CN113539386A - 基于clmvo-elm的溶解氧浓度预测方法、装置、设备及存储介质 - Google Patents
基于clmvo-elm的溶解氧浓度预测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113539386A CN113539386A CN202110738556.0A CN202110738556A CN113539386A CN 113539386 A CN113539386 A CN 113539386A CN 202110738556 A CN202110738556 A CN 202110738556A CN 113539386 A CN113539386 A CN 113539386A
- Authority
- CN
- China
- Prior art keywords
- dissolved oxygen
- data
- learning machine
- extreme learning
- optimization algorithm
- 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
Links
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 title claims abstract description 46
- 239000001301 oxygen Substances 0.000 title claims abstract description 46
- 229910052760 oxygen Inorganic materials 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 title claims abstract description 36
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 44
- 238000005457 optimization Methods 0.000 claims abstract description 39
- 238000012549 training Methods 0.000 claims abstract description 27
- 238000005070 sampling Methods 0.000 claims abstract description 8
- 238000004140 cleaning Methods 0.000 claims abstract description 6
- 230000006872 improvement Effects 0.000 claims abstract description 5
- JJWKPURADFRFRB-UHFFFAOYSA-N carbonyl sulfide Chemical compound O=C=S JJWKPURADFRFRB-UHFFFAOYSA-N 0.000 claims description 27
- 230000000739 chaotic effect Effects 0.000 claims description 14
- 238000010606 normalization Methods 0.000 claims description 10
- 230000006835 compression Effects 0.000 claims description 7
- 238000007906 compression Methods 0.000 claims description 7
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 6
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 239000013598 vector Substances 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 4
- 229910002651 NO3 Inorganic materials 0.000 claims description 3
- NHNBFGGVMKEFGY-UHFFFAOYSA-N Nitrate Chemical compound [O-][N+]([O-])=O NHNBFGGVMKEFGY-UHFFFAOYSA-N 0.000 claims description 3
- IOVCWXUNBOPUCH-UHFFFAOYSA-M Nitrite anion Chemical compound [O-]N=O IOVCWXUNBOPUCH-UHFFFAOYSA-M 0.000 claims description 3
- 238000005065 mining Methods 0.000 claims description 3
- 229910052757 nitrogen Inorganic materials 0.000 claims description 3
- 239000002245 particle Substances 0.000 claims description 3
- 230000000052 comparative effect Effects 0.000 description 4
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 3
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000009360 aquaculture Methods 0.000 description 1
- 244000144974 aquaculture Species 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 239000010865 sewage Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- 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
- G16C20/70—Machine learning, data mining or chemometrics
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Chemical & Material Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Crystallography & Structural Chemistry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于CLMVO‑ELM的溶解氧浓度预测方法、装置、设备及存储介质，所述方法包括：采集水质数据，对所述水质数据进行数据清洗，清洗后的数据归一化，得到训练集；采用训练集训练极限学习机网络并改进极限学习机，所述改进极限学习机是指采用改进的多元宇宙优化算法优化极限学习机网络参数；所述改进的多元宇宙优化算法为通过拉丁超立方抽样初始化多元宇宙优化算法参数，得到改进的多元宇宙优化算法；再次采集水质数据，并对采集的所有数据进行归一化，将归一化后的数据输入到改进极限学习机中，由改进极限学习机输出预测得到水体溶解氧浓度。本发明能够有效的提高水体溶解氧浓度的预测精度和稳定性。
Description
技术领域
本发明涉及一种数据处理技术领域，尤其涉及基于CLMVO-ELM的溶解氧浓度预测方法、装置、设备及存储介质。
背景技术
溶解氧是影响水生生物生存的重要指标之一，其间接反应了水生生物生长状况、水质状况。正是由于溶解氧能反映出水质的好坏，而水质又能直接影响到水生生物生长及其品质，对溶解氧的预测的准确度愈来愈重要。城市景观水体还是养殖水体，都会面临水体水质恶化、生态破坏等难题，对溶解氧进行预测，可以提前掌握水体的生态状态，进而及时对污水进行监控和治理。
现有的预测方法有很多，主要分为两种类型：第一类是传统的预测方法，把经典数学作为理论基础，包括时间序列预测法、回归分析法、马尔科夫模型以及水质模拟预测法等；第二类是基于人工智能的预测方法，包括灰色模型、人工神经网络预测法以及支持向量机回归预测法等。
但是现有的预测方法均存在预测精度误差高，不满足水质预测的需求。
发明内容
发明目的：本发明的目的提供一种高预测精度、稳定性好的基于CLMVO-ELM的溶解氧浓度预测方法；本发明的另一目的提供一种高预测精度的基于CLMVO-ELM的溶解氧浓度预测装置；本发明的另一目的提供一种电子设备；本发明的另一目的提供一种非暂态计算机可读存储介质。
技术方案：本发明的基于CLMVO-ELM的溶解氧浓度预测方法，包括以下步骤：
(1)采集水质数据，对所述水质数据进行数据清洗，清洗后的数据归一化，得到训练集；
(2)采用训练集训练极限学习机网络并改进极限学习机，所述改进极限学习机是指采用改进的多元宇宙优化算法优化极限学习机网络参数；所述改进的多元宇宙优化算法为通过拉丁超立方抽样初始化多元宇宙优化算法参数，得到改进的多元宇宙优化算法。
(3)再次采集水质数据，并对采集的所有数据进行归一化，将归一化后的数据输入到改进极限学习机中，由改进极限学习机输出预测得到水体溶解氧浓度；
进一步地，步骤(1)归一化的公式如下：
其中，X为当前需要归一化的数据，Xmax为需要归一化的数据中的最大值，Xmin为需要归一化的数据的最小值，Xi是归一化后的数据。
进一步地，在步骤(2)中拉丁超立方抽样初始化多元宇宙优化算法参数的方法包括以下步骤：
(21)将每一维分成m个长度相同的区间，使得每个区间有相同的概率；
(22)在每一维的每一个区间随机抽取一个点；
(23)将步骤(22)中抽取的点组成向量。
(24)根据步骤(23)中的向量对多元宇宙优化算法中的宇宙个数N、维度D、最大迭代次数L参数进行初始化。
进一步地，在步骤(2)中，多元宇宙优化算法的局部搜索采用Iterative混沌搜索进行处理，Iterative混沌映射产生的混沌序列用于初始化宇宙个数，利用多元宇宙优化算法得到当前全局最优值，其公式如下：
其中，xk为迭代k次所产生的值，a是控制参数。
进一步地，在步骤(2)中，在多元宇宙优化算法中，引入自适应压缩因子改变最优宇宙的位置，其公式如下：
其中，l为当前迭代次数，L为最大迭代次数。
进一步地，步骤(2)中对极限学习机的改进步骤如下：
(a)初始化极限学习机网络结构输入参数；
(b)设定最大迭代次数L，种群规模U，根据训练集作为输入数据确定多元宇宙优化算法中的初始化宇宙的位置；
(c)以训练集作为输入数据训练极限学习机网络并计算粒子的适应度值，并以最佳适应度值的个体位置为当前个体宇宙位置，并利用如下公式更新个体宇宙位置：
其中，μ为自适应压缩因子，Xj为当前最优宇宙的第j个物体，lbj表示下限，ubj表示下限，r2、r3是[0，1]范围内的随机数，WEP表示多元宇宙空间中虫洞存在的概率，TDR表示物体朝着当前最优宇宙移动的步长；
其中，l为当前迭代次数，L为最大迭代次数，WEPmin＝0.2，WEPmax＝1，p表示开采度，取值为6；
(d)判断多元宇宙优化算法是否达到最大迭代次数L，如果是则算法终止，否则步骤(c)继续迭代；
(e)步骤(d)中得到的最优宇宙位置数值作为优化极限学习机的参数。
优选的，水质数据包括温度、亚硝酸盐、氨氮、总氮、硝酸盐和溶解氧。
上述方法使用的一种溶解氧预测装置，包括：数据预处理模块、水体溶解氧预测模型和预测结果模块，所述数据预处理模块用于对获取的水质数据进行数据清洗、归一化处理得到样本集；所述水体溶解氧预测模型为基于改进的多元宇宙优化算法优化极限学习机模型；所述预测结果模块，用于输入归一化后的水质数据，以预测待测水源的溶解氧。
另一方面，本发明提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述溶解氧浓度预测方法的步骤。
另一方面，本发明提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述的溶解氧浓度预测方法的步骤。
有益效果：与现有技术相比，本发明具有如下显著优点：显著提高溶解氧预测的精度和稳定性，采用改进多元宇宙优化算法优化优化极限学习机模型，达到了溶解氧浓度的精准预测。
附图说明
图1为本发明构建的基于CLMVO-ELM的水体溶解氧浓度预测模型流程图。
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说明。
如图1所示，所述的水体溶解氧浓度预测方法，包括步骤如下：
S1.水质数据预处理
S11在需要预测区域内采集水样，然后检测采集水样的水质指标：温度、亚硝酸盐、氨氮、总氮、硝酸盐、溶解氧，并将关键影响因素温度(t)、氨氮(NH3-N)、溶解氧(DO)作为样本数据集；
S12对采集到的数据进行数据清洗，并对清洗好的数据进行归一化处理，其中归一化公式为：
其中，X为原始数据序列，Xmax和Xmin分别是原始数据中的最大值和最小值，Xi是归一化后的数据序列。
S13将样本数据集中70％设置为支持向量机的训练数据集，剩余的30％设置为测试数据集；其中将Xi＝{X1，X2，…Xk…Xn}定义为训练集的输入，Yi＝{Y1，Y2…Yk…Yn}定义为训练集的输出。
S2采用训练集训练极限学习机网络并改进极限学习机
S21改进多元宇宙优化算法
(1)采用拉丁超立方抽样对多元宇宙优化算法中的宇宙个数N、维度D、最大迭代次数L等相关参数进行初始化，步骤如下：
S211将每一维分成的m个长度相同的区间，使得每个区间有相同的概率；
S212在每一维的每一个区间随机抽取一个点；
S213从每一维随机抽取(2)中的点，并将抽取的点组成向量。
(2)对多元宇宙优化算法的局部搜索采用Iterative混沌搜索进行处理。Iterative混沌局部搜索具体步骤如下：
利用Iterative混沌映射产生的混沌序列来初始化宇宙个数，这个混沌序列就是一个混沌变量，并利用多元宇宙优化算法得到当前全局最优值，其公式如下：
其中，xk为迭代k次所产生的值，a是控制参数。
(3)在宇宙个体位置更新中，引入了一种自适应压缩因子。在多元宇宙优化算法中，宇宙个体在搜索当前最优宇宙的过程中先执行的是全局搜索，再执行的是局部搜索，引入一种新的自适应压缩因子μ来改变当前最优宇宙的位置，其公式如下：
其中，l为当前迭代次数，L为最大迭代次数。
S22改进极限学习机
建立基于改进多元宇宙优化算法优化极限学习机的模型，并选取最优权重、偏置的极限学习机作为预测模型；，具体步骤如下：
S221确定极限学习机的阈值初值φ(0＜φ＜1)，搜索空间维度大小D，隐含层神经元个数h，激活函数H令初始t＝1；在给定条件下训练极限学习机，建立回归模型，得到训练误差；
S222设定最大迭代次数L，宇宙个数(种群规模)U，按照归一化后的样本，初始化宇宙的位置。
S223根据宇宙膨胀率变化原理，通过轮盘赌机制选择白洞，公式如下：
其中，
表示轮盘赌机制选择出的第个宇宙的第j个物体，r1是[0，1]范围内的随机数，NI(Ui)表示第i个宇宙的膨胀率；
计算粒子的适应度值并以最佳适应度值的个体设置为当前宇宙的位置，更新个体宇宙位置的公式如下：
其中，μ为步骤S21中的自适应压缩因子，Xj表示当前最优宇宙的第j个物体，lbj表示下限，ubj表示下限，r2、r3是[0，1]范围内的随机数，WEP表示多元宇宙空间中虫洞存在的概率，TDR表示物体朝着当前最优宇宙移动的步长，两个参数的公式如下：
其中，l为当前迭代次数，L为最大迭代次数，WEPmin＝0.2，WEPmax＝1，p表示开采度，取值为6；
S224达到最大迭代次数，算法终止，反之，则返回执行步骤S223；
S225.将算法所得到的最优宇宙位置数值作为优化极限学习机的参数，得到基于CLMVO-ELM的水体溶解氧浓度预测模型。
对比例1
与实施例的不同之处在于，S2采用训练集训练极限学习机网络并改进极限学习机中，省去步骤S21，即不对多元宇宙优化算法进行改进，直接得到多元宇宙优化算法优化极限学习机的模型(MVO-ELM)，其他步骤同实施例。
对比例2
与实施例的不同之处在于，S2采用训练集训练极限学习机网络并改进极限学习机中的S21步骤中，仅采用Iterative混沌映射改进多元宇宙优化算法，得到Iterative混沌映射改进多元宇宙优化算法优化极限学习机的模型(CMVO-ELM)，其他步骤同实施例。
对比例3
与实施例的不同之处在于，S2采用训练集训练极限学习机网络并改进极限学习机中的S21步骤中，仅采用拉丁超立方抽样改进多元宇宙优化算法，得到拉丁超立方抽样改进多元宇宙优化算法优化极限学习机的模型(LMVO-ELM)，其他步骤同实施例。
评价实施例和对比例1-3的预测模型
选取预测常用评价指标：MAE、MAPE、RMSE、R2对预测性能进行评价得到表1。
上述四个预测评价指标，计算公式分别如下：
其中，MAE为平均绝对误差，MAPE为平均绝对百分比误差，RMSE均方根误差，R2为决定系数。yi为训练样本的真实输出，
为预测输出，
为平均值，n为样本个数。
表1为本发明和对照组模型的误差对照表
由表1可知，CLMVO-ELM的MAE、MAPE、RMSE三项指标数值都比其他模型小，而R2指标数值相比较之下大于其他模型。这说明，在水体溶解氧浓度预测方法中，CLMVO-ELM模型具有较高的预测精度和稳定性。
Claims (10)
1.一种基于CLMVO-ELM的溶解氧浓度预测方法，其特征在于，包括以下步骤：
(1)采集水质数据，对所述水质数据进行数据清洗，清洗后的数据归一化，得到训练集；
(2)采用训练集训练极限学习机网络并改进极限学习机，所述改进极限学习机是指采用改进的多元宇宙优化算法优化极限学习机网络参数；所述改进的多元宇宙优化算法为通过拉丁超立方抽样初始化多元宇宙优化算法参数，得到改进的多元宇宙优化算法。
(3)再次采集水质数据，并对采集的所有数据进行归一化，将归一化后的数据输入到改进极限学习机中，由改进极限学习机输出预测得到水体溶解氧浓度。
2.根据权利要求1所述基于CLMVO-ELM的溶解氧浓度预测方法，其特征在于，步骤(1)归一化的公式如下：
其中，X为当前需要归一化的数据，Xmax为需要归一化的数据中的最大值，Xmin为需要归一化的数据的最小值，Xi是归一化后的数据。
3.根据权利要求1所述的基于CLMVO-ELM的溶解氧浓度预测方法，其特征在于，在步骤(2)中拉丁超立方抽样初始化多元宇宙优化算法参数的方法包括以下步骤：
(21)将每一维分成m个长度相同的区间，使得每个区间有相同的概率；
(22)在每一维的每一个区间随机抽取一个点；
(23)将步骤(22)中抽取的点组成向量。
(24)根据步骤(23)中的向量对多元宇宙优化算法中的宇宙个数N、维度D、最大迭代次数L参数进行初始化。
4.根据权利要求1所述的基于CLMVO-ELM的溶解氧浓度预测方法，其特征在于，在步骤(2)中，多元宇宙优化算法的局部搜索采用Iterative混沌搜索进行处理，Iterative混沌映射产生的混沌序列用于初始化宇宙个数，利用多元宇宙优化算法得到当前全局最优值，其公式如下：
其中，xk为迭代k次所产生的值，a是控制参数。
5.根据权利要求1所述的基于CLMVO-ELM的溶解氧浓度预测方法，其特征在于，在步骤(2)中，在多元宇宙优化算法中，引入自适应压缩因子改变最优宇宙的位置，其公式如下：
其中，l为当前迭代次数，L为最大迭代次数。
6.根据权利要求5所述的基于CLMVO-ELM的溶解氧浓度预测方法，其特征在于，对极限学习机的改进步骤如下：
(a)初始化极限学习机网络结构输入参数；
(b)设定最大迭代次数L，种群规模U，根据训练集作为输入数据确定多元宇宙优化算法中的初始化宇宙的位置；
(c)以训练集作为输入数据训练极限学习机网络并计算粒子的适应度值，并以最佳适应度值的个体位置为当前个体宇宙位置，并利用如下公式更新个体宇宙位置：
其中，μ为自适应压缩因子，Xj为当前最优宇宙的第j个物体，lbj表示下限，ubj表示下限，r2、r3是[0,1]范围内的随机数，WEP表示多元宇宙空间中虫洞存在的概率，TDR表示物体朝着当前最优宇宙移动的步长；
其中，l为当前迭代次数，L为最大迭代次数，WEPmin＝0.2，WEPmax＝1，p表示开采度，取值为6；
(d)判断多元宇宙优化算法是否达到最大迭代次数L，如果是则算法终止，否则步骤(c)继续迭代；
(e)步骤(d)中得到的最优宇宙位置数值作为优化极限学习机的参数。
7.根据权利要求1所述的基于CLMVO-ELM的溶解氧浓度预测方法，其特征在于，水质数据包括温度、亚硝酸盐、氨氮、总氮、硝酸盐和溶解氧。
8.一种溶解氧预测装置，其特征在于，包括：数据预处理模块、水体溶解氧预测模型和预测结果模块，所述数据预处理模块用于对获取的水质数据进行数据清洗、归一化处理得到样本集；所述水体溶解氧预测模型为基于改进的多元宇宙优化算法优化极限学习机模型；所述预测结果模块，用于输入归一化后的水质数据，以预测待测水源的溶解氧。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述的溶解氧浓度预测方法的步骤。
10.一种非暂态计算机可读存储介质，其特征在于，其上存储有计算机程序，该计算机程序被处理器执行时实现如权利要求1至7任一项所述的溶解氧浓度预测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110738556.0A CN113539386A (zh) | 2021-06-30 | 2021-06-30 | 基于clmvo-elm的溶解氧浓度预测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110738556.0A CN113539386A (zh) | 2021-06-30 | 2021-06-30 | 基于clmvo-elm的溶解氧浓度预测方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113539386A true CN113539386A (zh) | 2021-10-22 |
Family
ID=78097374
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110738556.0A Pending CN113539386A (zh) | 2021-06-30 | 2021-06-30 | 基于clmvo-elm的溶解氧浓度预测方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113539386A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115356936A (zh) * | 2022-10-19 | 2022-11-18 | 山东润德生物科技有限公司 | 氨糖发酵过程中的补料控制方法、系统、存储介质及设备 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106651012A (zh) * | 2016-12-02 | 2017-05-10 | 东华大学 | 一种基于改进极限学习机的作物蒸腾量预测方法 |
| CN107092987A (zh) * | 2017-04-18 | 2017-08-25 | 中国人民解放军空军工程大学 | 一种中小型无人机自主着舰风速预测方法 |
| CN110738362A (zh) * | 2019-09-30 | 2020-01-31 | 温州大学 | 一种基于改进的多元宇宙算法构建预测模型的方法 |
-
2021
- 2021-06-30 CN CN202110738556.0A patent/CN113539386A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106651012A (zh) * | 2016-12-02 | 2017-05-10 | 东华大学 | 一种基于改进极限学习机的作物蒸腾量预测方法 |
| CN107092987A (zh) * | 2017-04-18 | 2017-08-25 | 中国人民解放军空军工程大学 | 一种中小型无人机自主着舰风速预测方法 |
| CN110738362A (zh) * | 2019-09-30 | 2020-01-31 | 温州大学 | 一种基于改进的多元宇宙算法构建预测模型的方法 |
Non-Patent Citations (2)
| Title |
|---|
| 刘京昕: "多元宇宙优化算法的改进与应用", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
| 刘大铖等: "基于极限学习机的车间节能目标预测方法", 《贵州大学学报（自然科学版）》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115356936A (zh) * | 2022-10-19 | 2022-11-18 | 山东润德生物科技有限公司 | 氨糖发酵过程中的补料控制方法、系统、存储介质及设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108228716B (zh) | 基于加权极限学习机的SMOTE_Bagging集成污水处理故障诊断方法 | |
| CN109558893B (zh) | 基于重采样池的快速集成污水处理故障诊断方法 | |
| CN110006649B (zh) | 一种基于改进蚁狮算法和支持向量机的轴承故障诊断方法 | |
| CN108710974B (zh) | 一种基于深度置信网络的水体氨氮预测方法及装置 | |
| CN107506857B (zh) | 基于模糊支持向量机的城市湖库蓝藻水华多变量预测方法 | |
| CN112733447A (zh) | 一种基于域自适应网络的水下声源定位方法及系统 | |
| CN113011660A (zh) | 空气质量预测方法、系统及存储介质 | |
| CN116542382A (zh) | 基于混合优化算法的污水处理溶解氧浓度预测方法 | |
| CN113539386A (zh) | 基于clmvo-elm的溶解氧浓度预测方法、装置、设备及存储介质 | |
| CN111737110A (zh) | 一种面向深度学习模型的测试输入选择方法 | |
| CN112001436A (zh) | 一种基于改进的极限学习机的水质分类方法 | |
| CN116881841A (zh) | 一种基于F1-score多级决策分析的混合模型故障诊断方法 | |
| CN114757433B (zh) | 一种饮用水源抗生素抗性相对风险快速识别方法 | |
| CN115906959A (zh) | 基于de-bp算法的神经网络模型的参数训练方法 | |
| CN115579068A (zh) | 一种基于预训练和深度聚类的宏基因组物种重建方法 | |
| CN114444654A (zh) | 一种面向nas的免训练神经网络性能评估方法、装置和设备 | |
| CN114782740A (zh) | 结合遗传优化与极端梯度提升的遥感水质监测方法 | |
| CN113011091A (zh) | 一种自动分组的多尺度轻量型深度卷积神经网络优化方法 | |
| CN116405368B (zh) | 一种高维不平衡数据条件下的网络故障诊断方法、系统 | |
| CN115952728B (zh) | 一种亚硝态氮浓度软测量预测方法 | |
| CN117648646B (zh) | 基于特征选择和堆叠异构集成学习的钻采成本预测方法 | |
| Xu et al. | Prediction of the Wastewater's pH Based on Deep Learning Incorporating Sliding Windows. | |
| CN117784615B (zh) | 一种基于impa-rf的火控系统故障预测方法 | |
| CN113159219B (zh) | 一种耦合遗传算法和神经网络的土壤污染物含量插值方法 | |
| Zhang et al. | Soft-Sensing Method of Effluent Ammonia Nitrogen Based on Emotional Neural Network |
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 |