CN113468794A - 一种小型密闭空间温湿度预测及反向优化方法 - Google Patents
一种小型密闭空间温湿度预测及反向优化方法 Download PDFInfo
- Publication number
- CN113468794A CN113468794A CN202011598215.XA CN202011598215A CN113468794A CN 113468794 A CN113468794 A CN 113468794A CN 202011598215 A CN202011598215 A CN 202011598215A CN 113468794 A CN113468794 A CN 113468794A
- Authority
- CN
- China
- Prior art keywords
- temperature
- humidity
- small
- variables
- closed space
- 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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Feedback Control In General (AREA)
Abstract
本发明涉及一种小型密闭空间温湿度预测及反向优化方法,属于温湿度预测技术领域。在特征向量选择方面,建立了基于随机森林的主要操作变量的筛选方法,解决了传统的数据关联模型中变量相对较少的情况。在模型预测方面采用了基于机器学习的GBDT模型预测,解决了传统机理建模调节参数多,模型控制复杂,对于复杂对象不易建模的问题。通过机器学习的方式得到预测结果,减少了无关或者影响因子小的变量对预测结果的影响,温湿度的预测结果更加准确。通过将GBDT模型引入到粒子群寻优算法中,从而实现对操作变量的反向优化,得到限定小型密闭空间温湿度数值下的操作变量值,为实现缺少反馈情况下小型密闭空间温湿度控制提供思路,并为降低控温过程能耗提供参考。
Description
技术领域
本发明属于温湿度预测技术领域,涉及一种小型密闭空间温湿度预测及反向优化方法。
背景技术
精密仪器对于环境温湿度要求极高,因此需要保存于小型密闭空间中,并通过无回风空调进行该小型密闭空间中温湿度的控制。外部环境变量对于小型密闭空间是强扰动因素,对其内部温湿度影响极大,并且在控制过程中,存在一段无反馈时间,加之操作变量多,对小型密闭空间的温湿度控制带来极大的挑战。虽然现有技术提供了一些传统的温湿度控制方法,但针对小型密闭空间的温湿度预测的效果并不能有效展现。更缺少针对预测结果去反向优化操作变量的思路,传统的处理方法往往是根据正负反馈不断调节操作变量,而不能实现对小型密闭空间的温湿度限定数值下的直接输入变量控制。
针对该问题,迫切需要一种对小型密闭空间中的温湿度预测模型,实现对其温湿度的快速、准确预测。同时,在保证预测精度的情况下,如何实现操作变量的反向优化也是小型密闭空间温湿度控制中必须考虑的问题。
发明内容
有鉴于此,本发明的目的在于提供一种小型密闭空间温湿度预测及反向优化方法,以实现建立涉及多个变量、预测准确度高的预测模型,并使得这些变量具有代表性、独立性,从而根据操作变量(控制变量)的变化准确预测小型密闭空间温湿度数值,并为后续对操作变量(控制变量)进一步优化提供适应度函数值。最后,将主要操作变量看做进化算法中的粒子群数目,再与个体历史最优解和全局历史最优解进行比较,以此来改变每个粒子的速度和位置,从而达到求解期望小型密闭空间温湿度数值下,每个操作变量的具体位置即控制变量取值,最终达到根据小型密闭空间温湿度数值要求反向优化操作变量的目的。
为达到上述目的,本发明提供如下技术方案:
一种小型密闭空间温湿度预测及反向优化方法,其包括以下步骤:
1)提取位点传感器中的数据,采集每个样本不同操作变量数值情况下的小型密闭空间温湿度数值;
2)对采集的数据进行预处理,进行初步筛选,剔除部分坏值;
3)采用随机森林特征向量重要度排序算法,对不同操作变量关于小型密闭空间的温湿度数值影响进行重要性排序,剔除无关或影响因子小的操作变量,筛选出主要的特征变量,并进行相关性矩阵检测;
4)根据筛选出的主要变量将样本总体分为训练集和测试集;
5)将训练集样本导入到梯度提升决策树GBDT模型中进行训练,得到小型密闭空间的温湿度数值预测模型后,将测试集数据导入预测模型进行验证;
7)粒子位置坐标为向量Xi,粒子位置坐标即为一组操作变量的解,即本粒子群算法中粒子位置的维数即为要优化操作变量的个数也就是筛选出的主要操作变量个数。
8)粒子速度值为Vi,粒子搜索到的位置最优值向量为PBESTi,粒子相互知道彼此的最优值,粒子群搜索到的位置最优值为GBEST,最优值是通过适应度函数确定的,
9)本算法中,适应度函数为预测模型输出与期望值的均方误差。粒子通过跟踪两个最优值来更新位置和速度以不断优化变量的向真正最优解进化,最终得到期望的操作变量。
10)粒子位置的初始化值即为待调整操作变量的值,粒子的速度初始化为随机赋值,优化的步数即迭代的次数通过实验法确定。
11)基于预测模型,使用粒子群优化算法,即PSO算法,对操作变量进行反向优化,实现小型密闭空间温湿度控制,从而得到限定小型密闭空间温湿度数值条件下的对应操作变量数值。
本发明的有益效果在于:
1、本发明是一种小型密闭空间温湿度预测及反向优化方法,其中的主要特征变量的选择采用随机森林的方法进行重要性排序,解决了传统的数据关联模型中变量相对较少的情况。通过给出所有操作变量对于小型密闭空间温湿度数值的影响权重,使得小型密闭空间温湿度预测建模过程可以根据自己的需要,进行选择特征变量。并很好的保存了原始操作变量的具体指征,避免了传统机理建模对原料的分析要求较高的要求。
2、本发明是一种小型密闭空间温湿度预测及反向优化方法,其在小型密闭空间温湿度预测方面,本发明通过引入机器学习中的GBDT模型,解决了传统机理建模调节参数多,模型控制复杂,对于复杂对象不易建模的问题。通过机器学习的方式得到预测结果,进一步减少了无关或者影响因子小的变量对预测结果的影响,在不断地数据学习过程中,小型密闭空间温湿度预测结果也将越来越准确。
3、本发明是一种小型密闭空间温湿度预测及反向优化方法,通过将梯度提升预测模型引入粒子群寻优算法中,得到限定小型密闭空间温湿度数值下,各主要操作变量的取值,解决了小型密闭空间温湿度控制中缺少反馈时各操作变量的取值问题,为实现缺少反馈情况下的温湿度精准控制提供思路。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述,并且在某种程度上,基于对下文的考察研究对本领域技术人员而言将是显而易见的,或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作优选的详细描述,其中:
图1为数据预处理流程图;
图2为随机森林筛选流程图;
图3为随机森林筛选结果图;
图4为GBDT建立预测模型的流程图;
图5为粒子群反向寻优步骤流程图;
图6为随机抽取测试样本预测值与真实值对比图;
图7为随机抽取测试样本绝对误差折线图;
图8为随机抽取测试样本相对误差折线图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
其中,附图仅用于示例性说明,表示的仅是示意图,而非实物图,不能理解为对本发明的限制;为了更好地说明本发明的实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;对本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件;在本发明的描述中,需要理解的是,若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此附图中描述位置关系的用语仅用于示例性说明,不能理解为对本发明的限制,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
本实施例一种小型密闭空间温湿度预测及反向优化方法,对小型密闭空间温湿度数值进行预测,解决了传统的数据关联模型中变量相对较少的情况。基于机器学习的预测方法在预测准确率方面较传统的预测方法有一定程度的提升。通过将梯度提升预测模型引入粒子群寻优算法中,解决了限定小型密闭空间温湿度数值下,输入变量(操作变量)的数值优化问题。
其包括以下步骤:
1)提取位点传感器中的数据,采集每个样本不同操作变量数值情况下的小型密闭空间温湿度数值;
以某小型空间温湿度控制实验采集的数据为例,共采集325组样本数据,涉及变量67个;
2)对采集的数据进行预处理,进行初步筛选,剔除部分坏值;
具体处理步骤流程图如附图1所示,由于每一个变量的变化范围不同,在进行预处理数据前先进行归一化处理,将所有操作变量归一化处理可以防止部分变量的变化范围很小,因而方差很低而被误删除,归一化处理后进行方差筛选,将样本中方差小的操作变量剔除;
3)采用随机森林特征向量重要度排序算法,对不同操作变量关于小型密闭空间的温湿度数值影响进行重要性排序,剔除无关或影响因子小的操作变量,筛选出主要的特征变量。将筛选的主要操作变量进行相关性矩阵筛选,剔除两组或几组中相关性比较高的操作变量只保留其中随机森林特征影响值较大的那一个,具体的执行步骤如附图2所示。通过上述方法,排除了数据意外波动对预测结果的影响,将小型密闭空间的温湿度数值影响情况相同的操作变量进行剔除,避免了重复操作变量数据的引入。使得筛选出来的特征变量具有代表性和独立性。以某小型空间温湿度控制实验采集的数据为例其主要变量的筛选结果如附图3所示;
4)根据筛选出的主要变量将样本总体分为训练集和测试集;
通常将采集样本数据量的75%作为训练集,将25%作为预测集,用于随后的模型训练及验证,此过程的具体比例可以根据个人的需要自行变更,通常训练集的数据量越大,训练模型的准确度越高;
5)将训练集样本导入到GBDT模型中进行训练,得到小型密闭空间温湿度预测模型后,将测试集数据导入预测模型进行验证;
传统机理建模过程中调节参数多,模型控制复杂,对于复杂对象不易建模。这使得传统机理建模在小型密闭空间的温湿度预测中有着先天不足,而GBDT模型能够很好的解决这一问题,通过机器学习的方式得到预测结果,进一步减少了无关或者影响因子小的变量对预测结果的影响。在不断的数据学习过程中,小型密闭空间的温湿度预测结果也将越来越准确。通过测试数据的不断校正,在每次使用训练数据建模后都会使用测试数据校验,最终的到最优的小型密闭空间的温湿度预测模型,具体的建模过程如附图4所示;
7)粒子位置坐标为向量Xi,粒子位置坐标即为一组操作变量的解,即本粒子群算法中粒子位置的维数即为要优化操作变量的个数;
8)粒子速度值为Vi,粒子搜索到的位置最优值向量为PBESTi,粒子相互知道彼此的最优值,粒子群搜索到的位置最优值为GBEST,最优值是通过适应度函数确定的;
9)本算法中,适应度函数为预测模型输出与期望值的均方误差。粒子通过跟踪两个最优值来更新位置和速度以不断优化变量的向真正最优解进化,最终得到期望的操作变量;
需要说明的是此处速度和位置的更新公式为:
Vid=ωVid+C1random(0,1)(Pid-Xid)+C2random(0,1)(Pgd-Xid) (1)
Xid=Xid+Vid (2)
适应度函数计算公式为:
其中ω为惯性因子,为非负值,通常通过调节其值来使算法结果趋向于全局最优解或者局部最优解,C1和C2为个体学习和社会学习因子,在本实施例中取C1=C2=2,但需要指出的是一般C1=C2∈[1,4]。Random(0,1)为区间[0,1]上的随机数,Pid为个体粒子的位置最优值,Pgd为全局粒子位置最优解;N为粒子群的粒子数目,observedi为期望的小型密闭空间的温湿度数值,predictedi为预测的小型密闭空间的温湿度数值。
10)粒子位置的初始化值即为待调整操作变量的值,粒子的速度初始化为随机赋值,优化的步数即迭代的次数通过实验法确定;
需要指出的是优化的步数即迭代的次数通过实验法确定,指的是通过不断地测试迭代次数,来确定得到全局最优解时的迭代次数。由于小型密闭空间的温湿度控制中每个待优化主要操作变量的原始数据中往往具有不同的量纲和量纲单位,需要对主要操作变量进行归一化处理后再赋值。
11)基于预测模型,使用粒子群优化算法,即PSO算法,对操作变量进行反向优化,实现小型密闭空间温湿度控制,从而得到小型密闭空间的限定温湿度数值条件下的对应操作变量数值。
图5为粒子群反向寻优步骤流程图。
采用本实施例中的小型密闭空间的温湿度预测模型对小型密闭空间的温湿度数值进行预测,从图6中可以看出部分随机抽取的测试集数据的预测值和真实值的差距很小,通过计算得其小型密闭空间的温湿度预测结果的平均绝对百分比误差MAPE值为2.3299%,经判断该模型有很好的预测效果。
图7显示了部分随机抽取的测试集数据的预测值和真实值的绝对误差折线图,由图可知,测试集中预测结果和真实值的绝对误差变化范围基本在±0.1左右,这表明我们的预测方法很好的预测了真实值情况,其结果相对于传统数据关联模型及机理建模有了很大提升。
图8中,显示了部分随机抽取的测试集数据的预测值和真实值的相对误差折线图。可以看出,除个别数据,相对误差曲线基本与X轴重合,最大相对差距不超过0.18,经计算得到其均方误差MSE为0.0049,已经很接近于0值,所以本发明提出的预测模型对小型密闭空间的温湿度数值能够很好预测。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (3)
1.一种小型密闭空间温湿度预测及反向优化方法,其特征在于:该方法包括以下步骤:
1)提取位点传感器中的数据,采集每个样本不同操作变量情况下的小型密闭空间的温湿度数值;
2)对采集的数据进行预处理,进行初步筛选,剔除部分坏值;
3)采用随机森林特征向量重要度排序算法,对不同操作变量关于小型密闭空间的温湿度数值影响进行重要性排序,剔除无关或影响因子小的操作变量,筛选出主要的特征变量;
4)根据筛选出的主要变量将样本总体分为训练集和测试集;
5)将训练集样本导入到GBDT模型中进行训练,得到小型密闭空间的温湿度数值预测模型后,将测试集数据导入预测模型进行验证;
7)粒子位置坐标为向量Xi,粒子位置坐标即为一组操作变量的解,即本粒子群算法中粒子位置的维数,即为要优化操作变量的个数,也就是筛选出的主要操作变量个数;
8)粒子速度值为Vi,粒子搜索到的位置最优值向量为PBESTi,粒子相互知道彼此的最优值,粒子群搜索到的位置最优值为GBEST,最优值是通过适应度函数确定的;
9)适应度函数为预测模型输出与期望值的均方误差;粒子通过跟踪两个最优值来更新位置和速度以不断优化变量来向真正最优解进化,最终得到期望的操作变量;
10)粒子位置的初始化值即为待调整操作变量的值,粒子的速度初始化为随机赋值,优化的步数即迭代的次数通过实验法确定;
11)基于预测模型,使用粒子群优化算法,即PSO算法,对操作变量进行反向优化,实现小型密闭空间温湿度控制,从而得到小型密闭空间的限定温湿度数值条件下的对应操作变量数值。
2.根据权利要求1所述的一种小型密闭空间温湿度预测及反向优化方法,其特征在于:所述9)中,速度和位置的更新公式为:
Vid=ωVid+C1random(0,1)(Pid-Xid)+C2random(0,1)(Pgd-Xid) (1)
Xid=Xid+Vid (2)
适应度函数计算公式为:
其中ω为惯性因子,为非负值,通常通过调节其值来使算法结果趋向于全局最优解或者局部最优解,C1和C2为个体学习和社会学习因子,Random(0,1)为区间[0,1]上的随机数,Pid为个体粒子的位置最优值,Pgd为全局粒子位置最优解;N为粒子群的粒子数目,observedi为期望的目标温湿度数值,predictedi为预测的温湿度数值。
3.根据权利要求2所述的一种小型密闭空间温湿度预测及反向优化方法,其特征在于:所述C1=C2∈[1,4]。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011598215.XA CN113468794B (zh) | 2020-12-29 | 2020-12-29 | 一种小型密闭空间温湿度预测及反向优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011598215.XA CN113468794B (zh) | 2020-12-29 | 2020-12-29 | 一种小型密闭空间温湿度预测及反向优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113468794A true CN113468794A (zh) | 2021-10-01 |
CN113468794B CN113468794B (zh) | 2023-05-19 |
Family
ID=77868504
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011598215.XA Active CN113468794B (zh) | 2020-12-29 | 2020-12-29 | 一种小型密闭空间温湿度预测及反向优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113468794B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114879769A (zh) * | 2022-05-31 | 2022-08-09 | 友联船厂(蛇口)有限公司 | 一种船舱湿度控制方法及装置 |
CN115994327A (zh) * | 2023-03-22 | 2023-04-21 | 山东能源数智云科技有限公司 | 基于边缘计算的设备故障诊断方法及装置 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103530687A (zh) * | 2013-09-23 | 2014-01-22 | 闻泰通讯股份有限公司 | 前馈网络的自适应动态协同粒子群优化方法 |
CN106971240A (zh) * | 2017-03-16 | 2017-07-21 | 河海大学 | 一种变量选择与高斯过程回归的短期负荷预测方法 |
CN108038568A (zh) * | 2017-12-05 | 2018-05-15 | 国家电网公司 | 一种基于粒子群算法的变权组合电力负荷短期预测方法 |
CN110059852A (zh) * | 2019-03-11 | 2019-07-26 | 杭州电子科技大学 | 一种基于改进随机森林算法的股票收益率预测方法 |
CN110674965A (zh) * | 2019-05-15 | 2020-01-10 | 中国电建集团华东勘测设计研究院有限公司 | 基于动态特征选取的多时间步长风功率预测方法 |
CN110782077A (zh) * | 2019-10-15 | 2020-02-11 | 山东建筑大学 | 基于周期性数据驱动的建筑热负荷混合预测方法及系统 |
WO2020038097A1 (zh) * | 2018-08-22 | 2020-02-27 | 阿里巴巴集团控股有限公司 | 阈值确定及核身方法、装置、电子设备及存储介质 |
CN112001439A (zh) * | 2020-08-19 | 2020-11-27 | 西安建筑科技大学 | 基于gbdt的商场建筑空调冷负荷预测方法、存储介质及设备 |
CN112037012A (zh) * | 2020-08-14 | 2020-12-04 | 百维金科(上海)信息科技有限公司 | 一种基于pso-bp神经网络的互联网金融信用评价方法 |
CN112086195A (zh) * | 2020-09-16 | 2020-12-15 | 电子科技大学 | 一种基于自适应集成学习模型的再入院风险预测方法 |
-
2020
- 2020-12-29 CN CN202011598215.XA patent/CN113468794B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103530687A (zh) * | 2013-09-23 | 2014-01-22 | 闻泰通讯股份有限公司 | 前馈网络的自适应动态协同粒子群优化方法 |
CN106971240A (zh) * | 2017-03-16 | 2017-07-21 | 河海大学 | 一种变量选择与高斯过程回归的短期负荷预测方法 |
CN108038568A (zh) * | 2017-12-05 | 2018-05-15 | 国家电网公司 | 一种基于粒子群算法的变权组合电力负荷短期预测方法 |
WO2020038097A1 (zh) * | 2018-08-22 | 2020-02-27 | 阿里巴巴集团控股有限公司 | 阈值确定及核身方法、装置、电子设备及存储介质 |
CN110059852A (zh) * | 2019-03-11 | 2019-07-26 | 杭州电子科技大学 | 一种基于改进随机森林算法的股票收益率预测方法 |
CN110674965A (zh) * | 2019-05-15 | 2020-01-10 | 中国电建集团华东勘测设计研究院有限公司 | 基于动态特征选取的多时间步长风功率预测方法 |
CN110782077A (zh) * | 2019-10-15 | 2020-02-11 | 山东建筑大学 | 基于周期性数据驱动的建筑热负荷混合预测方法及系统 |
CN112037012A (zh) * | 2020-08-14 | 2020-12-04 | 百维金科(上海)信息科技有限公司 | 一种基于pso-bp神经网络的互联网金融信用评价方法 |
CN112001439A (zh) * | 2020-08-19 | 2020-11-27 | 西安建筑科技大学 | 基于gbdt的商场建筑空调冷负荷预测方法、存储介质及设备 |
CN112086195A (zh) * | 2020-09-16 | 2020-12-15 | 电子科技大学 | 一种基于自适应集成学习模型的再入院风险预测方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114879769A (zh) * | 2022-05-31 | 2022-08-09 | 友联船厂(蛇口)有限公司 | 一种船舱湿度控制方法及装置 |
CN114879769B (zh) * | 2022-05-31 | 2023-03-14 | 友联船厂(蛇口)有限公司 | 一种船舱湿度控制方法及装置 |
CN115994327A (zh) * | 2023-03-22 | 2023-04-21 | 山东能源数智云科技有限公司 | 基于边缘计算的设备故障诊断方法及装置 |
CN115994327B (zh) * | 2023-03-22 | 2023-06-23 | 山东能源数智云科技有限公司 | 基于边缘计算的设备故障诊断方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113468794B (zh) | 2023-05-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Haji et al. | Comparison of optimization techniques based on gradient descent algorithm: A review | |
CN109634121B (zh) | 基于径向基函数神经网络的多父代遗传算法空气源热泵多目标优化控制方法 | |
CN108846259A (zh) | 一种基于聚类和随机森林算法的基因分类方法及系统 | |
CN106156401B (zh) | 基于多组合分类器的数据驱动系统状态模型在线辨识方法 | |
Zeng et al. | Accurately clustering single-cell RNA-seq data by capturing structural relations between cells through graph convolutional network | |
Zhang et al. | Local parameter optimization of LSSVM for industrial soft sensing with big data and cloud implementation | |
CN113468794A (zh) | 一种小型密闭空间温湿度预测及反向优化方法 | |
CN109085469A (zh) | 一种用于识别电缆局部放电信号的信号类型的方法及系统 | |
CN104375478B (zh) | 一种轧钢生产过程产品质量在线预测与优化的方法及装置 | |
CN103488561B (zh) | 一种在线升级主样本模型的kNN故障检测方法 | |
CN106778846A (zh) | 一种基于支持向量机的风电场风速预测方法 | |
CN113344019A (zh) | 一种决策值选取初始聚类中心改进的K-means算法 | |
CN110738271A (zh) | 一种锌浮选过程精矿品位预测方法 | |
CN113259331A (zh) | 一种基于增量学习的未知异常流量在线检测方法及系统 | |
CN111210869A (zh) | 一种蛋白质冷冻电镜结构解析模型训练方法和解析方法 | |
CN112884012A (zh) | 基于支持向量机原理的建筑能耗预测方法 | |
CN114398049A (zh) | 一种离散制造车间数字孪生模型自适应动态更新方法 | |
Le Goff et al. | Sample and time efficient policy learning with cma-es and bayesian optimisation | |
CN111598209A (zh) | 基于串行式融合的ga&pso优化算法研究 | |
Wang et al. | Diabetes Risk Analysis Based on Machine Learning LASSO Regression Model | |
CN111833970B (zh) | 一种水泥熟料质量表征参数预测模型构建方法及其应用 | |
CN113012766A (zh) | 一种基于在线选择性集成的自适应软测量建模方法 | |
CN110598836B (zh) | 一种基于改进的粒子群寻优算法的代谢组学分析方法 | |
CN102129242A (zh) | 基于两层混合智能优化的批处理生产过程产品质量控制方法 | |
CN113033704B (zh) | 基于模式识别的铜转炉吹炼造铜期终点智能判断方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |