CN115184352A - 基于bp神经网络的水质监测方法 - Google Patents
基于bp神经网络的水质监测方法 Download PDFInfo
- Publication number
- CN115184352A CN115184352A CN202210801133.3A CN202210801133A CN115184352A CN 115184352 A CN115184352 A CN 115184352A CN 202210801133 A CN202210801133 A CN 202210801133A CN 115184352 A CN115184352 A CN 115184352A
- Authority
- CN
- China
- Prior art keywords
- neural network
- water quality
- network model
- sample data
- sample
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 94
- 238000012544 monitoring process Methods 0.000 title claims abstract description 33
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 21
- 238000003062 neural network model Methods 0.000 claims abstract description 57
- 238000012549 training Methods 0.000 claims abstract description 36
- 238000013441 quality evaluation Methods 0.000 claims abstract description 4
- 238000000605 extraction Methods 0.000 claims description 46
- 230000006870 function Effects 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000012795 verification Methods 0.000 claims description 7
- 230000004927 fusion Effects 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003631 expected effect Effects 0.000 description 2
- 238000007667 floating Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000004457 water analysis Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013329 compounding Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
-
- 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
-
- 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
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A20/00—Water conservation; Efficient water supply; Efficient water use
- Y02A20/152—Water filtration
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于BP神经网络的水质监测方法，包括：S1.采集水质样本数据；S2.对水质样本数据进行特征标记，得到标记后的样本数据；S3.将标记后的样本数据输入到BP神经网络模型进行网络模型训练，得到训练好的神经网络模型；S4.采集水质实时数据，并将水质实时数据输入到训练好的神经网络模型，输出水质质量评估结果。本发明能够实现水质的智能化实时监测，抗干扰能力强、监测效果好。
Description
技术领域
本发明涉及水质监测领域，具体涉及一种基于BP神经网络的水质监测方法。
背景技术
随着水域经济的不断发展，水域也受到了越来越严重的污染，比如：水质变得恶臭、河流变得浑浊以及水面上到处都是漂浮的垃圾等。无论是运输航行还是水质供应，都受到了前所未有的挑战。
目前，对于水质的监测主要是由人工进行水质采样以及水质分析，而传统的人工监测方式不仅投入成本高、容易出现人工安全问题，而且操作效率低、更容易引起水质分析误差，同时，也无法及时应对水质实时监测分析需求。
因此，为解决以上问题，需要一种基于BP神经网络的水质监测方法，能够实现无人化测定，并能满足对水质的实时监测。
发明内容
有鉴于此，本发明的目的是克服现有技术中的缺陷，提供基于BP神经网络的水质监测方法，能够实现水质的智能化实时监测，抗干扰能力强、监测效果好。
本发明的基于BP神经网络的水质监测方法，包括如下步骤：
S1.采集水质样本数据；
S2.对水质样本数据进行特征标记，得到标记后的样本数据；
S3.将标记后的样本数据输入到BP神经网络模型进行网络模型训练，得到训练好的神经网络模型；
S4.采集水质实时数据，并将水质实时数据输入到训练好的神经网络模型，输出水质质量评估结果。
进一步，所述步骤S2，具体包括：
S21.对水质样本数据进行特征提取，得到水质的特征信息；其中，所述特征信息包括水色以及漂浮物密度；
S22.将特征信息作为标记元素对水质样本数据进行特征标记，得到标记后的样本数据。
进一步，对水质样本数据进行特征提取，具体包括：
S211.对水质样本数据进行初步特征提取，得到初步提取后的样本数据；
S212.对初步提取后的样本数据进行再次特征提取，得到再次提取后的样本数据。
进一步，对水质样本数据进行初步特征提取，具体包括：
基于多特征融合的图像检索方法对水质样本数据进行初步特征提取；其中，所述基于多特征融合的图像检索方法包括基于颜色特征的提取方法以及基于空间关系的特征提取方法。
进一步，对初步提取后的样本数据进行再次特征提取，具体包括：
S2121.将初步提取后的样本数据中特征点作为目标点，并对相邻的目标点进行连边，构建成目标图；
S2122.确定目标点之间的权重；
S2123.计算目标图的拉普拉斯矩阵的特征向量与特征值，并使用m个非零特征值对应的特征向量作为降维后的结果；其中，m个非零特征值为非零特征值按照从小到大排列的前m个值。
进一步，将标记后的样本数据输入到BP神经网络模型进行网络模型训练，具体包括：
S31.初始化BP神经网络模型；
S32.将标记后的样本数据按照设定比例划分为样本训练集以及样本验证集；
S33.将样本训练集输入到BP神经网络模型进行网络模型训练，得到训练后的神经网络模型；
S34.将样本验证集输入到训练后的神经网络模型，输出样本预测值；
S35.判断样本预测值与样本真实值之间的误差是否在预设范围内，若是，则停止神经网络模型的训练；若否，则将样本预测值与样本真实值之间的误差作为反馈结果，并依据反馈结果对训练后的神经网络模型进行参数调整，得到调整后的神经网络模型，返回执行步骤S33，对调整后的神经网络模型进行网络模型训练。
进一步，所述步骤S35，还包括：先判断网络模型的训练次数是否超过预设值，若是，则停止神经网络模型的训练；若否，则再判断样本预测值与样本真实值之间的误差是否在预设范围内。
进一步，所述参数包括权重矩阵以及偏置系数。
进一步，所述步骤S31，具体包括：确定初始参数，并对初始参数进行赋值，得到初始化参数；根据初始化参数，构建BP神经网络模型。
进一步，所述初始参数包括隐含层层数、每个隐含层的神经元个数、激活函数、学习率以及损失函数。
本发明的有益效果是：本发明公开的一种基于BP神经网络的水质监测方法，通过采集样本数据对BP神经网络模型进行训练，进而得到训练好的神经网络模型，通过将水质实时数据输入到训练好的神经网络模型，可以快速准确地输出水质质量情况，从而实现对水质状态的有效识别；本发明的监测方法，实现了智能化的水质监测，大大降低了人工消耗，提高了水质识别精度。
附图说明
下面结合附图和实施例对本发明作进一步描述：
图1为本发明的方法流程示意图；
图2为本发明的BP神经网络模型示意图。
具体实施方式
以下结合说明书附图对本发明做出进一步的说明，如图所示：
本发明的基于BP神经网络的水质监测方法，包括如下步骤：
S1.采集水质样本数据；其中，通过采用高清摄像头采集目标水域的视频信息，并将所述视频信息进行逐帧分割，得到按照时间先后顺序排列的若干图像，所述若干图像构成了水质样本数据。
S2.对水质样本数据进行特征标记，得到标记后的样本数据；通过对水质样本数据进行特征标记，利于BP神经网络模型的训练，提高了BP神经网络模型的预测精度；
S3.将标记后的样本数据输入到BP神经网络模型进行网络模型训练，得到训练好的神经网络模型；
S4.采集水质实时数据，并将水质实时数据输入到训练好的神经网络模型，输出水质质量评估结果。其中，可以根据水质质量评估结果，对水质状态进行实时预警，进而提高水质环境的质量管理。
本发明将神经网络技术引入水质监测，通过样本的自学习来识别影响因子与水质指标之间复杂的非线性映射关系，能够较好地提高水质质量预测的精度和实用性。与常规的水质监测相比，引入神经网络的水质监测能够全面考虑影响水质指标的各种因素，通过简单的非线性函数的多次复合，克服了线性和非线性拟合中基函数选择与系数求解的困难，并能进行高级的非线性精确映射，具备较强的自适应能力。
本实施例中，所述步骤S2，具体包括：
S21.对水质样本数据进行特征提取，得到水质的特征信息；其中，所述特征信息包括水色以及漂浮物密度；所述漂浮物密度为单位区域面积内的漂浮物个数；
S22.将特征信息作为标记元素对水质样本数据进行特征标记，得到标记后的样本数据。其中，所述特征标记采用现有的图像标记技术，在此不再赘述。
本实施例中，对水质样本数据进行特征提取，具体包括：
S211.对水质样本数据进行初步特征提取，得到初步提取后的样本数据；通过初步特征提取，实现对水质样本图像中有用信息的初步筛选，为后续的再次特征提取做好数据准备。
S212.对初步提取后的样本数据进行再次特征提取，得到再次提取后的样本数据。其中，初步特征提取后，图像特征的维数可能依然比较大，同时也可能包含部分无关或冗余的特征；通过再次特征提取可以有效降低特征空间维数和消除特征之间可能存在的相关性，进而减少特征中的无用信息。
本实施例中，对水质样本数据进行初步特征提取，具体包括：
基于多特征融合的图像检索方法对水质样本数据进行初步特征提取；其中，所述基于多特征融合的图像检索方法包括基于颜色特征的提取方法以及基于空间关系的特征提取方法。所述颜色特征为一种全局特征，描述了图像或图像区域对应景物的表面性质；其中，基于颜色特征的提取方法可采用现有的颜色相关图或颜色矩等，基于空间关系的特征提取方法：可以首先对图像进行自动分割，划分出图像中包含的对象或颜色区域，然后根据这些区域来提取图像特征，并建立索引。
本实施例中，对初步提取后的样本数据进行再次特征提取，具体包括：
S2121.将初步提取后的样本数据中特征点作为目标点，并对相邻的目标点进行连边，构建成目标图；其中，可以采用KNN算法，将每个目标点最近的K个目标点进行连边；所述K为预先设定的值；
S2122.确定目标点之间的权重；其中，如果两个目标点之间存在连边，则权重可以为1，如果两个目标点之间不存在连边，则权重可以为0；
S2123.计算目标图的拉普拉斯矩阵的特征向量与特征值，并使用m个非零特征值对应的特征向量作为降维后的结果；其中，m个非零特征值为非零特征值按照从小到大排列的前m个值。其中，目标图的拉普拉斯矩阵可采用基于图的降维算法进行确定，并计算得到矩阵的特征向量与特征值；
通过上述方法，使得相互之间有关系的目标点，在降维后的空间中尽可能地靠近，从而在降维后仍然能够保持原有的数据结构。
本实施例中，将标记后的样本数据输入到BP神经网络模型进行网络模型训练，具体包括：
S31.初始化BP神经网络模型；
S32.将标记后的样本数据按照设定比例划分为样本训练集以及样本验证集；其中，所述设定比例可根据实际工况进行设置；一般地，样本训练集的数据要比样本验证集多；所述样本训练集用于对BP神经网络模型进行训练，所述样本验证集用于对训练后的神经网络模型进行验证；
S33.将样本训练集输入到BP神经网络模型进行网络模型训练，得到训练后的神经网络模型；
S34.将样本验证集输入到训练后的神经网络模型，输出样本预测值；
S35.判断样本预测值与样本真实值之间的误差是否在预设范围内，若是，则停止神经网络模型的训练；若否，则将样本预测值与样本真实值之间的误差作为反馈结果，并依据反馈结果对训练后的神经网络模型进行参数调整，得到调整后的神经网络模型，返回执行步骤S33，对调整后的神经网络模型进行网络模型训练。其中，所述预设范围可以根据实际工况进行设置；所述参数包括权重矩阵以及偏置系数。
通过返回执行步骤S33，实现对输出值没有达到预期效果的神经网络模型进行迭代训练，从而使得训练后的神经网络模型能够满足预期要求。
本实施例中，所述步骤S31，具体包括：确定初始参数，并对初始参数进行赋值，得到初始化参数；根据初始化参数，构建BP神经网络模型。其中，所述初始参数包括隐含层层数、每个隐含层的神经元个数、激活函数、学习率以及损失函数。
本实施例中，所述步骤S35，还包括：先判断网络模型的训练次数是否超过预设值，若是，则停止神经网络模型的训练；若否，则再判断样本预测值与样本真实值之间的误差是否在预设范围内。其中，所述预设值可以为1000到10000的任一值；神经网络模型在多次的迭代训练后，会逐步靠近预期效果；考虑到在多次迭代后，神经网络模型的输出效果可能不会再发生大的变化，则通过设定训练次数的预设值，避免了后期无意义的迭代训练，进而降低了计算消耗。
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，而不脱离本发明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 (10)
1.一种基于BP神经网络的水质监测方法，其特征在于：包括如下步骤：
S1.采集水质样本数据；
S2.对水质样本数据进行特征标记，得到标记后的样本数据；
S3.将标记后的样本数据输入到BP神经网络模型进行网络模型训练，得到训练好的神经网络模型；
S4.采集水质实时数据，并将水质实时数据输入到训练好的神经网络模型，输出水质质量评估结果。
2.根据权利要求1所述的基于BP神经网络的水质监测方法，其特征在于：所述步骤S2，具体包括：
S21.对水质样本数据进行特征提取，得到水质的特征信息；其中，所述特征信息包括水色以及漂浮物密度；
S22.将特征信息作为标记元素对水质样本数据进行特征标记，得到标记后的样本数据。
3.根据权利要求2所述的基于BP神经网络的水质监测方法，其特征在于：对水质样本数据进行特征提取，具体包括：
S211.对水质样本数据进行初步特征提取，得到初步提取后的样本数据；
S212.对初步提取后的样本数据进行再次特征提取，得到再次提取后的样本数据。
4.根据权利要求3所述的基于BP神经网络的水质监测方法，其特征在于：对水质样本数据进行初步特征提取，具体包括：
基于多特征融合的图像检索方法对水质样本数据进行初步特征提取；其中，所述基于多特征融合的图像检索方法包括基于颜色特征的提取方法以及基于空间关系的特征提取方法。
5.根据权利要求3所述的基于BP神经网络的水质监测方法，其特征在于：对初步提取后的样本数据进行再次特征提取，具体包括：
S2121.将初步提取后的样本数据中特征点作为目标点，并对相邻的目标点进行连边，构建成目标图；
S2122.确定目标点之间的权重；
S2123.计算目标图的拉普拉斯矩阵的特征向量与特征值，并使用m个非零特征值对应的特征向量作为降维后的结果；其中，m个非零特征值为非零特征值按照从小到大排列的前m个值。
6.根据权利要求1所述的基于BP神经网络的水质监测方法，其特征在于：将标记后的样本数据输入到BP神经网络模型进行网络模型训练，具体包括：
S31.初始化BP神经网络模型；
S32.将标记后的样本数据按照设定比例划分为样本训练集以及样本验证集；
S33.将样本训练集输入到BP神经网络模型进行网络模型训练，得到训练后的神经网络模型；
S34.将样本验证集输入到训练后的神经网络模型，输出样本预测值；
S35.判断样本预测值与样本真实值之间的误差是否在预设范围内，若是，则停止神经网络模型的训练；若否，则将样本预测值与样本真实值之间的误差作为反馈结果，并依据反馈结果对训练后的神经网络模型进行参数调整，得到调整后的神经网络模型，返回执行步骤S33，对调整后的神经网络模型进行网络模型训练。
7.根据权利要求6所述的基于BP神经网络的水质监测方法，其特征在于：所述步骤S35，还包括：先判断网络模型的训练次数是否超过预设值，若是，则停止神经网络模型的训练；若否，则再判断样本预测值与样本真实值之间的误差是否在预设范围内。
8.根据权利要求6所述的基于BP神经网络的水质监测方法，其特征在于：所述参数包括权重矩阵以及偏置系数。
9.根据权利要求6所述的基于BP神经网络的水质监测方法，其特征在于：所述步骤S31，具体包括：确定初始参数，并对初始参数进行赋值，得到初始化参数；根据初始化参数，构建BP神经网络模型。
10.根据权利要求9所述的基于BP神经网络的水质监测方法，其特征在于：所述初始参数包括隐含层层数、每个隐含层的神经元个数、激活函数、学习率以及损失函数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210801133.3A CN115184352A (zh) | 2022-07-08 | 2022-07-08 | 基于bp神经网络的水质监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210801133.3A CN115184352A (zh) | 2022-07-08 | 2022-07-08 | 基于bp神经网络的水质监测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115184352A true CN115184352A (zh) | 2022-10-14 |
Family
ID=83518062
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210801133.3A Pending CN115184352A (zh) | 2022-07-08 | 2022-07-08 | 基于bp神经网络的水质监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115184352A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116797053A (zh) * | 2023-08-25 | 2023-09-22 | 深圳普菲特信息科技股份有限公司 | 基于神经网络的化工生产数据分析方法、系统和介质 |
| CN116934558A (zh) * | 2023-09-18 | 2023-10-24 | 共享数据(福建)科技有限公司 | 一种无人机自动巡护监测方法及其系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070233397A1 (en) * | 2006-03-20 | 2007-10-04 | Sensis Corporation | System for detection and prediction of water quality events |
| CN109001136A (zh) * | 2018-09-20 | 2018-12-14 | 杭州绿洁水务科技股份有限公司 | 一种基于紫外—可见光吸收光谱的cod在线监测方法 |
| CN111047073A (zh) * | 2019-11-14 | 2020-04-21 | 佛山科学技术学院 | 一种基于神经网络的水产养殖水质预测方法及系统 |
| CN112529234A (zh) * | 2019-09-18 | 2021-03-19 | 上海交通大学 | 基于深度学习的地表水质预测方法 |
| CN113569898A (zh) * | 2021-05-27 | 2021-10-29 | 河海大学 | 基于bp神经网络的水质模型参数反演分析方法及系统 |
-
2022
- 2022-07-08 CN CN202210801133.3A patent/CN115184352A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070233397A1 (en) * | 2006-03-20 | 2007-10-04 | Sensis Corporation | System for detection and prediction of water quality events |
| CN109001136A (zh) * | 2018-09-20 | 2018-12-14 | 杭州绿洁水务科技股份有限公司 | 一种基于紫外—可见光吸收光谱的cod在线监测方法 |
| CN112529234A (zh) * | 2019-09-18 | 2021-03-19 | 上海交通大学 | 基于深度学习的地表水质预测方法 |
| CN111047073A (zh) * | 2019-11-14 | 2020-04-21 | 佛山科学技术学院 | 一种基于神经网络的水产养殖水质预测方法及系统 |
| CN113569898A (zh) * | 2021-05-27 | 2021-10-29 | 河海大学 | 基于bp神经网络的水质模型参数反演分析方法及系统 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116797053A (zh) * | 2023-08-25 | 2023-09-22 | 深圳普菲特信息科技股份有限公司 | 基于神经网络的化工生产数据分析方法、系统和介质 |
| CN116797053B (zh) * | 2023-08-25 | 2023-11-10 | 深圳普菲特信息科技股份有限公司 | 基于神经网络的化工生产数据分析方法、系统和介质 |
| CN116934558A (zh) * | 2023-09-18 | 2023-10-24 | 共享数据(福建)科技有限公司 | 一种无人机自动巡护监测方法及其系统 |
| CN116934558B (zh) * | 2023-09-18 | 2023-12-19 | 共享数据(福建)科技有限公司 | 一种无人机自动巡护监测方法及其系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115184352A (zh) | 基于bp神经网络的水质监测方法 | |
| CN111209434B (zh) | 一种基于多源异构数据融合的变电站设备巡检系统及方法 | |
| CN111222574B (zh) | 基于多模型决策级融合的舰船与民船目标检测与分类方法 | |
| CN111882620B (zh) | 一种基于多尺度信息道路可行驶区域分割方法 | |
| CN110281949B (zh) | 一种自动驾驶统一分层决策方法 | |
| CN105279485B (zh) | 激光夜视下监控目标异常行为的检测方法 | |
| CN111062423B (zh) | 基于自适应特征融合的点云图神经网络的点云分类方法 | |
| CN112149618B (zh) | 适用于巡检车的行人异常行为检测方法与装置 | |
| CN112184655A (zh) | 一种基于卷积神经网络的宽厚板轮廓检测方法 | |
| CN110738132A (zh) | 一种具备判别性感知能力的目标检测质量盲评价方法 | |
| CN114782915B (zh) | 基于辅助监督和知识蒸馏的智能汽车端到端车道线检测系统及设备 | |
| CN113033547A (zh) | 一种基于MobileNetV2的焊接状态分类方法 | |
| CN117218380A (zh) | 无人船遥感图像的动态目标检测追踪方法 | |
| CN105913011B (zh) | 基于参数自调节神经网络的人体异常行为检测方法 | |
| CN117372854A (zh) | 一种大坝深水结构隐患病害实时检测方法 | |
| CN117765258A (zh) | 基于密度自适应和注意力机制的大规模点云语义分割方法 | |
| CN114972429B (zh) | 云边协同自适应推理路径规划的目标追踪方法和系统 | |
| Putpuek et al. | A Comparative Study of LSTM, GRU, BiLSTM and BiGRU to Predict Dissolved Oxygen | |
| CN110968735A (zh) | 一种基于球面相似度层次聚类的无监督行人重识别方法 | |
| CN116167902A (zh) | 一种基于多属性分析的水面目标安全评估算法模型及方法 | |
| CN110084190B (zh) | 一种基于ann的剧烈光照环境下实时非结构化道路检测方法 | |
| CN116403163B (zh) | 一种截断塞门手把开合状态的识别方法和装置 | |
| CN110909670A (zh) | 一种非结构化道路识别方法 | |
| CN110163348A (zh) | 深度神经网络鲁棒性可视分析系统及方法 | |
| CN114882263B (zh) | 一种基于cnn图像模式的对流天气相似性识别方法 |
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 |