CN115034383A - 网络的训练方法和温度预测方法、装置、设备及存储介质 - Google Patents
网络的训练方法和温度预测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115034383A CN115034383A CN202210670346.7A CN202210670346A CN115034383A CN 115034383 A CN115034383 A CN 115034383A CN 202210670346 A CN202210670346 A CN 202210670346A CN 115034383 A CN115034383 A CN 115034383A
- Authority
- CN
- China
- Prior art keywords
- individual
- neural network
- population
- fitness
- temperature
- 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
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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K13/00—Thermometers specially adapted for specific purposes
-
- 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
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
Abstract
本公开实施例提供了一种网络的训练方法和温度预测方法、装置、设备及存储介质,涉及计算机应用技术领域。具体方案:获取多组样本温度数据;获取多组权重参数;针对每个个体,计算多组样本温度数据分别对应的实际温度、与将样本温度数据对应的周围温度输入个体神经网络而得到的输出之间的差异,并基于差异计算个体的适应度;基于每个个体的适应度,对初始种群进行迭代,得到迭代后种群;若迭代次数到达预设遗传迭代次数,或迭代后种群中个体的适应度满足适应度条件,则从迭代后种群中选择目标个体,将目标个体作为优化权值参数;基于优化权值参数进行用于温度预测的神经网络的训练。本公开能够提高神经网络预测温度的准确性。
Description
技术领域
本公开涉及计算机应用技术领域,特别是涉及一种用于温度预测的神经网络的训练方法和温度预测方法、装置、设备及存储介质。
背景技术
在工业生产和家电控温等场景中,温度精准测量非常重要,但在实际应用中,存在需要准确知道被测物体某个部位的温度,但又不方便直接测量该部位的温度的情况。
发明内容
本公开实施例的目的在于提供一种用于温度预测的神经网络的训练方法和温度预测方法、装置、设备及存储介质,以提高神经网络预测温度的准确性。具体技术方案如下:
第一方面,本公开实施例提供了一种用于温度预测的神经网络的训练方法,包括:
获取多组样本温度数据,样本温度数据包括被测物体部位的实际温度以及所述部位的周围温度;
获取多组权重参数,分别将每组权重参数作为一个个体,得到包括多个个体的初始种群;
针对每个个体,计算多组样本温度数据分别对应的实际温度、与将所述样本温度数据对应的周围温度输入个体神经网络而得到的输出之间的差异,并基于所述差异计算所述个体的适应度,所述个体神经网络是利用所述个体作为权重参数训练的神经网络;
基于每个个体的适应度,对所述初始种群进行迭代,得到迭代后种群;
若迭代次数到达预设遗传迭代次数,或所述迭代后种群中个体的适应度满足适应度条件,则从所述迭代后种群中选择目标个体,将所述目标个体作为优化权值参数;
基于所述优化权值参数进行用于温度预测的神经网络的训练。
可选地,所述基于个体的适应度,对所述初始种群进行迭代,得到迭代后种群,包括:
重复执行步骤:从当前种群中选择待操作个体,对所述待操作个体进行交叉操作和变异操作,得到操作后个体,将所述操作后个体和其他个体组成迭代后种群,并将迭代次数加1,其中,其他个体包括当前种群中除所述待操作个体之外的个体,所述当前种群是当前迭代的上一次迭代得到的迭代后种群,第一次迭代所对应的当前种群是所述初始种群。
可选地,所述从当前种群中选择待操作个体,包括:
针对每个个体,根据所述个体的适应度计算所述个体的个体选择概率;
利用所述个体选择概率,从当前种群中选择待操作个体。
可选地,所述根据所述个体的适应度计算所述个体的个体选择概率,包括:
其中,Pk为个体k的个体选择概率,Fk个体k的适应度,m为所述迭代后种群中个体的数量。
可选地,所述基于所述差异计算所述个体的适应度,包括:
其中,F为个体的适应度,n为多组样本温度数据的数量,yi为第i个样本温度数据对应的实际温度,oi为将第i个样本温度数据对应的周围温度输入个体神经网络而得到的输出。
可选地,所述基于所述优化权值参数进行用于温度预测的神经网络的训练,包括:
针对每组样本温度数据,将所述样本温度数据输入待训练神经网络,所述待训练神经网络是将所述优化权重参数作为初始的权重参数的神经网络;
通过所述待训练神经网络得到所述样本温度数据对应的预测温度;
计算所述预测温度与所述样本温度数据对应的实际温度之间的误差;
基于所述误差调整模型参数,直至满足训练结束条件,得到训练好的神经网络,所述训练好的神经网络是包含满足所述训练结束条件时的模型参数的神经网络。
第二方面,本公开实施例提供了一种温度预测方法,包括:
获取目标部位的周围温度;
将所述周围温度输入用于温度预测的神经网络,通过所述神经网络输出所述目标部位的预测温度;
其中,所述用于温度预测的神经网络是通过上述第一方面所述的训练方法得到的。
第三方面,本公开实施例提供了一种用于温度预测的神经网络的训练装置,包括:
获取模块,用于获取多组样本温度数据,样本温度数据包括被测物体部位的实际温度以及所述部位的周围温度;获取多组权重参数,分别将每组权重参数作为一个个体,得到包括多个个体的初始种群;
计算模块,用于针对每个个体,计算多组样本温度数据分别对应的实际温度、与将所述样本温度数据对应的周围温度输入个体神经网络而得到的输出之间的差异,并基于所述差异计算所述个体的适应度,所述个体神经网络是利用所述个体作为权重参数训练的神经网络;
迭代模块,用于基于每个个体的适应度,对所述初始种群进行迭代,得到迭代后种群;
选择模块,用于若迭代次数到达预设遗传迭代次数,或所述迭代后种群中个体的适应度满足适应度条件,则从所述迭代后种群中选择目标个体,将所述目标个体作为优化权值参数;
训练模块,用于基于所述优化权值参数进行用于温度预测的神经网络的训练。
可选地,所述迭代模块,具体用于重复执行:从当前种群中选择待操作个体,对所述待操作个体进行交叉操作和变异操作,得到操作后个体,将所述操作后个体和其他个体组成迭代后种群,并将迭代次数加1,其中,其他个体包括当前种群中除所述待操作个体之外的个体,所述当前种群是当前迭代的上一次迭代得到的迭代后种群,第一次迭代所对应的当前种群是所述初始种群。
可选地,所述迭代模块,具体用于针对每个个体,根据所述个体的适应度计算所述个体的个体选择概率;利用所述个体选择概率,从当前种群中选择待操作个体。
可选地,所述迭代模块,具体用于根据所述个体的适应度,通过个体选择概率公式,计算所述个体的个体选择概率;
其中,Pk为个体k的个体选择概率,Fk个体k的适应度,m为所述迭代后种群中个体的数量。
可选地,所述计算模块,具体用于根据多组样本温度数据对应的差异,通过适应度函数:计算所述个体的适应度;其中,F为个体的适应度,n为多组样本温度数据的数量,yi为第i个样本温度数据对应的实际温度,oi为将第i个样本温度数据对应的周围温度输入个体神经网络而得到的输出。
可选地,所述训练模块,具体用于针对每组样本温度数据,将所述样本温度数据输入待训练神经网络,所述待训练神经网络是将所述优化权重参数作为初始的权重参数的神经网络;通过所述待训练神经网络得到所述样本温度数据对应的预测温度;计算所述预测温度与所述样本温度数据对应的实际温度之间的误差;基于所述误差调整模型参数,直至满足训练结束条件,得到训练好的神经网络,所述训练好的神经网络是包含满足所述训练结束条件时的模型参数的神经网络。
第四方面,本公开实施例提供了一种温度预测装置,包括:
获取模块,用于获取目标部位的周围温度;
温度预测模块,用于将所述周围温度输入用于温度预测的神经网络,通过所述神经网络输出所述目标部位的预测温度;
其中,所述用于温度预测的神经网络是通过上述第三方面所述的训练装置得到的。
第五方面,本公开实施例提供了一种电子设备,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现第一方面或第二方面所述的方法步骤。
第六方面,本公开实施例提供了一种计算机可读存储介质,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现第一方面或第二方面所述的方法步骤。
本公开实施例还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述第一方面或第二方面所述的方法。
本公开实施例中,从迭代次数到达预设遗传迭代次数,或迭代后种群中个体的适应度满足适应度条件时的迭代后种群中,选择目标个体,并将目标个体作为优化权值参数;基于优化权值参数进行用于温度预测的神经网络的训练,利用优化权值参数进行用于温度预测的神经网络的训练,相比较于利用随机选择的权值参数进行用于温度预测的神经网络的训练,能够提高神经网络的精度,提高神经网络预测温度的准确性。
当然,实施本公开的任一产品或方法并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本公开实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本公开的一些实施例,对于本领域普通技术人员来讲,还可以根据这些附图获得其他的实施例。
图1为本公开实施例提供的用于温度预测的神经网络的训练方法的流程图;
图2为本公开实施例中基于优化权值参数进行神经网络的训练流程图;
图3为应用本公开实施例提供的用于温度预测的神经网络的训练方法的示意图;
图4为本公开实施例中用于温度预测的神经网络的训练方法的示意图;
图5为本公开实施例提供的温度预测方法的流程图;
图6为本公开实施例中神经网络训练过程中误差的变化示意图;
图7为相关技术中得到的神经网络对容器中介质温度预测曲线图;
图8为本公开实施例中得到的神经网络对容器中介质温度预测曲线图;
图9为本公开实施例提供的用于温度预测的神经网络的训练装置的结构示意图;
图10为本公开实施例提供的温度预测装置的结构示意图;
图11为本公开实施例提供的电子设备的结构示意图。
具体实施方式
下面将结合本公开实施例中的附图,对本公开实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本公开一部分实施例,而不是全部的实施例。基于本公开中的实施例,本领域普通技术人员基于本公开所获得的所有其他实施例,都属于本公开保护的范围。
针对需要准确知道被测物体某个部位的温度,但又不方便直接测量该部位的温度的情况,一般通过测量被测物体该部位的周围温度,通过该周围温度预测该部位的温度或者直接把周围温度作为该部位的温度来使用。周围温度表示该部位周围的温度,可以包括该部位周围的部位的温度。可以理解,该部位周围的部位是实际环境中相比较于该部位容易测量温度的部位。
相关技术中,通过神经网络例如反向传播(Back Propagation,BP)神经网络建立非线性模型,即训练用于温度预测的神经网络,将测量得到的周围温度输入该用于温度预测的神经网络,并通过该神经网络输出预测的该部位的温度。对于神经网络的训练,目前采用的方式是随机选择初始的权值和阈值,再基于随机选择的初始的权值和阈值进行神经网络的训练,以得到用于温度预测的神经网络。但是,随机选择的初始的权值和阈值会导致神经网络陷入局部最小值,而非全局最小值,会使得训练得到的模型的精度较低,进而使用该模型进行温度预测时,会导致温度预测误差过大。
本公开实施例提供了一种用于温度预测的神经网络的训练方法,可以包括:
获取多组样本温度数据,样本温度数据包括被测物体部位的实际温度以及部位的周围温度;
获取多组权重参数,分别将每组权重参数作为一个个体,得到包括多个个体的初始种群;
针对每个个体,计算多组样本温度数据分别对应的实际温度、与将样本温度数据对应的周围温度输入个体神经网络而得到的输出之间的差异,并基于差异计算个体的适应度,个体神经网络是利用个体作为权重参数训练的神经网络;
基于每个个体的适应度,对初始种群进行迭代,得到迭代后种群;
若迭代次数到达预设遗传迭代次数,或迭代后种群中个体的适应度满足适应度条件,则从迭代后种群中目标个体,将目标个体作为优化权值参数;
基于优化权值参数进行用于温度预测的神经网络的训练。
本公开实施例中,从迭代次数到达预设遗传迭代次数,或迭代后种群中个体的适应度满足适应度条件时的迭代后种群中,选择目标个体,并将目标个体作为优化权值参数;基于优化权值参数进行用于温度预测的神经网络的训练,利用优化权值参数进行用于温度预测的神经网络的训练,相比较于利用随机选择的权值参数进行用于温度预测的神经网络的训练,能够提高神经网络的精度,提高神经网络预测温度的准确性。
图1为本公开实施例提供的用于温度预测的神经网络的训练方法的流程图。参照图1,本公开实施例提供的用于温度预测的神经网络的训练方法可以包括如下步骤:
S101,获取多组样本温度数据。
样本温度数据包括被测物体部位的实际温度以及部位的周围温度。
该部位的实际温度可以是对该部位进行一次测量得到的温度,或者,可以是多次测量得到的温度的平均值,或者,可以是利用多个传感器对该部位测量的温度的平均值,等等。
周围温度可以包括针对该部位周围的一个部位的温度,也可以包括该部位周围的多个部位的温度。
一种可实现方式中,在实验条件下,通过温度传感器测量被测物体在实际工况中不方便测量部位的周围温度和被测物体该部位的实际温度作为样本温度数据,可以测量被测物体在不同温度的数据以获取大量样本温度数据。为了避免测量方式造成的误差,可以根据实际工况,固定好温度传感器的位置,保证实验条件和实际工况下测量方式的一致性。
S102,获取多组权重参数,分别将每组权重参数作为一个个体,得到包括多个个体的初始种群。
权重参数可以作为神经网络的参数,一组权重参数可以包括一个参数,也可以包括多个参数。构成初始种群的多组权重参数可以是随机获取的。
一种可实现方式中,权重参数可以包括神经网络多层的权重和阈值。
例如,y=WjOj-1+bj;
其中,y是第j层的输出,Oj-1是j-1层的输出,也可以理解为第j层的上一层的输出,每层之间的参数记为Wj和bj,表示第j-1层和第j层之间的参数,Wj和bj即为权重参数。
S103,针对每个个体,计算多组样本温度数据分别对应的实际温度、与将样本温度数据对应的周围温度输入个体神经网络而得到的输出之间的差异,并基于差异计算个体的适应度。
个体神经网络是利用个体作为权重参数训练的神经网络。
个体神经网络可以是BP神经网络。该个体神经网络可以是预先训练好的,针对每个个体,将利用个体作为权重参数训练的神经网络,即该个体对应的个体神经网络与该个体对应存储,如此,在计算个体适应度过程中,可以分别将各组样本温度数据对应的周围温度输入该个体对应的个体神经网络,计算各组样本温度数据对应的实际温度、与将样本温度数据对应的周围温度分别输入个体神经网络得到的输出之间的差异,并基于差异计算个体的适应度。
差异与个体适应度成反比,差异越小,则个体适应度越高;差异越大,则个体适应度越低。
一种可选地实施例中,基于差异计算个体的适应度,包括:
其中,F为个体的适应度,n为多组样本温度数据的数量,yi为第i个样本温度数据对应的实际温度,oi为将第i个样本温度数据对应的周围温度输入个体神经网络而得到的输出。
S104,基于每个个体的适应度,对初始种群进行迭代,得到迭代后种群。
S105,若迭代次数到达预设遗传迭代次数,或迭代后种群中个体的适应度满足适应度条件,则从迭代后种群中选择目标个体,将目标个体作为优化权值参数。
预设遗传迭代次数可以实际需求或经验确定,例如,预设遗传迭代次数的范围为500次至1000次。
适应度条件可以是迭代后种群中适应度最高的个体的适应度达到预设适应度阈值,或者,迭代后种群中适应度最高的个体的适应度和种群适应度收敛,其中,种群适应度可以是迭代后种群中所有个体的适应度的统计值,统计值可以是均值、方差、等等。
若迭代次数到达预设遗传迭代次数,或迭代后种群中个体的适应度满足适应度条件,可以从迭代后种群中选择任一个体作为目标个体,或者,可以根据预设选择策略选择目标个体。预设选择策略可以基于适应度确定。
一种可选地实施例中,若迭代次数到达预设遗传迭代次数,或迭代后种群中个体的适应度满足适应度条件,可以从迭代后种群中选择适应度最高的个体,该适应度最高的个体为目标个体。具体地,针对迭代后种群中的每个个体,计算多组样本温度数据分别对应的实际温度、与将样本温度数据对应的周围温度输入个体神经网络而得到的输出之间的差异,并基于差异计算迭代后种群中的每个个体的适应度;然后,比较迭代后种群中的各个个体的适应度,从迭代后种群中选择适应度最高的个体,即从迭代后种群中选择出目标个体。
基于每个个体的适应度,对初始种群进行迭代,得到迭代后种群可以通过重复执行如下步骤来实现:从当前种群中选择待操作个体,对待操作个体进行交叉操作和变异操作,得到操作后个体,将操作后个体和其他个体组成迭代后种群,并将迭代次数加1。
其中,其他个体包括当前种群中除待操作个体之外的个体,当前种群是当前迭代的上一次迭代得到的迭代后种群,第一次迭代所对应的当前种群是初始种群。
为了计算地方便,可以先对当前种群中的个体进行编码,后续针对编码后的个体进行选择、交叉、变异等。
例如,本公开实施例中可以采用实数编码,每个个体都是一个实数串,由神经网络全部的权值和阈值组成,其编码长度为:
d=din×dhid+dhid+dhid×dout+dout
d是编码长度,din是输入层神经元个数,dhid是隐藏层神经元个数,dout是输出层神经元个数。
可以采用选择算子从当前种群中选择待操作个体,选择算子可以采用遗传算法中通用的选择算子,例如,常用的选择算子有以下几种:适应度比例方法、随机遍历抽样法、局部选择法、轮盘赌法等等。
一种可实现方式中,从当前种群中选择待操作个体,可以包括:
针对每个个体,根据个体的适应度计算个体的个体选择概率;利用个体选择概率,从当前种群中选择待操作个体。
每个个体的选择概率与适应度有着直接的关系,适应度越大,被选择的概率就越大。
根据个体的适应度计算个体的个体选择概率,可以包括:
根据个体的适应度,通过个体选择概率公式,计算个体的个体选择概率;
其中,Pk为个体k的个体选择概率,Fk个体k的适应度,m为迭代后种群中个体的数量。
交叉操作是指把两个父代个体的部分结构加以替换重组而生成新个体的操作。变异操作是对个体作变动的操作,例如,对个体得到的编码串的一位或多位进行变动。
交叉操作和变异操作可以采用遗传算法中通用的交叉方式和变异方式,这里不再赘述。
S106,基于优化权值参数进行用于温度预测的神经网络的训练。
可以将优化权重参数作为神经网络的初始参数,训练用于温度预测的神经网络。训练过程可以参照一般神经网络的训练方式进行训练。
基于优化权值参数进行用于温度预测的神经网络的训练,相比较于随机选择的优化参数,可以在问题的解空间中划分出更好的搜索范围,克服神经网络容易陷入局部最小值的缺点,能够提高训练的用于温度预测的神经网络的准确性。
具体地,如图2所示,S106可以包括:
S201,针对每组样本温度数据,将样本温度数据输入待训练神经网络。
待训练神经网络是将优化权重参数作为初始的权重参数的神经网络。
神经网络的选择可以通过如下步骤实现:
神经网络包括输入层,隐藏层,输出层。输入层和输出层神经元个数由温度数据的输入路数和预测数据的路数对应选择,例如,由3个周围温度预测一个部位的温度,则神经网络的输入层神经元个数为3个,输出层的神经元个数为1个。隐藏层神经元个数n1可以采用如下公式选择,如:
其中,n是输入层神经元个数,m是输出层神经元个数,a一般取1~10。输出层的激活函数选取线性函数为:
f(x)=x
其余各层之间的激活函数选取为:
f(x)=max(0,x)
则隐藏层的输出为:
Oj=max(0,WjOj-1+bj)
输出层的输出为:
y=WjOj-1+bj
其中每层之间的参数记为Wj和bj,Wj和bj可以表示第j-1层和第j层之间的参数,Oj-1为上一层的输出。
S202,通过待训练神经网络得到样本温度数据对应的预测温度。
S203,计算预测温度与样本温度数据对应的实际温度之间的误差。
S204,基于误差调整模型参数,直至满足训练结束条件,得到训练好的神经网络,训练好的神经网络是包含满足训练结束条件时的模型参数的神经网络。
针对一组样本温度数据,调整模型参数的过程可以称之为一次训练。
训练结束条件可以包括训练次数达到预设次数,或者误差小于预设误差,或者误差收敛。其中,模型参数包括权重参数。
计算得到误差后,可以通过性能指标函数,得到性能指标,并基于性能指标调整模型参数。
E=||O-Y||2/2
其中,O为样本温度数据对应的实际温度,如上述yi为第i个样本温度数据对应的实际温度,Y为样本温度数据对应的预测温度。
本公开实施例中通过待训练神经网络得到样本温度数据对应的预测温度;计算预测温度与样本温度数据对应的实际温度之间的误差;基于误差调整模型参数,也可以理解为采用反向传播的方式对神经网络进行训练。
一种可实现方式中,根据梯度下降法调整模型参数,梯度下降法是神经网络训练过程中常用的方式。例如,当学习率为0.01时,根据梯度下降法,输出层权重参数的调整量ΔW2、Δb2为:
隐藏层的权重参数的调整量ΔW1、Δb1为:
W2、b2为输出层的权重参数,W1、b1为隐藏层权重参数。
可根据链式求导得到:
可得新的权值参数为:
一种可选地实施例中,在将样本温度数据输入待训练神经网络之前,还可以包括:
对样本温度数据进行归一化。
S201中将样本温度数据输入待训练神经网络,可以包括:将归一化后的样本温度数据输入待训练神经网络;
S202可以包括:
通过待训练神经网络,输出归一化后的样本温度数据对应的归一化预测温度;对归一化预测温度进行反归一化,得到样本温度数据对应的预测温度。
归一化也可以理解为将样本温度数据映射至一范围,如将样本温度数据压缩在[0,1],如此,一方面便于计算,另一方面,可以使训练的神经网络能够快速的收敛。
具体地,使用以下公式:
Tout=(Tin-Tmin)/(Tmax-Tmin)
Tout为归一化的结果,Tmin为样本温度数据中的最小值,Tmax为样本温度数据中的最大值,Tin为待归一化的样本温度数据。
可以分别对样本温度数据对应的实际温度和周围温度进行归一化。Tin为样本温度数据对应的实际温度或周围温度,对应地,Tout为实际温度或周围温度对应的归一化结果。
输出数据时要进行反归一化处理,才能得到输出温度值,公式如下:
Tin=(Tmax-Tmin)×Tout+Tmin
本公开实施例中在训练得到神经网络之后,可以利用测试集中的样本温度数据对训练好的神经网络进行测试、校验,以进一步提高神经网络的精度,提高神经网络预测温度的准确性。其中,对神经网络的测试、校验的过程相比较于神经网络的训练过程,是将用于训练的训练集替换成测试集,具体地的测试、校验过程参照上述训练过程即可。
一种可实现方式中,本公开实施例中获取大量样本温度数据,一部分作为训练集,另一部分作为测试集。例如,获取的大量样本数据存储在一个数组中,从中随机挑选大部分数据作为训练集,该数组中剩余数据作为测试集,用于检验训练好的神经网络模型的质量。计算个体的适应度过程中所使用的样本温度数据可以是训练集中的样本温度数据。
图3为应用本公开实施例提供的用于温度预测的神经网络的训练方法的示意图。
本公开实施例提供的用于温度预测的神经网络的训练方法可以理解为通过遗传算法(Genetic Algorithm,GA)优化用于温度预测的神经网络的过程,可以应用于温度测量及数据建模等领域。
主要分为两部分:
一、通过GA对权重参数进行优化,以获取优化权重参数,具体包括最优权重和阈值。
可以包括:初始化神经网络参数;设置种群数和遗传次数;输入数据预处理;规定训练误差为适应度值。
确定网络拓扑结构,初始网络权重和阈值,即初始权重参数,初始权重参数即遗传算法过程中的个体,然后对初始值(初始权重参数)编码。
遗传次数即上述实施例中的预设遗传迭代次数,种群数即迭代过程中种群的数量。
输入数据预处理,获取多个样本温度数据,对样本温度数据进行归一化。
然后,针对每个个体,计算多组样本温度数据分别对应的实际温度、与将样本温度数据对应的周围温度输入个体神经网络而得到的输出之间的差异,并基于差异计算个体的适应度,基于每个个体的适应度,对初始种群进行迭代,得到迭代后种群。
具体地,重复执行如下步骤:从当前种群中选择待操作个体,对待操作个体进行交叉操作和变异操作,得到操作后个体,将操作后个体和其他个体组成迭代后种群,并将迭代次数加1,其中,其他个体包括当前种群中除待操作个体之外的个体,当前种群是当前迭代的上一次迭代得到的迭代后种群,第一次迭代所对应的当前种群是初始种群。
判断是否满足终止条件:迭代次数到达预设遗传迭代次数,或迭代后种群中个体的适应度满足适应度条件,如果不满足,返回执行如下步骤:从当前种群中选择待操作个体,对待操作个体进行交叉操作和变异操作,得到操作后个体,将操作后个体和其他个体组成迭代后种群,并将迭代次数加1。
直至满足终止条件,从迭代后种群中选择目标个体,将目标个体作为优化权值参数。
二、利用该优化权重参数对用于温度预测的神经网络的训练。
可以包括:获取最优权重参数:权值和阈值;计算误差;权值阈值更新;满足终止条件,则神经网络输出。
权值阈值更新的过程即基于误差调整模型参数。
得到优化权重参数后,基于优化权值参数进行用于温度预测的神经网络的训练可以参照图4所示进行训练。
采集实验数据,即采集多个样本温度数据。
归一化处理,对样本温度数据进行归一化处理。
可以将多个样本温度数据划分为测试样本和训练样本,多个训练样本组成训练集,多个测试样本组成测试集。训练样本用于神经网络的训练,测试样本用于对训练得到的神经网络进行测试、验证,可以评价神经网络。
确定神经网络结构,确定输入和输出向量,确定激励函数。具体地参照上述实施例中神经网络的训练过程。
因为测试样本和训练样本是归一化后的结果,因此,在神经网络输出温度数据后,要进行反归一化处理,如测试网络过程中将神经网络的输出先进行反归一化处理。
具体地,针对每组样本温度数据,将样本温度数据输入待训练神经网络;通过待训练神经网络得到样本温度数据对应的预测温度;计算预测温度与样本温度数据对应的实际温度之间的误差;基于误差调整模型参数,直至满足训练结束条件,得到训练好的神经网络。
得到用于温度预测的神经网络之后,就可以利用该神经网络进行温度预测。
本公开实施例还提供了一种温度预测方法,如图5所示,可以包括:
S501,获取目标部位的周围温度;
S502,将周围温度输入用于温度预测的神经网络,通过神经网络输出目标部位的预测温度;
其中,该神经网络是通过上述公开用于温度预测的神经网络的训练方法训练得到的。
目标部位可以是被测物体不方便测量温度的部位。例如,加热的容器内部。一个例子中,被测物体为铁质圆桶容器,加入介质水,使用电磁炉为其加热,在实际的生产生活中,为了使用的便捷、卫生等,温度传感器一般不便于直接放入铁质圆桶容器中,铁质圆桶容器内部的温度则不便于测量,目标部位可以包括铁质圆桶容器内部的位置。
周围温度可以包括针对该目标部位周围的一个部位的温度,也可以包括该目标部位周围的多个部位的温度。
实际测温情况中,测量被测物体不方便测量部位的周围温度后,即采集被测物体在实际生产和生活中不方便测量部位的周围温度,就能利用训练好的神经网络,实时预测被测物体在实际生产和生活中不方便测量部位的温度。
本公开实施例中,该用于温度预测的神经网络是利用优化权值参数进行训练得到的,相比较于利用随机选择的权值参数进行用于温度预测的神经网络的训练,提高了神经网络的精度,利用该用于温度预测的神经网络得到的目标部位的预测温度更加准确,能够降低预测温度与实际温度的误差。另外,测量设备易于安装,无需安装在不易测量的部位,安装在易于安装的周围的部位,测量得到周围温度,即可预测得到该不易测量的部位的温度。
下面以一个具体的实施例对本公开实施例提供的用于温度预测的神经网络的训练方法进行详细说明。
以一个直径20cm,高为20cm的铁质圆桶容器为例,加入介质水,使用电磁炉为其加热。如果想精确知道铁质圆桶容器内水的温度,就需要使用温度传感器进行测量。但在实际的生产生活中,为了使用的便捷卫生,温度传感器一般不便于直接放入容器中,而放于容器底部测量时,会受到电磁干扰和炉面温度的影响,一般测得的温度会远高于容器中介质的温度。对此,可以利用本公开实施例提供的用于温度预测的神经网络的训练方法得到的神经网络进行温度预测。
通过实验,利用红外传感器采集容器外部垂直向上6cm,10cm,14cm位置的温度数据,即周围温度。同时也用三路数字温度传感器采集离容器底部1cm处介质的温度,取三路平均值作为介质的实际温度。由此,神经网络的输入层节点选择为3个,输出节点为容器中介质的实时温度,所以输出层节点为1个。考虑到三层神经网络既可以描述动态系统,又可以任意近似非线性函数,而且测温的系统并不算很复杂。所以本实施例采用三层结构的神经网络。隐藏层神经元数量的选取7个神经元,考虑到微控制单元(Microcontroller Unit;MCU)的计算能力比较弱,输入层到隐藏层之间的激励函数不选运算量比较大的指数型函数,而选择ReLU函数f(x)=max(0,x),隐藏层到输出层的函数选择purelin(x)=x,训练函数选trainlm,训练目标为1×10^(-7),最大训练步数10^4,学习率为0.1。
为了减小测量介质温度的误差,取三路数字温度传感器测量容器介质的平均值作为真实的水温,即实际温度,这样和采集的三组容器外壁的温度共同构成四路温度数据,形成一组数据记为data,即一组样本温度数据。把容器中水从20℃左右一直加热到100℃左右的沸腾状态,数据每2秒采集一次,在不同的室温、不同的季节多次加热,把水从室温加热到沸腾11次,采集了5812组data数据,从这11次完整把水加热到沸腾的过程中随机选择10次烧水的过程,这10次烧水的过程总共采集了5318组data数据。本公开实施例中利用这些数据来训练神经网络,即将这些数据作为用于神经网络训练的样本温度数据,也即训练样本。剩下的一次把水加热到沸腾的过程中共采集了494组data数据,用这些数据,也即测试样本来检验BP神经网络模型的性能。
遗传算法参数的选择,本公开实施例采用实数编码,每个个体都是一个实数串,由神经网络全部的权值和阈值组成,其编码长度为:
d=din×dhid+dhid+dhid×dout+dout
d是编码长度,din是输入神经元个数,dhid是隐藏层神经元个数,dout是输出层神经元个数,本公开实施例的编码长度为4×7+7+7×1+1=43。
本公开实施例中利用样本温度数据分别对应的实际温度、与将样本温度数据对应的周围温度输入个体神经网络而得到的输出之间的差异来计算适应度,具体地采用上述适应度函数计算适应度。
基于个体的适应度,对初始种群进行迭代,得到迭代后种群,若迭代次数到达预设遗传迭代次数,或迭代后种群中个体的适应度满足适应度条件,则从迭代后种群中选择目标个体,将目标个体作为优化权值参数。
具体地,种群迭代过程可以重复执行如下步骤来实现:从当前种群中选择待操作个体,对待操作个体进行交叉操作和变异操作,得到操作后个体,将操作后个体和其他个体组成迭代后种群,并将迭代次数加1。
其中,其他个体包括当前种群中除待操作个体之外的个体,当前种群是当前迭代的上一次迭代得到的迭代后种群,第一次迭代所对应的当前种群是初始种群。
判断是否满足终止条件:迭代次数到达预设遗传迭代次数,或迭代后种群中个体的适应度满足适应度条件,如果不满足,返回执行步骤:执行如下步骤:从当前种群中选择待操作个体,对待操作个体进行交叉操作和变异操作,得到操作后个体,将操作后个体和其他个体组成迭代后种群,并将迭代次数加1,直至满足终止条件,从迭代后种群中选择目标个体,将目标个体作为优化权值参数。
其中,选择的操作算子选用轮盘赌法,每个个体的选择概率与适应度有着直接的关系,适应度越大,被选择的概率就越大,具体采用上述个体选择概率公式来选择。选择、交叉概率0.3,变异概率0.1,种群规模(种群包括的个体数量)为50,预设遗传迭代次数20。
本文选定初始种群,选定适应度,然后通过选择、交叉、变异,淘汰劣质个体,直至满足终止条件:迭代次数到达预设遗传迭代次数,或迭代后种群中个体的适应度满足适应度条件,最后选出最优解,即优化权重参数,具体地通过遗传算法得到优化权重参数的过程在上述实施例中已经说明,具体见图3。
这个最优解也可以作为BP神经网络初始的权值和阈值,即作为神经网络的初始权重参数进行神经网络的训练,优化权重参数如下:
W1为输入层与隐藏层之间的权值,W2隐藏层与输出层之间的权值,B1隐藏层的阈值,B2输出层的阈值。
神经网络的训练过程中误差的变化如图6所示,横坐标为迭代次数,纵坐标为误差,误差(样本温度数据对应的实际温度与周围温度之间的误差)在不断变小,该神经网络在139次迭代后均方误差最小为4.58×10-4。把训练好的神经网络模型写入到MCU微控制单元中。利用训练好的神经网络,把采集到的容器外部6cm,10cm,14cm位置的温度数据输入到该训练好的神经网络中,就可以实时得到预测的容器内介质水的温度。
图7是相关技术中BP神经网络对容器中介质温度预测曲线图,平均绝对误差为1.2245℃,均方误差为2.2093,曲线701表示水温真实值,曲线702表示水温预测值,曲线703表示误差绝对值。图8是GA_BP神经网络对容器中介质温度预测曲线图,平均绝对误差为0.7518℃,均方误差为0.9558,其中,GA_BP神经网络指的是利用遗传算法得到的优化权重参数,并利用该优化权重参数训练得到的神经网络,曲线801表示误差绝对值。可以看出,本公开实施例中GA_BP神经网络预测温度的精确度和鲁棒性都有了很大的提高。
本公开实施例通过使用遗传算法优化BP神经网络,即利用遗传算法得到的优化权重参数,并利用该优化权重参数训练得到的神经网络。利用测量的实际温度数据来训练神经网络,使其自学习和自优化调整参数,能够拟合出复杂的非线性关系,在实际工况中能够高精度的反映不方便测量部位的周边温度和该部位温度之间的真实关系。将该BP神经网络写入到MCU中,就可以测量该部位周边的温度来准确预测该部位的温度,预测温度精度高,鲁棒性强,且测量设备易于安装。
对应于上述实施例提供的用于温度预测的神经网络的训练方法,本公开实施例还提供了一种用于温度预测的神经网络的训练装置,如图9所示,可以包括:
获取模块901,用于获取多组样本温度数据,样本温度数据包括被测物体部位的实际温度以及部位的周围温度;获取多组权重参数,分别将每组权重参数作为一个个体,得到包括多个个体的初始种群;
计算模块902,用于针对每个个体,计算多组样本温度数据分别对应的实际温度、与将样本温度数据对应的周围温度输入个体神经网络而得到的输出之间的差异,并基于差异计算个体的适应度,个体神经网络是利用个体作为权重参数训练的神经网络;
迭代模块903,用于基于每个个体的适应度,对初始种群进行迭代,得到迭代后种群;
选择模块904,用于若迭代次数到达预设遗传迭代次数,或迭代后种群中个体的适应度满足适应度条件,则从迭代后种群中选择目标个体,将目标个体作为优化权值参数;
训练模块905,用于基于优化权值参数进行用于温度预测的神经网络的训练。
可选地,迭代模块903,具体用于重复执行:从当前种群中选择待操作个体,对待操作个体进行交叉操作和变异操作,得到操作后个体,将操作后个体和其他个体组成迭代后种群,并将迭代次数加1,其中,其他个体包括当前种群中除待操作个体之外的个体,当前种群是当前迭代的上一次迭代得到的迭代后种群,第一次迭代所对应的当前种群是初始种群。
可选地,迭代模块903,具体用于针对每个个体,根据个体的适应度计算个体的个体选择概率;利用个体选择概率,从当前种群中选择待操作个体。
可选地,迭代模块903,具体用于根据个体的适应度,通过个体选择概率公式,计算个体的个体选择概率;
其中,Pk为个体k的个体选择概率,Fk个体k的适应度,m为迭代后种群中个体的数量。
其中,F为个体的适应度,n为多组样本温度数据的数量,yi为第i个样本温度数据对应的实际温度,oi为将第i个样本温度数据对应的周围温度输入个体神经网络而得到的输出。
可选地,训练模块905,具体用于针对每组样本温度数据,将样本温度数据输入待训练神经网络,待训练神经网络是将优化权重参数作为初始的权重参数的神经网络;通过待训练神经网络得到样本温度数据对应的预测温度;计算预测温度与样本温度数据对应的实际温度之间的误差;基于误差调整模型参数,直至满足训练结束条件,得到训练好的神经网络,训练好的神经网络是包含满足训练结束条件时的模型参数的神经网络。
对应于上述实施例提供的温度预测方法,本公开实施例提供了一种温度预测装置,如图10所示,可以包括:
获取模块1001,用于获取目标部位的周围温度;
温度预测模块1002,用于将周围温度输入用于温度预测的神经网络,通过神经网络输出目标部位的预测温度;
其中,用于温度预测的神经网络是通过上述用于温度预测的神经网络的训练装置得到的。
本公开实施例还提供了一种电子设备,如图11所示,包括处理器1101、通信接口1102、存储器1103和通信总线1104,其中,处理器1101,通信接口1102,存储器1103通过通信总线1104完成相互间的通信。
存储器1103,用于存放计算机程序;
处理器1101,用于执行存储器1103上所存放的程序时,实现上述用于温度预测的神经网络的训练方法或温度预测方法。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect,PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(RandomAccess Memory,RAM),也可以包括非易失性存储器(Non-Volatile Memory,NVM),例如至少一个磁盘存储器。可选的,存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(Digital SignalProcessor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在本公开提供的又一实施例中,还提供了一种计算机可读存储介质,该计算机可读存储介质内存储有计算机程序,计算机程序被处理器执行时实现上述任一用于温度预测的神经网络的训练方法或温度预测方法的步骤。
在本公开提供的又一实施例中,还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述实施例中任一用于温度预测的神经网络的训练方法或温度预测方法。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本公开实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个......”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置、电子设备、计算机可读存储介质以及计算机程序产品实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本公开的较佳实施例,并非用于限定本公开的保护范围。凡在本公开的精神和原则之内所作的任何修改、等同替换、改进等,均包含在本公开的保护范围内。
Claims (16)
1.一种用于温度预测的神经网络的训练方法,其特征在于,包括:
获取多组样本温度数据,样本温度数据包括被测物体部位的实际温度以及所述部位的周围温度;
获取多组权重参数,分别将每组权重参数作为一个个体,得到包括多个个体的初始种群;
针对每个个体,计算多组样本温度数据分别对应的实际温度、与将所述样本温度数据对应的周围温度输入个体神经网络而得到的输出之间的差异,并基于所述差异计算所述个体的适应度,所述个体神经网络是利用所述个体作为权重参数训练的神经网络;
基于每个个体的适应度,对所述初始种群进行迭代,得到迭代后种群;
若迭代次数到达预设遗传迭代次数,或所述迭代后种群中个体的适应度满足适应度条件,则从所述迭代后种群中选择目标个体,将所述目标个体作为优化权值参数;
基于所述优化权值参数进行用于温度预测的神经网络的训练。
2.根据权利要求1所述的方法,其特征在于,所述基于个体的适应度,对所述初始种群进行迭代,得到迭代后种群,包括:
重复执行步骤:从当前种群中选择待操作个体,对所述待操作个体进行交叉操作和变异操作,得到操作后个体,将所述操作后个体和其他个体组成迭代后种群,并将迭代次数加1,其中,其他个体包括当前种群中除所述待操作个体之外的个体,所述当前种群是当前迭代的上一次迭代得到的迭代后种群,第一次迭代所对应的当前种群是所述初始种群。
3.根据权利要求2所述的方法,其特征在于,所述从当前种群中选择待操作个体,包括:
针对每个个体,根据所述个体的适应度计算所述个体的个体选择概率;
利用所述个体选择概率,从当前种群中选择待操作个体。
6.根据权利要求1至5任一项所述的方法,其特征在于,所述基于所述优化权值参数进行用于温度预测的神经网络的训练,包括:
针对每组样本温度数据,将所述样本温度数据输入待训练神经网络,所述待训练神经网络是将所述优化权重参数作为初始的权重参数的神经网络;
通过所述待训练神经网络得到所述样本温度数据对应的预测温度;
计算所述预测温度与所述样本温度数据对应的实际温度之间的误差;
基于所述误差调整模型参数,直至满足训练结束条件,得到训练好的神经网络,所述训练好的神经网络是包含满足所述训练结束条件时的模型参数的神经网络。
7.一种温度预测方法,其特征在于,包括:
获取目标部位的周围温度;
将所述周围温度输入用于温度预测的神经网络,通过所述神经网络输出所述目标部位的预测温度;
其中,所述用于温度预测的神经网络是通过上述权利要求1至6任一项所述的训练方法得到的。
8.一种用于温度预测的神经网络的训练装置,其特征在于,包括:
获取模块,用于获取多组样本温度数据,样本温度数据包括被测物体部位的实际温度以及所述部位的周围温度;获取多组权重参数,分别将每组权重参数作为一个个体,得到包括多个个体的初始种群;
计算模块,用于针对每个个体,计算多组样本温度数据分别对应的实际温度、与将所述样本温度数据对应的周围温度输入个体神经网络而得到的输出之间的差异,并基于所述差异计算所述个体的适应度,所述个体神经网络是利用所述个体作为权重参数训练的神经网络;
迭代模块,用于基于每个个体的适应度,对所述初始种群进行迭代,得到迭代后种群;
选择模块,用于若迭代次数到达预设遗传迭代次数,或所述迭代后种群中个体的适应度满足适应度条件,则从所述迭代后种群中选择目标个体,将所述目标个体作为优化权值参数;
训练模块,用于基于所述优化权值参数进行用于温度预测的神经网络的训练。
9.根据权利要求8所述的装置,其特征在于,所述迭代模块,具体用于重复执行:从当前种群中选择待操作个体,对所述待操作个体进行交叉操作和变异操作,得到操作后个体,将所述操作后个体和其他个体组成迭代后种群,并将迭代次数加1,其中,其他个体包括当前种群中除所述待操作个体之外的个体,所述当前种群是当前迭代的上一次迭代得到的迭代后种群,第一次迭代所对应的当前种群是所述初始种群。
10.根据权利要求9所述的装置,其特征在于,所述迭代模块,具体用于针对每个个体,根据所述个体的适应度计算所述个体的个体选择概率;利用所述个体选择概率,从当前种群中选择待操作个体。
13.根据权利要求8至12任一项所述的装置,其特征在于,所述训练模块,具体用于针对每组样本温度数据,将所述样本温度数据输入待训练神经网络,所述待训练神经网络是将所述优化权重参数作为初始的权重参数的神经网络;通过所述待训练神经网络得到所述样本温度数据对应的预测温度;计算所述预测温度与所述样本温度数据对应的实际温度之间的误差;基于所述误差调整模型参数,直至满足训练结束条件,得到训练好的神经网络,所述训练好的神经网络是包含满足所述训练结束条件时的模型参数的神经网络。
14.一种温度预测装置,其特征在于,包括:
获取模块,用于获取目标部位的周围温度;
温度预测模块,用于将所述周围温度输入用于温度预测的神经网络,通过所述神经网络输出所述目标部位的预测温度;
其中,所述用于温度预测的神经网络是通过上述权利要求8至13任一项所述的训练装置得到的。
15.一种电子设备,其特征在于,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现权利要求1-7任一所述的方法步骤。
16.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1-7任一所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210670346.7A CN115034383A (zh) | 2022-06-14 | 2022-06-14 | 网络的训练方法和温度预测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210670346.7A CN115034383A (zh) | 2022-06-14 | 2022-06-14 | 网络的训练方法和温度预测方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115034383A true CN115034383A (zh) | 2022-09-09 |
Family
ID=83125503
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210670346.7A Pending CN115034383A (zh) | 2022-06-14 | 2022-06-14 | 网络的训练方法和温度预测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115034383A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116579253A (zh) * | 2023-07-11 | 2023-08-11 | 中国海洋大学 | 密封条的物理性能确定方法、装置、电子设备和存储介质 |
-
2022
- 2022-06-14 CN CN202210670346.7A patent/CN115034383A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116579253A (zh) * | 2023-07-11 | 2023-08-11 | 中国海洋大学 | 密封条的物理性能确定方法、装置、电子设备和存储介质 |
CN116579253B (zh) * | 2023-07-11 | 2023-09-22 | 中国海洋大学 | 密封条的物理性能确定方法、装置、电子设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109902801A (zh) | 一种基于变分推理贝叶斯神经网络的洪水集合预报方法 | |
US8250006B2 (en) | Inferential sensors developed using three-dimensional pareto-front genetic programming | |
CN111931983A (zh) | 一种降水量预测方法及系统 | |
CN111507518A (zh) | 一种基于随机森林的小波神径网络混凝土抗渗预测的方法 | |
CN115034383A (zh) | 网络的训练方法和温度预测方法、装置、设备及存储介质 | |
Nor et al. | Radial basis function modeling of hourly streamflow hydrograph | |
CN115982141A (zh) | 一种针对时序数据预测的特征优化方法 | |
CN109242142B (zh) | 一种面向基础设施网的时空预测模型参数优化方法 | |
CN114548680A (zh) | 城市暴雨洪水管理模型参数自动率定方法及系统 | |
CN112016241B (zh) | 一种基于mLASSO-MLP模型的软测量建模方法 | |
CN114896712A (zh) | 基于基准贝叶斯原理与稀疏正则化的结构损伤识别方法 | |
CN109165455A (zh) | 基于互信息和vine copula的水文相依结构建模方法 | |
CN116861256A (zh) | 一种固废焚烧过程的炉温预测方法、系统、设备及介质 | |
WO2015099766A1 (en) | Synthetic gas-oil-ratio determination for gas dominant fluids | |
CN117250914A (zh) | 制造过程捕获的测量数据训练机器学习模型的方法和系统 | |
CN116050475A (zh) | 关键污染物浓度预测模型的训练方法、装置和计算机设备 | |
CN116522594A (zh) | 基于卷积神经网络的时间自适应暂态稳定预测方法及装置 | |
Guzmán-Torres et al. | Non-destructive Tests for Estimating the Tensile Strength in Concrete with Deep Learning | |
CN115207921A (zh) | 一种光伏接入配电网的位置优化方法及系统 | |
CN115618714A (zh) | 一种太阳辐射概率预报方法及相关设备 | |
Munikoti et al. | Bayesian graph neural network for fast identification of critical nodes in uncertain complex networks | |
CN116415700A (zh) | 一种结合人工智能的风能数值预报方法及其装置 | |
CN109345274B (zh) | 基于bp神经网络评分预测误差的近邻用户选择方法 | |
CN117439689B (zh) | 混凝土内无线信道建模方法、设备及存储介质 | |
CN114297940B (zh) | 确定非稳态储层参数的方法及装置 |
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 |