源域迁移到目标域中；具体而言，DAELM在ELM的基础上将目标域的经验误差作为额外的正则化项，对源域的特征学习进行修正；DAELM的优化目标函数lDAELM如下式所示：
Figure BDA0002940184120000071
Figure BDA0002940184120000072
其中，
Figure BDA0002940184120000073
分别为源域隐藏层的输出，源域第i个样本的预测误差以及在源域第i个样本的输出标签；
Figure BDA0002940184120000074
分别为目标域隐藏层的输出，目标域第j个样本的预测误差以及在目标域第j个样本的输出标签；
Figure BDA0002940184120000075
为源域样本的输出权重；Ns和Nt分别为源域训练样本数和目标域训练样本数；λs和λt分别为源域训练样本的预测误差惩罚参数和目标域训练样本的预测误差惩罚参数。
通过整合不同领域中的标签数据，域适应迁移算法DAELM模型可以将来自源域的特征经过调整迁移至目标域，由此DAELM可以对只有少量信息的目标域的室内环境条件下颗粒悬浮物浓度进行准确预测。
3)模型预测：将训练后的DAELM模型用于目标域的室内颗粒悬浮物浓度预测，并给出预测结果。
具体做法是将所收集到的目标域的室内颗粒悬浮物浓度的少量数据输入训练后的DAELM模型，但由于源域和目标域的数据之间具有较大差异，因此需要对数据进行标准化处理，便于模型的处理和运算，具体公式如下所示：
Figure BDA0002940184120000076
其中，x'是经标准化处理后的数据，x是未经标准化处理的原数据，μ是数据的均值，σ是数据的标准差。
使用RMSE指标对训练后的DAELM模型的预测结果进行评估，具体公式如下所示：
Figure BDA0002940184120000077
其中，
Figure BDA0002940184120000081
表示真实数据，yi表示模型的输出，k表示测试集包含样本个数。
表1是模型预测结果的评估情况，附图1是模型预测结果与真实值的对比。可以看出模型可以准确地预测只有少量信息的室内颗粒悬浮物浓度变化情况。
表1.DAELM关于室内颗粒悬浮物浓度预测的结果
Figure BDA0002940184120000082
以上所述仅为本发明专利的较佳实施例而已，并不用以限制本发明专利，凡在本发明专利的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明专利的保护范围之内。

Claims (7)

1.基于迁移学习的室内颗粒悬浮物浓度预测方法，其特征在于：包括以下步骤:
步骤1、数据获取和整合：对不同室内环境条件下的颗粒悬浮物浓度变化情况进行监测，并按照源域和目标域数据量的不同进行数据的收集和整合；
步骤2、建模训练：构建域适应迁移算法DAELM模型，利用域适应迁移算法DAELM模型对步骤一中整合的数据进行学习训练；
步骤3、将训练后的DAELM模型用于目标域的室内颗粒悬浮物浓度预测，并给出预测结果。
2.根据权利要求1所述的基于迁移学习的室内颗粒悬浮物浓度预测方法，其特征在于所述步骤1包括以下具体步骤：
步骤1.1、分别对源域室内环境条件下的悬浮物浓度变化和目标域室内环境条件下的悬浮物浓度变化进行监测，按照源域数据大于目标域数据的原则进行悬浮物浓度数据的测量；
步骤1.2、将步骤1.1中所获取的源域数据和目标域数据进行组合，按照特征数据和标签数据分别组合的原则进行数据重组，以获得DAELM模型的输入特征数据。
3.根据权利要求1所述的基于迁移学习的室内颗粒悬浮物浓度预测方法，其特征在于所述步骤2中，所述域适应迁移算法DAELM模型基于ELM算法构建，所述域适应迁移算法DAELM模型在对源域数据进行学习训练的同时，加入对目标域数据的训练学习，将域适应迁移算法DAELM模型中的预测性能从源域迁移到目标域中。
4.根据权利要求3所述的基于迁移学习的室内颗粒悬浮物浓度预测方法，其特征在于所述ELM算法网络结构如下所示：
Figure FDA0002940184110000011
其中，L为ELM算法网络隐藏层个数，wj是连接隐藏层中第j个节点和输入节点的输入权重，bj是隐藏层中第j个节点的偏置值，βj是连接隐藏层中第j个节点和输出节点的输出权重，h(·)是隐藏层激活函数，一般采用sigmoid函数。
5.根据权利要求3所述的基于迁移学习的室内颗粒悬浮物浓度预测方法，其特征在于所述ELM算法的神经元之间的参数在构建模型时以通过随机生成的方式产生，且在后续的模型训练过程中不再发生变化；设置隐含层神经元的个数为L，并计算隐藏层与输出层的连接权值β，便可以获得唯一的最优解；ELM的优化目标函数lELM如下式所示：
Figure FDA0002940184110000026
s.t.h(xi)β＝yi-ξi,i＝1,2,K,N
其中，ξi是第i个训练样本的预测误差，γ是模型的惩罚参数。
6.根据权利要求3所述的基于迁移学习的室内颗粒悬浮物浓度预测方法，其特征在于所述域适应迁移算法DAELM模型中的预测性能从源域迁移到目标域的过程中，域适应迁移算法DAELM在ELM的基础上将目标域的经验误差作为额外的正则化项，对源域的特征学习进行修正；域适应迁移算法DAELM的优化目标函数lDAELM如下式所示：
Figure FDA0002940184110000021
Figure FDA0002940184110000022
其中，
Figure FDA0002940184110000023
分别为源域隐藏层的输出，源域第i个样本的预测误差以及在源域第i个样本的输出标签；
Figure FDA0002940184110000024
分别为目标域隐藏层的输出，目标域第j个样本的预测误差以及在目标域第j个样本的输出标签；
Figure FDA0002940184110000025
为源域样本的输出权重；Ns和Nt分别为源域训练样本数和目标域训练样本数；λs和λt分别为源域训练样本的预测误差惩罚参数和目标域训练样本的预测误差惩罚参数。
7.根据权利要求1所述的基于迁移学习的室内颗粒悬浮物浓度预测方法，其特征在于所述步骤3中，包括以下步骤：
步骤3.1、将所收集到的目标域的室内颗粒悬浮物浓度数据输入训练后的域适应迁移算法DAELM模型，对数据进行标准化处理，具体公式如下所示：
Figure FDA0002940184110000031
其中，x'是经标准化处理后的数据，x是未经标准化处理的原数据，μ是数据的均值，σ是数据的标准差；
步骤3.2、使用均方根误差RMSE指标对训练后的DAELM模型的预测结果进行评估，具体公式如下所示：
Figure FDA0002940184110000032
其中，
Figure FDA0002940184110000033
表示真实数据，yi表示模型的输出，k表示测试集包含样本个数。
CN202110174476.7A 2021-02-07 2021-02-07 基于迁移学习的室内颗粒悬浮物浓度预测方法 Pending CN112836432A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110174476.7A CN112836432A (zh) 2021-02-07 2021-02-07 基于迁移学习的室内颗粒悬浮物浓度预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110174476.7A CN112836432A (zh) 2021-02-07 2021-02-07 基于迁移学习的室内颗粒悬浮物浓度预测方法

Publications (1)

Publication Number Publication Date
CN112836432A true CN112836432A (zh) 2021-05-25

Family

ID=75932901

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110174476.7A Pending CN112836432A (zh) 2021-02-07 2021-02-07 基于迁移学习的室内颗粒悬浮物浓度预测方法

Country Status (1)

Country Link
CN (1) CN112836432A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113570161A (zh) * 2021-08-29 2021-10-29 浙江工业大学 基于宽度迁移学习的搅拌釜反应物浓度预测模型构建方法
CN116625887A (zh) * 2023-07-25 2023-08-22 艾易西(中国)环保科技有限公司 一种半开敞空间的空气悬浮物检测方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109060001A (zh) * 2018-05-29 2018-12-21 浙江工业大学 一种基于特征迁移学习的多工况过程软测量建模方法
CN109615082A (zh) * 2018-11-26 2019-04-12 北京工业大学 一种基于堆叠选择性集成学习器的空气中细颗粒物pm2.5浓度的预测方法
CN110738354A (zh) * 2019-09-18 2020-01-31 北京建筑大学 预测颗粒物浓度的方法、装置、存储介质及电子设备
CN111461355A (zh) * 2020-03-20 2020-07-28 北京工业大学 基于随机森林的二噁英排放浓度迁移学习预测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109060001A (zh) * 2018-05-29 2018-12-21 浙江工业大学 一种基于特征迁移学习的多工况过程软测量建模方法
CN109615082A (zh) * 2018-11-26 2019-04-12 北京工业大学 一种基于堆叠选择性集成学习器的空气中细颗粒物pm2.5浓度的预测方法
CN110738354A (zh) * 2019-09-18 2020-01-31 北京建筑大学 预测颗粒物浓度的方法、装置、存储介质及电子设备
CN111461355A (zh) * 2020-03-20 2020-07-28 北京工业大学 基于随机森林的二噁英排放浓度迁移学习预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
杨超: "《多工况过程迁移建模方法与应用研究》", 《中国优秀硕士学位论文全文数据库 工程科技I辑》, no. 2, 15 February 2020 (2020-02-15), pages 21 - 44 *
王鑫圆等: "《基于随机森林与改进极限学习机的PM2.5浓度模型》", 《软件》, vol. 41, no. 6, 15 June 2020 (2020-06-15), pages 12 - 18 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113570161A (zh) * 2021-08-29 2021-10-29 浙江工业大学 基于宽度迁移学习的搅拌釜反应物浓度预测模型构建方法
CN113570161B (zh) * 2021-08-29 2024-05-24 浙江工业大学 基于宽度迁移学习的搅拌釜反应物浓度预测模型构建方法
CN116625887A (zh) * 2023-07-25 2023-08-22 艾易西(中国)环保科技有限公司 一种半开敞空间的空气悬浮物检测方法及系统
CN116625887B (zh) * 2023-07-25 2023-09-29 艾易西(中国)环保科技有限公司 一种半开敞空间的空气悬浮物检测方法及系统

Similar Documents

Publication Publication Date Title
CN113554466B (zh) 一种短期用电量预测模型构建方法、预测方法和装置
CN112836432A (zh) 基于迁移学习的室内颗粒悬浮物浓度预测方法
Zhang et al. Short-term power load forecasting using integrated methods based on long short-term memory
CN113281465A (zh) 一种畜禽舍养殖环境有害气体检测系统
CN116029435B (zh) 一种生猪设施养殖环境舒适度预警系统
Tan et al. Support vector machine algorithm for artificial intelligence optimization
CN111008726A (zh) 一种电力负荷预测中类图片转换方法
CN115128978A (zh) 物联网环境大数据检测与智能监控系统
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
CN117277279A (zh) 一种基于粒子群优化的深度学习短期负荷预测方法
CN116668198A (zh) 基于深度学习的流量回放测试方法、装置、设备及介质
Wang et al. Research on air pollution gases recognition method based on lstm recurrent neural network and gas sensors array
CN117114184A (zh) 一种城市碳排放影响因素特征提取与中长期预测方法及装置
CN118351970A (zh) 一种生态环境pm2.5浓度的预测方法
CN114911185A (zh) 基于云平台和移动端App的安防大数据物联网智能系统
CN114240687A (zh) 一种适用于综合能源系统的能源托管效率分析方法
CN118017482A (zh) 基于预测误差特征提取的灵活性爬坡容量需求分析方法
CN113255739A (zh) 一种鱼饲料检测与配方系统
CN113283642A (zh) 一种家禽饲料检测与配方系统
CN115016275B (zh) 智能化饲喂与畜禽舍大数据物联网系统
CN116306803A (zh) 一种基于wsfa-afe的ilstm神经网络的出水bod浓度预测方法
CN115052018A (zh) 物联网烟雾与环境参数大数据系统
CN113887570B (zh) 一种基于神经网络的太阳耀斑二分类预测方法
CN114995248A (zh) 智能养护与环境参数大数据物联网系统
CN115062764A (zh) 光照度智能调节与环境参数物联网大数据系统

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