CN113537460A - 一种适用于耀斑预报问题的多线程神经网络模型的构建方法 - Google Patents

一种适用于耀斑预报问题的多线程神经网络模型的构建方法 Download PDF

Info

Publication number
CN113537460A
CN113537460A CN202110725250.1A CN202110725250A CN113537460A CN 113537460 A CN113537460 A CN 113537460A CN 202110725250 A CN202110725250 A CN 202110725250A CN 113537460 A CN113537460 A CN 113537460A
Authority
CN
China
Prior art keywords
flare
ann
neural network
submodel
data
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
CN202110725250.1A
Other languages
English (en)
Inventor
鄂鹏
付俊丰
万杰
谭代敏
韩轲
金成刚
文人庆
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.)
Harbin Institute of Technology
Original Assignee
Harbin Institute of Technology
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 Harbin Institute of Technology filed Critical Harbin Institute of Technology
Priority to CN202110725250.1A priority Critical patent/CN113537460A/zh
Publication of CN113537460A publication Critical patent/CN113537460A/zh
Pending legal-status Critical Current

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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

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

Abstract

本发明公开了一种适用于耀斑预报问题的多线程神经网络模型的构建方法，所述方法如下：一：获取“耀斑数据集”；二：将“耀斑数据集”进行乱序处理，按照不平衡度分割成数据子集，标记为“耀斑数据子集”；三：初始化“ANN子模型”参数；四：将“耀斑数据子集”输入至“ANN子模型”，开始模型训练；五：将训练好的“ANN子模型”的模型参数进行取平均操作，得到“超级模型参数”；六：各个“ANN子模型”的模型参数采用“超级模型参数”作为初始化方法；七：重复三～六，得到适用于耀斑预报问题的多线程神经网络模型。该方法构建的多线程神经网络模型适用于太阳耀斑预报过程中出现的由于数据类不平衡问题导致的预报模型精确度低等问题。

Description

一种适用于耀斑预报问题的多线程神经网络模型的构建方法
技术领域
本发明涉及一种多线程神经网络模型的构建方法。
背景技术
对未来一段时间太阳爆发活动的情况进行准确预报，可以及时地进行灾害的防护和处理。太阳耀斑事件在时序上属于小概率时间，导致耀斑样本表现为类别高度不平衡。而类不平衡的问题会严重影响预报模型的准确率，所以有必要针对太阳耀斑数据特点进行类不平衡处理。
现有主流对类不平衡处理方法主要分为：1)利用重采样技术对样本进行前处理，典型的如欠采样、过采样、混合采样等方法；2)通过对预报算法本身进行敏感度修正，使其在训练过程中逐渐适应不平衡的数据集，典型的如样本加权方法；3)在不干预样本和训练过程的基础上，对预报算法的决策边界进行重新配置。
在上述处理方法中，重采样算法在一定程度上能确保预报准确度，但大多数重采样都改变了数据集分布，这样会导致模型的泛化能力降低，不利于工程实际应用；修正敏感度算法和改变决策边界的方法，可以使计算时间大大降低，但会高度依赖样本分布，一旦改变样本或对样本进行简单抽样，上述方法将基本失效。另一方面，对于典型分类器诸如神经网络来说，集中式的训练需要耗费大量时间，同样不利于耀斑预报问题的实际应用。
综上所述，有必要提出一种考虑类不平衡数据的、多线程神经网络模型。
发明内容
本发明的目的是提供一种适用于耀斑预报问题的多线程神经网络模型的构建方法，该方法构建的多线程神经网络模型适用于太阳耀斑预报过程中出现的由于数据类不平衡问题导致的预报模型精确度低等问题。
本发明的目的是通过以下技术方案实现的：
一种适用于耀斑预报问题的多线程神经网络模型的构建方法，包括如下步骤：
步骤一：获取太阳耀斑数据，将其整理成可读格式，并标记数据标签，即获得“耀斑数据集”；
步骤二：将步骤一获取的“耀斑数据集”进行乱序处理，按照不平衡度分割成样本数量相同的N份数据子集，标记为“耀斑数据子集”；
步骤三：设计多线程网络，并初始化各个“ANN子模型”的参数。首次执行时，初始化方法为“随机初始化”；
步骤四：将步骤二的“耀斑数据子集”分别输入至相应的“ANN子模型”，并开始模型训练，直至各个“ANN子模型”的精度满足给定；
步骤五：将步骤四得到的各个训练好的“ANN子模型”的模型参数进行取平均操作，得到“超级模型参数”；
步骤六：将步骤五得到的“超级模型参数”分发给各个“ANN子模型”，各个“ANN子模型”的模型参数将采用“超级模型参数”作为初始化方法；
步骤七：重复步骤三～步骤六，直至“超级模型参数”与各个训练后的“ANN子模型”的参数满足给定误差，迭代退出，得到适用于耀斑预报问题的多线程神经网络模型。
相比于现有技术，本发明具有如下优点：
1)本发明通过建立多线程神经网络模型，给出了“超级模型”的计算方法，可为太阳耀斑预报问题的分析提供参考；
2)本发明通过制造不同数据子集，多线程训练神经网络，大大降低了机器学习算法的模型训练时间，相比较集中式训练过程而言，本发明所述方法能够高效完成计算任务；
3)本发明通过深度利用类不平衡数据，训练出可适应不同类不平衡情况数据集的ANN模型，模型泛化能力得到大幅度增强，能从一定程度上代替传统重采样方法，在工程上更适用于应用过程。
附图说明
图1为多线程网络示意图；
图2为多线程神经网络模型的构建流程图。
具体实施方式
下面结合附图对本发明的技术方案作进一步的说明，但并不局限于此，凡是对本发明技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，均应涵盖在本发明的保护范围中。
本发明提供了一种适用于耀斑预报问题的多线程神经网络模型的构建方法，如图2所示，所述方法包括如下步骤：
步骤一：获取太阳耀斑数据，将其整理成可读格式，并标记数据标签，即获得可用于本发明的“耀斑数据集”。
本步骤中，太阳耀斑数据获取方法具体可以在JSOC网站(www.jsoc.stanford.edu)中通过选取关键词的方法提取尽可能全面的预报因子数据集(方法不唯一，不作为本发明限定内容)。其中，对于预报因子的个数选择原则上不得少于10个；单个预报因子数据的采样时间不得少于1分钟，不得超过一周，所有预报因子总样本的采样时间长度不得少于1年，无上限；然后对各个类别的数据进行归一化处理。
本步骤中，归一化处理是将该参数保持基本趋势的前提下，在数值放缩至0～1之间。
本步骤中，标记数据标签的方法如下：定义预报周期为未来48小时内是否发生耀斑，对应样本数据中，发生耀斑记作1，不发生耀斑记作0，即可得到“耀斑数据集”。
步骤二：将步骤一获取的“耀斑数据集”进行乱序处理，按照不平衡度分割成样本数量相同的N份数据子集，标记为“耀斑数据子集”。
本步骤中，乱序处理的方法如下：将数据集进行随机充分打乱，并按照本发明指定的类不平衡比(IR)进行数据子集重构。
本步骤中，类不平衡比(IR)即正样本“1”的数量和负样本“0”的数量之比。
本步骤中，分割成样本数量相同的N份数据子集的具体过程为：选取“耀斑数据集”中的正负样本，存在N份数据子集中，保证各个子集样本总数一致的前提下，按照本发明指定的类不平衡比(IR)依次进行重构，其指定内容如下：“耀斑数据子集1”中的正负样本之比(IR比)为1:1；“耀斑数据子集2”中的正负样本之比(IR比)为1:2；“耀斑数据子集3”中的正负样本之比(IR比)为1:3......“耀斑数据子集N”中的正负样本之比(IR比)为1:N。
步骤三：设计如图1所示的多线程网络，并初始化各个“ANN子模型”的参数；首次执行时，初始化方法为“随机初始化”。
本步骤中，图1所示的多线程网络的设计步骤如下：(1)设置横向的计算流程为“耀斑数据子集-ANN子模型-子模型参数”。(2)采用多线程编程框架(如Python语言中的“multiprocessing”框架，方法不唯一，其框架不作为本发明创新内容)，设置纵向的多线程计算流程。在纵向的多线程计算流程中，按顺序对应耀斑数据子集(如耀斑数据子集1对应ANN子模型1、子模型参数1；耀斑数据子集5对应ANN子模型5、子模型参数5)。(3)综合所有的子模型参数，计算其平均值得到ANN超级模型参数。
本步骤中，ANN模型为神经网络算法模型，为现有主流典型算法，为行业共识。
本步骤中，“随机初始化”的方法为：根据正态分布，满足所有权值之和为1的前提下，随机生成ANN网络模型参数。
本步骤中，在进行“随机初始化”过程中，尽量保证各个“ANN子模型”的参数的欧式距离足够远，其距离不得小于0.0001。
本步骤中，欧式距离为两个数据之间的距离，为行业共识。
步骤四：将步骤二的“耀斑数据子集”分别输入至相应的“ANN子模型”，并开始多线程模型训练，直至各个“ANN子模型”的精度满足给定。
本步骤中，模型训练为ANN模型的必要过程，需要大量的样本数据同时进行多次迭代。
本步骤中，单个ANN模型的迭代次数不得少于20次，不得高于10000000次，迭代精度不得高于0.001。
本步骤中，迭代精度在数值上一般取迭代过程中的方差值，为行业共识。
步骤五：将步骤四得到的各个训练好的“ANN子模型”的模型参数进行取平均操作，得到“超级模型参数”。
本步骤中，具体步骤如下：对各个“ANN子模型”的参数进行取平均操作，如下式所示：
Figure BDA0003138349310000061
其中，w0为“超级模型参数”，N为耀斑数据子集的最大个数，wi为第i个ANN子模型的模型参数，i＝1,2,3,...,N。
步骤六：计算“超级模型参数”与“ANN子模型”参数的方差，将步骤五得到的“超级模型参数”分发给各个“ANN子模型”，各个“ANN子模型”的模型参数将采用“超级模型参数”作为初始化方法。
本步骤中，具体步骤如下：计算“超级模型参数w0”与“ANN子模型”参数的方差，记作e0；将步骤五得到的w0，赋值为各个“ANN子模型”的初始化参数。
步骤七：重复步骤三～步骤六，直至“超级模型参数”与各个训练后的“ANN子模型”的参数的方差满足给定误差，迭代退出，即可得到适用于耀斑预报问题的多线程神经网络模型。
本步骤中，具体步骤如下：在执行“参数分发”之前，计算e0并观察其变化规律。需保证e0在重复步骤三～步骤六的过程中，数值上逐渐趋于稳定，当e0值的方差值不大于0.01时，其迭代过程视为满足给定误差，迭代跳出。
本步骤中，“计算方差”为典型算法，为行业共识。

Claims (10)

1.一种适用于耀斑预报问题的多线程神经网络模型的构建方法，其特征在于所述方法包括如下步骤：
步骤一：获取太阳耀斑数据，将其整理成可读格式，并标记数据标签，即获得“耀斑数据集”；
步骤二：将步骤一获取的“耀斑数据集”进行乱序处理，按照不平衡度分割成样本数量相同的N份数据子集，标记为“耀斑数据子集”；
步骤三：设计多线程网络，并初始化各个“ANN子模型”的参数；
步骤四：将步骤二的“耀斑数据子集”分别输入至相应的“ANN子模型”，并开始模型训练，直至各个“ANN子模型”的精度满足给定；
步骤五：将步骤四得到的各个训练好的“ANN子模型”的模型参数进行取平均操作，得到“超级模型参数”；
步骤六：将步骤五得到的“超级模型参数”分发给各个“ANN子模型”，各个“ANN子模型”的模型参数采用“超级模型参数”作为初始化方法；
步骤七：重复步骤三～步骤六，直至“超级模型参数”与各个训练后的“ANN子模型”的参数满足给定误差，迭代退出，得到适用于耀斑预报问题的多线程神经网络模型。
2.根据权利要求1所述的适用于耀斑预报问题的多线程神经网络模型的构建方法，其特征在于所述步骤一中，标记数据标签的方法如下：定义预报周期为未来48小时内是否发生耀斑，对应样本数据中，发生耀斑记作1，不发生耀斑记作0，即可得到“耀斑数据集”。
3.根据权利要求1所述的适用于耀斑预报问题的多线程神经网络模型的构建方法，其特征在于所述步骤二中，乱序处理的方法如下：将数据集进行随机充分打乱，并按照类不平衡比进行数据子集重构；割成样本数量相同的N份数据子集的具体过程为：选取“耀斑数据集”中的正负样本，存在N份数据子集中，保证各个子集样本总数一致的前提下，按照类不平衡比依次进行重构。
4.根据权利要求1所述的适用于耀斑预报问题的多线程神经网络模型的构建方法，其特征在于所述步骤三中，多线程网络的设计步骤如下：
(1)设置横向的计算流程为“耀斑数据子集-ANN子模型-子模型参数”；
(2)采用多线程编程框架设置纵向的多线程计算流程；
(3)综合所有的子模型参数，计算其平均值得到ANN超级模型参数。
5.根据权利要求1所述的适用于耀斑预报问题的多线程神经网络模型的构建方法，其特征在于所述步骤三中，ANN模型为神经网络算法模型。
6.根据权利要求1所述的适用于耀斑预报问题的多线程神经网络模型的构建方法，其特征在于所述步骤三中，“随机初始化”的方法为：根据正态分布，满足所有权值之和为1的前提下，随机生成ANN网络模型参数。
7.根据权利要求1所述的适用于耀斑预报问题的多线程神经网络模型的构建方法，其特征在于所述步骤四中，单个ANN模型的迭代次数不得少于20次，不得高于10000000次，迭代精度不得高于0.001。
8.根据权利要求1所述的适用于耀斑预报问题的多线程神经网络模型的构建方法，其特征在于所述步骤五的具体步骤如下：
对各个“ANN子模型”的参数进行取平均操作，如下式所示：
Figure FDA0003138349300000031
其中，w0为“超级模型参数”，N为耀斑数据子集的最大个数，wi为第i个ANN子模型的模型参数，i＝1,2,3,...,N。
9.根据权利要求1所述的适用于耀斑预报问题的多线程神经网络模型的构建方法，其特征在于所述步骤六的具体步骤如下：
计算“超级模型参数w0”与“ANN子模型”参数的方差，记作e0；将步骤五得到的w0，赋值为各个“ANN子模型”的初始化参数。
10.根据权利要求1所述的适用于耀斑预报问题的多线程神经网络模型的构建方法，其特征在于所述步骤七的具体步骤如下：
在执行“参数分发”之前，计算e0并观察其变化规律。需保证e0在重复步骤三～步骤六的过程中，数值上逐渐趋于稳定，当e0值的方差值不大于0.01时，其迭代过程视为满足给定误差，迭代跳出。
CN202110725250.1A 2021-06-29 2021-06-29 一种适用于耀斑预报问题的多线程神经网络模型的构建方法 Pending CN113537460A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110725250.1A CN113537460A (zh) 2021-06-29 2021-06-29 一种适用于耀斑预报问题的多线程神经网络模型的构建方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110725250.1A CN113537460A (zh) 2021-06-29 2021-06-29 一种适用于耀斑预报问题的多线程神经网络模型的构建方法

Publications (1)

Publication Number Publication Date
CN113537460A true CN113537460A (zh) 2021-10-22

Family

ID=78097086

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110725250.1A Pending CN113537460A (zh) 2021-06-29 2021-06-29 一种适用于耀斑预报问题的多线程神经网络模型的构建方法

Country Status (1)

Country Link
CN (1) CN113537460A (zh)

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105184367A (zh) * 2014-06-09 2015-12-23 讯飞智元信息科技有限公司 深度神经网络的模型参数训练方法及系统
CN105303258A (zh) * 2015-10-30 2016-02-03 中国科学院国家天文台 基于机器学习技术预报模型的太阳爆发事件预报方法
CN105372723A (zh) * 2015-10-30 2016-03-02 中国科学院国家天文台 基于卷积神经网络模型的太阳耀斑预报方法
CN105574585A (zh) * 2015-12-14 2016-05-11 四川长虹电器股份有限公司 基于多线程互斥的神经网络模型的样本训练方法
CN106469164A (zh) * 2015-08-18 2017-03-01 阿里巴巴集团控股有限公司 数据集的乱序处理方法和装置
CN108021395A (zh) * 2017-12-27 2018-05-11 北京金山安全软件有限公司 一种面向神经网络的数据并行处理方法及系统
CN109800810A (zh) * 2019-01-22 2019-05-24 重庆大学 一种基于不平衡数据的少样本学习分类器构建方法
CN109829248A (zh) * 2019-03-04 2019-05-31 苏州尼昂科技有限公司 水泵的性能参数的确定方法、装置和电子设备
CN111223162A (zh) * 2020-01-06 2020-06-02 华北电力大学（保定） 一种用于重建epat图像的深度学习方法及系统
CN111950712A (zh) * 2020-08-14 2020-11-17 深圳前海微众银行股份有限公司 模型网络参数处理方法、设备及可读存储介质
CN111965733A (zh) * 2020-08-25 2020-11-20 哈尔滨工业大学 一种预报因子与太阳耀斑发生的相关性评估方法
CN111970279A (zh) * 2020-08-18 2020-11-20 中南大学 连续变量量子密钥分发攻击检测方法及其检测系统
CN112288629A (zh) * 2020-10-27 2021-01-29 河南威虎智能科技有限公司 一种跨尺度图神经网络的超分辨率方法
CN112364706A (zh) * 2020-10-19 2021-02-12 燕山大学 一种基于类不平衡的小样本轴承故障诊断方法
CN112558187A (zh) * 2020-12-17 2021-03-26 昆明理工大学 一种基于3d卷积神经网络对太阳耀斑的爆发进行预报的方法

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105184367A (zh) * 2014-06-09 2015-12-23 讯飞智元信息科技有限公司 深度神经网络的模型参数训练方法及系统
CN106469164A (zh) * 2015-08-18 2017-03-01 阿里巴巴集团控股有限公司 数据集的乱序处理方法和装置
CN105303258A (zh) * 2015-10-30 2016-02-03 中国科学院国家天文台 基于机器学习技术预报模型的太阳爆发事件预报方法
CN105372723A (zh) * 2015-10-30 2016-03-02 中国科学院国家天文台 基于卷积神经网络模型的太阳耀斑预报方法
CN105574585A (zh) * 2015-12-14 2016-05-11 四川长虹电器股份有限公司 基于多线程互斥的神经网络模型的样本训练方法
CN108021395A (zh) * 2017-12-27 2018-05-11 北京金山安全软件有限公司 一种面向神经网络的数据并行处理方法及系统
CN109800810A (zh) * 2019-01-22 2019-05-24 重庆大学 一种基于不平衡数据的少样本学习分类器构建方法
CN109829248A (zh) * 2019-03-04 2019-05-31 苏州尼昂科技有限公司 水泵的性能参数的确定方法、装置和电子设备
CN111223162A (zh) * 2020-01-06 2020-06-02 华北电力大学（保定） 一种用于重建epat图像的深度学习方法及系统
CN111950712A (zh) * 2020-08-14 2020-11-17 深圳前海微众银行股份有限公司 模型网络参数处理方法、设备及可读存储介质
CN111970279A (zh) * 2020-08-18 2020-11-20 中南大学 连续变量量子密钥分发攻击检测方法及其检测系统
CN111965733A (zh) * 2020-08-25 2020-11-20 哈尔滨工业大学 一种预报因子与太阳耀斑发生的相关性评估方法
CN112364706A (zh) * 2020-10-19 2021-02-12 燕山大学 一种基于类不平衡的小样本轴承故障诊断方法
CN112288629A (zh) * 2020-10-27 2021-01-29 河南威虎智能科技有限公司 一种跨尺度图神经网络的超分辨率方法
CN112558187A (zh) * 2020-12-17 2021-03-26 昆明理工大学 一种基于3d卷积神经网络对太阳耀斑的爆发进行预报的方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
JEFFREY W. REEP等: "Simulating Solar Flare Irradiance with Multithreaded Models of Flare Arcades", 《THE ASTROPHYSICAL JOURNAL》 *
卞雨晴: "基于极速学习机与回声状态网络的太阳活动预报", 《中国优秀硕士学位论文全文数据库 基础科学辑》 *
方瑞: "基于深度学习的太阳耀斑预报研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
胡浩民等: "基于数据并行的神经网络预测模型", 《计算机工程》 *

Similar Documents

Publication Publication Date Title
Siami-Namini et al. The performance of LSTM and BiLSTM in forecasting time series
Siami-Namini et al. A comparative analysis of forecasting financial time series using arima, lstm, and bilstm
CN104573359B (zh) 一种基于任务难度与标注者能力的众包标注数据整合方法
CN110751318B (zh) 一种基于ipso-lstm的超短期电力负荷预测方法
CN106845767A (zh) 一种行业科技发展力量化评估方法与评估系统
Tung et al. Binary classification and data analysis for modeling calendar anomalies in financial markets
CN103605493A (zh) 基于图形处理单元的并行排序学习方法及系统
CN113537460A (zh) 一种适用于耀斑预报问题的多线程神经网络模型的构建方法
CN110109904B (zh) 一种面向环保大数据的水质软测量方法
CN105976057B (zh) 一种基于改进灰色理论的中长期负荷预测方法
Yarushkina Soft computing and complex system analysis
CN107704944A (zh) 一种基于信息论学习的股市波动区间预测方法
CN117035155A (zh) 一种水质预测方法
Li et al. The updating strategy for the safe control Bayesian network model under the abnormity in the thickening process of gold hydrometallurgy
CN112101612A (zh) 一种城镇燃气用量的预测方法、存储介质及终端设备
CN112070200B (zh) 一种谐波群优化方法及其应用
Takács et al. Fuzzy cognitive map for student evaluation model
Mirjalili et al. How to escape the middle income trap in Iran? Lessons from Malaysia, Thailand South Korea and China
Parnika et al. Performance Analysis of Machine Learning Algorithms to Predict Water Potability
Xu et al. Fuzzy comprehensive evaluation model based on rough set theory
CN112801372B (zh) 数据处理方法、装置、电子设备和可读存储介质
Najibullah et al. Remittances and economic growth nexus: Do financial development and investment act as transmission channels? An ARDL bounds approach
Рахимов et al. Data preprocessing techniques in machine learning
CN117637063B (zh) 一种水质测量方法、装置、设备和存储介质
Xu et al. Validity Analysis of Software Defect Prediction Model for Mis-label Correction Based on CleanLab

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20211022