CN113112075B - 一种基于vmd和narx的内燃机噪声预测方法 - Google Patents
一种基于vmd和narx的内燃机噪声预测方法 Download PDFInfo
- Publication number
- CN113112075B CN113112075B CN202110401162.6A CN202110401162A CN113112075B CN 113112075 B CN113112075 B CN 113112075B CN 202110401162 A CN202110401162 A CN 202110401162A CN 113112075 B CN113112075 B CN 113112075B
- Authority
- CN
- China
- Prior art keywords
- internal combustion
- combustion engine
- noise
- narx
- prediction
- 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
Links
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
- G06N3/045—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
Abstract
本发明属于内燃机噪声预测技术领域,具体涉及一种基于VMD和NARX的内燃机噪声预测方法。对内燃机噪声信号的处理过程中,本发明利用变分模态分解技术实现了信号分离,得到不同频率特征的信号,系统剖析内燃机噪声信号的特点,并通过NARX神经网络对各个模态分量信号进行预测获得未发生时刻的信号特征。本发明简化了内燃机噪声信号进行平稳化处理流程,有效提高精度和时效性;结合了优化算法,提高了预测效率,有更好的适用性,能更为准确预测接下来时刻的内燃机噪声值。
Description
技术领域
本发明属于内燃机噪声预测技术领域,具体涉及一种基于VMD和NARX的内燃机噪声预测方法。
背景技术
时间序列预测在工程实践中具有重要意义,通过对时间序列的准确预测,对其趋势进行管理,可以有针对性地制定相应措施,把握时间序列特征,从而应对未来情形的不确定性。
传统的时间预测方法主要基于数学和统计学的基础,通过对时间序列进行线性回归或最小二乘回归分析,建立预测数据和历史数据之间的联系。自回归移动平均(Autoregressionmovingaverage,ARMA)模型作为经典的时间序列预测模型,具有严谨的理论支撑。ARMA模型从数学意义上可以看做自回归(Autoregression,AR)模型与移动平均(movingaverage,MA)模型的组合,其拓展形式还有自回归积分滑动平均(Autoregressiveintegratedmovingaverage,ARIMA)模型等。传统的预测分析方法模型简单、理论精确,缺乏稳定性。但对于复杂非线性平稳时间序列的预测存在一定精度限制。传统方法不能捕获超出输入观察范围的数据点之间的长依赖关系。为解决上述缺点,提出一种基于NARX(nonlinear auto-regression with exogenous,非线性自回归)神经网络的预测方法,使信息能够持续存在。在过去的几年里,NARX神经网络模型在电网负荷、智能控制、路面识别和故障诊断等领域取得成功。
噪声信息是内燃机运行状态的重要反馈指标,同时也是一种典型的时间序列,通过精准可靠地预测噪声信息,掌握其规律和趋势并及时调控,能够有效提升内燃机的利用效率。内燃机噪声信号具有非线性、自相似性、多分形性等复杂特点。在传统预测方法中,研究者们通常使用一些浅层的神经网络,如极限学习机(Extreme learningmachine,ELM)、BP(Backpropagation)神经网络,实现对自然方面的时间序列进行预测。但传统预测方法简单,泛化能力弱,预测误差较高,难以描述内燃机噪声的特征。
当前内燃机噪声多步预测算法的研究主要有:通过时间序列与Kalman滤波融合进行多步预测;ELM与粒子群优化算法相结合的预测;经验模态分解与长短时间记忆神经网络相结合进行预测。由于多种算法相结合,内燃机噪声预测的过程中,计算结果出现误差累积,当预测步数增加,误差随之增大。所以需要对预测结果进行评估,一般利用RMSE(RootMean Square Error,均方根误差,是观测值与真值偏差的平方和与观测次数比值的平方根,用来衡量观测值同真值之间的偏差)来评价算法的精确度。同时,神经网络在训练的过程中,运算时间一般较长,时间成本较高。因此,需要对多步预测算法的精确度以及时间性能进行提升。
发明内容
本发明的目的在于提供一种基于VMD和NARX的内燃机噪声预测方法。
本发明的目的通过如下技术方案来实现:包括以下步骤:
步骤1:获取内燃机噪声时间序列数据,构造训练集D={X,Y},X={x1,x2,...,xn},Y={y1,y2,...,yn};xi为ti时刻获取的内燃机噪声信号的数值,yi为ti+T时刻获取的内燃机噪声信号的数值;i={1,2,...,n},T为预测时差;
步骤2:利用VMD对内燃机噪声信号时间序列X={x1,x2,...,xn}进行处理,分解得到K组模态分量{U1,U2,...,UK},Uk={u1k,u2k,...,unk},k={1,2,...,K};
步骤3:构造K组训练集,第k组训练集为Hk={h1k,h2k,...,hnk},hik=(uik,yi);由每一组训练集Hk训练一个NARX神经网络,得到K个训练好的NARX神经网络预测模型;
步骤4:将内燃机噪声信号时间序列X={x1,x2,...,xn}分别输入至训练好的K个NARX神经网络预测模型中,得到对应于每一个内燃机噪声信号xi的K个预测结果对K个预测结果进行变分模态分解的还原处理,得到对应于每一个内燃机噪声信号xi的预测结果
步骤5:计算内燃机噪声信号时间序列预测结果的偏差平均值emean及最大值emax,判断是否满足准确度要求;若不满足准确度要求,则返回步骤3更新NARX神经网络的参数;若满足准确度要求,则输出K个NARX神经网络预测模型;
步骤6:获取待预测的内燃机噪声时间序列数据,利用VMD将内燃机噪声信号时间序列数据分解为K组模态分量后,输入至满足准确度要求的K个NARX神经网络预测模型中,得到K个预测结果后进行变分模态分解的还原处理,得到最终预测结果。
本发明还可以包括:
所述的步骤2中利用VMD对内燃机噪声信号时间序列X={x1,x2,...,xn}进行处理,分解为K组模态分量{U1,U2,...,UK}的方法具体为:
步骤2.1:构建约束变分模型:
为求解约束变分模型,引入增广拉格朗日函数将约束变分问题转化为无约束变分问题:
步骤2.2:初始化K=1,计算无约束变分问题的第一组解{U1,ω1};初始化中心频率集合W1={ω1},模态分量集合W2={U1};
步骤2.3:观测内燃机噪声信号时间序列X={x1,x2,...,xn}的频谱信息,得到内燃机噪声信号时间序列X的中心频率集合W3;
步骤2.4:判断集合W1与集合W3是否完全重合;若集合W1与集合W3不完全重合,则令K=K+1,执行步骤2.5;否则,执行步骤2.6;
步骤2.5:计算无约束变分问题的第K组解{UK,ωK},并将ωK存入集合W1中,将UK存入集合W2中,返回步骤2.3;
步骤2.6:计算正交指数IOK和IOK-1;若IOK<IOK-1,则输出模态分量集合W2中K组模态分量{U1,U2,...,UK};否则,输出模态分量集合W2中前K-1组模态分量{U1,U2,...,UK-1};
所述步骤2.5中计算无约束变分问题的第K组解{UK,ωK}的方法具体为:
本发明的有益效果在于:
对内燃机噪声信号的处理过程中,本发明利用变分模态分解技术实现了信号分离,得到不同频率特征的信号,系统剖析内燃机噪声信号的特点,并通过NARX神经网络对各个模态分量信号进行预测获得未发生时刻的信号特征。本发明简化了内燃机噪声信号进行平稳化处理流程,有效提高精度和时效性;结合了优化算法,提高了预测效率,有更好的适用性,能更为准确预测接下来时刻的内燃机噪声值。
附图说明
图1为本发明的整体流程图。
具体实施方式
下面结合附图对本发明做进一步描述。
本发明涉及内燃机噪声预测技术领域,具体涉及一种基于变分模态分解(VMD)和非线性自回归(NARX)的内燃机噪声多步预测方法。本发明的目的是提出一种准确、合理、高效的预测内燃机噪声信号的数值方法,提升传统预测方法的精确度和时效性。本发明用来研究内燃机噪声信号的数值特征、以及趋势走向,可以提前预判内燃机的运行状态,指导生产设计,研究内燃机内部的振动噪声特性。
本发明的目的是这样实现的:
步骤一、获得某一特定工况的内燃机噪声时间序列数据的训练样本,利用VMD对所述训练样本进行处理,实现对固有模态函数的有效分离、信号的频域划分,得到给定信号的有效分解成分。
步骤二、对模态分量的内燃机噪声时间序列进行样本归一化,通过归一化将各个有效分量的模态数据转化为无量纲的输入结果,并将各个模态分量作为NARX的网络输入;
步骤三、初始化NARX模型,设置网络模型的参数,利用NARX神经网络对步骤二得到的有效模态分量进行多步预测模型建模,并利用拓扑结构进行优化,得到模态分量的预测模型以及时刻特征的新序列,进行各个模态分量信号的重构。
步骤四、对内燃机噪声时间序列预测结果进行分析,并判断内燃机噪声多步预测结果是否满足准确度要求,重复上述步骤,获得不同工况下(喷油提前角)下的噪声特性。
与现有技术相比,本发明的有益效果为:
对内燃机噪声信号的处理过程中,本发明利用变分模态分解技术实现了信号分离,得到不同频率特征的信号,系统剖析内燃机噪声信号的特点,并通过NARX神经网络对各个模态分量信号进行预测获得未发生时刻的信号特征。本发明简化了内燃机噪声信号进行平稳化处理流程,有效提高精度和时效性;结合了优化算法,提高了预测效率,有更好的适用性,能更为准确预测接下来时刻的内燃机噪声值。
实施例1:
步骤1:获取内燃机噪声时间序列数据,构造训练集D={X,Y},X={x1,x2,...,xn},Y={y1,y2,...,yn};xi为ti时刻获取的内燃机噪声信号的数值,yi为ti+T时刻获取的内燃机噪声信号的数值;i={1,2,...,n},T为预测时差;
步骤2:利用VMD对内燃机噪声信号时间序列X={x1,x2,...,xn}进行处理,分解得到K组模态分量{U1,U2,...,UK},Uk={u1k,u2k,...,unk},k={1,2,...,K};
步骤2.1:VMD过程需要将输入时间序列分解到变分框架中,通过寻找约束变分模型的最优解实现自适应信号分解。
通过求解变分迭代模型,自适应分解信号的频带可以根据完成分解信号的频域特征,和几个带限固有模态函数成分,每个带限固有模态函数估计带宽的总和的最小的和等于分解信号,这个过程中将输入信号分解为以ωk为中心频率、Uk为模态分量的分解信号。
为获得约束变分问题的最优解,引入增广拉格朗日函数将约束变分问题转化为无约束变分问题,
VMD方法需要预设模态分解数K。
具体的更新步骤如下:
步骤2.2:初始化K=1,计算无约束变分问题的第一组解{U1,ω1};初始化中心频率集合W1={ω1},模态分量集合W2={U1};
步骤2.3:观测内燃机噪声信号时间序列X={x1,x2,...,xn}的频谱信息,得到内燃机噪声信号时间序列X的中心频率集合W3;
步骤2.4:判断集合W1与集合W3是否完全重合;若集合W1与集合W3不完全重合,则令K=K+1,执行步骤2.5;否则,执行步骤2.6;
步骤2.5:计算无约束变分问题的第K组解{UK,ωK},并将ωK存入集合W1中,将UK存入集合W2中,返回步骤2.3;
步骤2.6:计算正交指数IOK和IOK-1;若IOK<IOK-1,则输出模态分量集合W2中K组模态分量{U1,U2,...,UK};否则,输出模态分量集合W2中前K-1组模态分量{U1,U2,...,UK-1};
计算无约束变分问题的第K组解{UK,ωK}的方法具体为:
步骤2.5.3:判断是否满足迭代截止条件ε为设定的常数;若满足迭代截止条件,则停止迭代,将经过时域变换后转换为时域信号UK,令输出无约束变分问题的第K组解{UK,ωK};否则,令n=n+1,返回步骤2.5.2。
步骤3:构造K组训练集,第k组训练集为Hk={h1k,h2k,...,hnk},hik=(uik,yi);由每一组训练集Hk训练一个NARX神经网络,得到K个训练好的NARX神经网络预测模型;
步骤4:将内燃机噪声信号时间序列X={x1,x2,...,xn}分别输入至训练好的K个NARX神经网络预测模型中,得到对应于每一个内燃机噪声信号xi的K个预测结果对K个预测结果进行变分模态分解的还原处理,得到对应于每一个内燃机噪声信号xi的预测结果
步骤5:计算内燃机噪声信号时间序列预测结果的偏差平均值emean及最大值emax,判断是否满足准确度要求;若不满足准确度要求,则返回步骤3更新NARX神经网络的参数;若满足准确度要求,则输出K个NARX神经网络预测模型;
步骤6:获取待预测的内燃机噪声时间序列数据,利用VMD将内燃机噪声信号时间序列数据分解为K组模态分量后,输入至满足准确度要求的K个NARX神经网络预测模型中,得到K个预测结果后进行变分模态分解的还原处理,得到最终预测结果。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (3)
1.一种基于VMD和NARX的内燃机噪声预测方法,其特征在于,包括以下步骤:
步骤1:获取内燃机噪声时间序列数据,构造训练集D={X,Y},X={x1,x2,...,xn},Y={y1,y2,...,yn};xi为ti时刻获取的内燃机噪声信号的数值,yi为ti+T时刻获取的内燃机噪声信号的数值;i={1,2,...,n},T为预测时差;
步骤2:利用VMD对内燃机噪声信号时间序列X={x1,x2,...,xn}进行处理,分解得到K组模态分量{U1,U2,...,UK},Uk={u1k,u2k,...,unk},k={1,2,...,K};
步骤3:构造K组训练集,第k组训练集为Hk={h1k,h2k,...,hnk},hik=(uik,yi);由每一组训练集Hk训练一个NARX神经网络,得到K个训练好的NARX神经网络预测模型;
步骤4:将内燃机噪声信号时间序列X={x1,x2,...,xn}分别输入至训练好的K个NARX神经网络预测模型中,得到对应于每一个内燃机噪声信号xi的K个预测结果对K个预测结果进行变分模态分解的还原处理,得到对应于每一个内燃机噪声信号xi的预测结果
步骤5:计算内燃机噪声信号时间序列预测结果的偏差平均值emean及最大值emax,判断是否满足准确度要求;若不满足准确度要求,则返回步骤3更新NARX神经网络的参数;若满足准确度要求,则输出K个NARX神经网络预测模型;
步骤6:获取待预测的内燃机噪声时间序列数据,利用VMD将内燃机噪声信号时间序列数据分解为K组模态分量后,输入至满足准确度要求的K个NARX神经网络预测模型中,得到K个预测结果后进行变分模态分解的还原处理,得到最终预测结果。
2.根据权利要求1所述的一种基于VMD和NARX的内燃机噪声预测方法,其特征在于:所述的步骤2中利用VMD对内燃机噪声信号时间序列X={x1,x2,...,xn}进行处理,分解为K组模态分量{U1,U2,...,UK}的方法具体为:
步骤2.1:构建约束变分模型:
为求解约束变分模型,引入增广拉格朗日函数将约束变分问题转化为无约束变分问题:
步骤2.2:初始化K=1,计算无约束变分问题的第一组解{U1,ω1};初始化中心频率集合W1={ω1},模态分量集合W2={U1};
步骤2.3:观测内燃机噪声信号时间序列X={x1,x2,...,xn}的频谱信息,得到内燃机噪声信号时间序列X的中心频率集合W3;
步骤2.4:判断集合W1与集合W3是否完全重合;若集合W1与集合W3不完全重合,则令K=K+1,执行步骤2.5;否则,执行步骤2.6;
步骤2.5:计算无约束变分问题的第K组解{UK,ωK},并将ωK存入集合W1中,将UK存入集合W2中,返回步骤2.3;
步骤2.6:计算正交指数IOK和IOK-1;若IOK<IOK-1,则输出模态分量集合W2中K组模态分量{U1,U2,...,UK};否则,输出模态分量集合W2中前K-1组模态分量{U1,U2,...,UK-1};
3.根据权利要求2所述的一种基于VMD和NARX的内燃机噪声预测方法,其特征在于:所述步骤2.5中计算无约束变分问题的第K组解{UK,ωK}的方法具体为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110401162.6A CN113112075B (zh) | 2021-04-14 | 2021-04-14 | 一种基于vmd和narx的内燃机噪声预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110401162.6A CN113112075B (zh) | 2021-04-14 | 2021-04-14 | 一种基于vmd和narx的内燃机噪声预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113112075A CN113112075A (zh) | 2021-07-13 |
CN113112075B true CN113112075B (zh) | 2022-04-05 |
Family
ID=76717037
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110401162.6A Active CN113112075B (zh) | 2021-04-14 | 2021-04-14 | 一种基于vmd和narx的内燃机噪声预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113112075B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107589454A (zh) * | 2017-07-25 | 2018-01-16 | 西安交通大学 | 一种基于vmd‑tfpf压制地震勘探随机噪声方法 |
CN108053379A (zh) * | 2017-12-13 | 2018-05-18 | 天津大学 | 一种基于改进的变分模态分解的dspi相位提取方法 |
CN110618451A (zh) * | 2019-09-17 | 2019-12-27 | 太原理工大学 | 一种基于narx神经网络检测地震勘探弱信号的方法 |
CN110686899A (zh) * | 2019-09-21 | 2020-01-14 | 天津大学 | 一种内燃机噪声源识别方法 |
KR20200063361A (ko) * | 2018-11-23 | 2020-06-05 | 세종대학교산학협력단 | 특징 융합 기반 주가 예측 방법 및 시스템 |
CN111277434A (zh) * | 2020-01-16 | 2020-06-12 | 北京工业大学 | 一种基于vmd和lstm的网络流量多步预测方法 |
CN111415008A (zh) * | 2020-03-17 | 2020-07-14 | 上海海事大学 | 一种基于vmd-foa-grnn的船舶流量预测方法 |
CN111553513A (zh) * | 2020-04-14 | 2020-08-18 | 太原理工大学 | 一种基于二次分解与回声状态网络的中长期径流预测方法 |
CN111881594A (zh) * | 2020-08-05 | 2020-11-03 | 哈尔滨工程大学 | 一种核动力设备的非平稳信号状态监测方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107783200B (zh) * | 2017-11-21 | 2019-06-07 | 吉林大学 | 一种联合emd与tfpf算法的全波磁共振信号随机噪声消减方法 |
-
2021
- 2021-04-14 CN CN202110401162.6A patent/CN113112075B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107589454A (zh) * | 2017-07-25 | 2018-01-16 | 西安交通大学 | 一种基于vmd‑tfpf压制地震勘探随机噪声方法 |
CN108053379A (zh) * | 2017-12-13 | 2018-05-18 | 天津大学 | 一种基于改进的变分模态分解的dspi相位提取方法 |
KR20200063361A (ko) * | 2018-11-23 | 2020-06-05 | 세종대학교산학협력단 | 특징 융합 기반 주가 예측 방법 및 시스템 |
CN110618451A (zh) * | 2019-09-17 | 2019-12-27 | 太原理工大学 | 一种基于narx神经网络检测地震勘探弱信号的方法 |
CN110686899A (zh) * | 2019-09-21 | 2020-01-14 | 天津大学 | 一种内燃机噪声源识别方法 |
CN111277434A (zh) * | 2020-01-16 | 2020-06-12 | 北京工业大学 | 一种基于vmd和lstm的网络流量多步预测方法 |
CN111415008A (zh) * | 2020-03-17 | 2020-07-14 | 上海海事大学 | 一种基于vmd-foa-grnn的船舶流量预测方法 |
CN111553513A (zh) * | 2020-04-14 | 2020-08-18 | 太原理工大学 | 一种基于二次分解与回声状态网络的中长期径流预测方法 |
CN111881594A (zh) * | 2020-08-05 | 2020-11-03 | 哈尔滨工程大学 | 一种核动力设备的非平稳信号状态监测方法及系统 |
Non-Patent Citations (3)
Title |
---|
A Combined Prediction Method for Short-term Wind Speed Using Variational Mode Decomposition Based on Parameter Optimization;Meng Zhang,etc;《2020 IEEE International Conference on Systems, Man, and Cybernetics (SMC) 》;20201214;第2607-2614页 * |
一种股票市场的深度学习复合预测模型;张永安 等;《计算机科学》;20201130;第47卷(第11期);第255-267页 * |
基于HHT理论的非平稳信号研究与应用;张雪凤;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20190815(第8期);正文第1-60页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113112075A (zh) | 2021-07-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kuravsky et al. | A numerical technique for the identification of discrete-state continuous-time Markov models | |
CN112418482B (zh) | 一种基于时间序列聚类的云计算能耗预测方法 | |
CN110163429B (zh) | 一种基于相似日优化筛选的短期负荷预测方法 | |
CN113094860B (zh) | 一种基于注意力机制的工控网络流量建模方法 | |
CN110571792A (zh) | 一种电网调控系统运行状态的分析评估方法及系统 | |
Shao et al. | The traffic flow prediction method using the incremental learning-based CNN-LTSM model: the solution of mobile application | |
Kroß et al. | Stream processing on demand for lambda architectures | |
CN114066073A (zh) | 电网负荷预测方法 | |
CN103413038A (zh) | 基于矢量量化的长期直觉模糊时间序列预测方法 | |
CN114546365B (zh) | 一种流程可视化的建模方法、服务器、计算机系统及介质 | |
Zhang et al. | Load prediction based on hybrid model of VMD-mRMR-BPNN-LSSVM | |
Wang et al. | PrEF: Probabilistic electricity forecasting via Copula-augmented state space model | |
CN113112075B (zh) | 一种基于vmd和narx的内燃机噪声预测方法 | |
Edali et al. | Automated analysis of regularities between model parameters and output using support vector regression in conjunction with decision trees | |
CN113128666A (zh) | 基于Mo-S-LSTMs模型的时间序列多步预测方法 | |
WO2024082530A1 (zh) | 一种数字孪生数据模型驱动的高性能虚拟仿真方法及系统 | |
CN116578858A (zh) | 基于图神经网络的空压机故障预测与健康度评价方法及系统 | |
CN113835964B (zh) | 基于小样本学习的云数据中心服务器能耗预测方法 | |
CN114580250A (zh) | 基于量子粒子群算法的gru网络的能耗预测方法、装置 | |
CN114386666A (zh) | 一种基于时空相关性的风电场短期风速预测方法 | |
CN115392102A (zh) | 能耗预测模型的建立方法及装置、能耗预测方法及系统 | |
Yang et al. | Residual Connection based TPA-LSTM Networks for Cluster Node CPU Load Prediction | |
CN112560213A (zh) | 基于模型系统工程和超网络理论的体系建模方法及系统 | |
Nematian | A new method for multi-objective linear programming models with fuzzy random variables | |
Pavlov et al. | Models and methods for multicriteria situational flexible reassignment of control functions in man-machine systems |
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 |