CN116468167A - 一种基于改进ga-bp神经网络的沼气产量预测方法及系统 - Google Patents
一种基于改进ga-bp神经网络的沼气产量预测方法及系统 Download PDFInfo
- Publication number
- CN116468167A CN116468167A CN202310415063.2A CN202310415063A CN116468167A CN 116468167 A CN116468167 A CN 116468167A CN 202310415063 A CN202310415063 A CN 202310415063A CN 116468167 A CN116468167 A CN 116468167A
- Authority
- CN
- China
- Prior art keywords
- neural network
- data
- improved
- yield prediction
- biogas yield
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 66
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 49
- 230000002068 genetic effect Effects 0.000 claims abstract description 47
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims abstract description 40
- 238000007781 pre-processing Methods 0.000 claims abstract description 15
- 238000000605 extraction Methods 0.000 claims abstract description 14
- 238000012549 training Methods 0.000 claims abstract description 12
- 238000012360 testing method Methods 0.000 claims abstract description 10
- 238000002922 simulated annealing Methods 0.000 claims abstract description 7
- 210000000349 chromosome Anatomy 0.000 claims description 11
- 238000005457 optimization Methods 0.000 claims description 8
- 230000035772 mutation Effects 0.000 claims description 7
- 230000006872 improvement Effects 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 5
- 230000007613 environmental effect Effects 0.000 claims description 4
- 238000013075 data extraction Methods 0.000 claims description 3
- 238000013524 data verification Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 10
- 238000004364 calculation method Methods 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000000137 annealing Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 239000007789 gas Substances 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000002803 fossil fuel Substances 0.000 description 1
- 230000008303 genetic mechanism Effects 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 238000006386 neutralization reaction Methods 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N3/0499—Feedforward networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Molecular Biology (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于改进GA‑BP神经网络的沼气产量预测方法及系统，包括数据采集与预处理模块、特征提取模块与沼气产量预测模块，数据采集与预处理模块，获取沼气产量相关的传感器数据，将从采集模块采集到的数据与沼气产量相关的传感器数据进行分类、解析，分析所获数据可用性，剔除无效数据；特征提取模块，提取可用沼气产量相关传感器数据，同时将得到的数据分为训练集与测试集两个部分；沼气产量预测模块，使用模拟退火算法对遗传算法的神经网络的权值与阈值进行优化。本发明采用上述的一种基于改进GA‑BP神经网络的沼气产量预测方法及系统，能够完成对沼气产量的精准预测，对沼气生产进行指导，优化清洁能源的生产模式，减少不可再生资源的使用。
Description
技术领域
本发明涉及沼气产量评估技术领域，尤其是涉及一种基于改进GA-BP神经网络的沼气产量预测方法及系统。
背景技术
沼气，是一种清洁、可持续的能源。我国是一个传统农业大国，农村地区缺乏沼气，普及率低，只有30％-40％。因此，我国农村沼气技术体系落后，随着我国社会经济的不断发展，人民的生活水平越来越高，对环境的要求越来越严格。在力求达到碳中和目标下，绿色能源在我国的能源使用所占的比重不断增加。沼气作为一种多用途的可再生资源，既可以代替化石燃料，又因为富含甲烷能够代替天然气使用，因此，沼气产量预测研究以及对沼气生产进行科学化的指导具有现实意义。
遗传算法(Genetic Algorithm，GA)是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的模型。该算法通过数学的方式，利用计算机仿真运算，将问题的求解过程转换成类似生物进化中的染色体基因的交叉、变异等过程。遗传算法优点在于它是基于概率规则，具有可扩展性，易与其他技术混合使用，但在进行编码时容易出现不规范不准确的问题。
BP(Back Propagation，BP)神经网络是一种按照误差反向传播训练的一种前馈网络，其主要应用在数据拟合、函数逼近等方面。BP神经网络模型确立就是先构造神经网络的输入层、隐藏层和输出层，然后根据数据样本，确定权重w和偏置b，就得出完整的神经网络模型了。但BP神经网络存在学习速率慢、易陷入局部最小值等不足。
模拟退火算法(simulated annealing，SA)来源于固体退火原理，是一种基于概率的算法。算法思想为：先从一个较高的初始温度出发，逐渐降低温度，直到温度降低到满足热平衡条件为止。在每个温度下，进行n轮搜索，每轮搜索时对旧解添加随机扰动生成新解，并按一定规则接受新解。优点在于，不管函数形式多么复杂，模拟退火算法更有可能找到全局最优解，而缺点在于需要耗费的时间越来越多。
目前，在对沼气产量预测的研究少，且沼气生产具有严重的非线性，对于沼气产量进行预测还没有有效手段，如果单使用BP神经网络进行预测，预测的结果不甚理想，本申请提出的一种基于改进GA-BP神经网络的沼气产量预测方法及系统，准确率得到了极大的提升，鲁棒性也得到了增强。
发明内容
本发明的目的是提供一种基于改进GA-BP神经网络的沼气产量预测方法及系统，能够完成对沼气产量的精准预测，对沼气生产进行指导，优化清洁能源的生产模式，减少不可再生资源的使用。
为实现上述目的，本发明提供了一种基于改进GA-BP神经网络的沼气产量预测方法及系统，包包括数据采集与预处理模块、特征提取模块与沼气产量预测模块，数据采集与预处理模块，获取沼气产量相关的传感器数据，将从采集模块采集到的数据与沼气产量相关的传感器数据进行分类、解析，分析所获数据可用性，剔除无效数据；特征提取模块，提取可用沼气产量相关传感器数据，同时将得到的数据分为训练集与测试集两个部分；沼气产量预测模块，使用模拟退火算法对遗传算法的神经网络的权值与阈值进行优化。
优选的，数据采集与预处理模块包括气体收集单元、环境数据获取单元与数据预处理单元。
优选的，特征提取模块包括数据提取单元与网络映射单元，进行特征提取工作，减少数据维度，整理出有效的特征以供后续使用，将与沼气产量相关参数进行提取，并放入数据库中进行存储，且在改进遗传算法优化的BP神经网络中进行映射。
优选的，沼气产量预测模块包括原始数据优化单元、网络模型改进单元、网络参数优化单元与模型训练单元。
优选的，原始数据单元获取改进遗传算法优化BP神经网络的预设参数，根据预设参数进行编码以形成改进遗传算法优化BP神经网络的初始种群，其中，预设参数包括预设权值和预设阈值，对初始种群进行选择、交叉和变异操作，每一轮操作的交叉概率和变异概率分别根据改进遗传算法优化BP神经网络确定，根据操作轮数是否达到设定的最大遗传代数，确定是否终止操作，在操作轮数达到最大遗传代数时，获取最后一轮操作获取的种群中适应度值最大的种群，并将适应度值最大的种群解码，以形成改进遗传算法优化BP神经网络的各个初始参数。
优选的，网络模型改进单元，根据操作轮数是否达到设定的最大遗传代数，确定是否终止操作；在操作轮数未达到最大遗传代数时，将当前轮操作获得的新种群与上一轮操作获得的所述种群按比例混合得到下一轮种群，并对下一轮种群进行选择、交叉和变异操作，并验证算法的有效性。
优选的，网络参数优化单元，利用改进遗传算法优化BP神经网络对得到的权值与阈值进行优化。
优选的，模型训练单元，将传感器数据作为BP神经网络的输入，将网络参数优化单元得到的最优染色体进行解码，得到最优的权值与阈值，将权值与阈值导入到BP神经网络中，得到误差最小的BP神经网络模型，使用BP神经网络对测试集进行训练，将得到的数据与实际的沼气产量数据进行比较，得到系统在对数据验证时的真正准确度。
因此，本发明采用上述结构的一种基于改进GA-BP神经网络的沼气产量预测方法及系统，能够完成对沼气产量的精准预测，对沼气生产进行指导，优化清洁能源的生产模式，减少不可再生资源的使用。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明一种基于改进GA-BP神经网络的沼气产量预测方法及系统实施例结构示意图；
图2为本发明一种基于改进GA-BP神经网络的沼气产量预测方法及系统实施例结构流程图。
具体实施方式
以下通过附图和实施例对本发明的技术方案作进一步说明。
除非另外定义，本发明使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。本发明中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。
如图1-2所示，本发明提供了一种基于改进GA-BP神经网络的沼气产量预测方法及系统，包括数据采集与预处理模块、特征提取模块与沼气产量预测模块，数据采集与预处理模块，获取沼气产量相关的传感器数据，将从采集模块采集到的数据与沼气产量相关的传感器数据进行分类、解析，分析所获数据可用性，剔除无效数据。
特征提取模块，提取可用沼气产量相关传感器数据，同时将得到的数据分为训练集与测试集两个部分，确保测试系统功能与准确性。
沼气产量预测模块，使用模拟退火算法对遗传算法的神经网络的权值与阈值进行优化，使优化过的神经网络结构能够更好的预测输出。
数据采集与预处理模块包括气体收集单元、环境数据获取单元与数据预处理单元，进行相关气体数据和环境数据的采集，因获取数据越来越多，可能会产生无效数据，对相关数据进行预处理。
特征提取模块包括数据提取单元与网络映射单元，进行特征提取工作，减少数据维度，整理出有效的特征以供后续使用，将与沼气产量相关参数进行提取，并放入数据库中进行存储，且在改进遗传算法优化的BP神经网络中进行映射。
沼气产量预测模块包括原始数据优化单元、网络模型改进单元、网络参数优化单元与模型训练单元。
原始数据单元获取改进遗传算法优化BP神经网络的预设参数，根据预设参数进行编码以形成改进遗传算法优化BP神经网络的初始种群，其中，预设参数包括预设权值和预设阈值；
对初始种群进行选择、交叉和变异操作，每一轮操作的交叉概率和变异概率分别根据改进遗传算法优化BP神经网络确定；根据操作轮数是否达到设定的最大遗传代数，确定是否终止操作；在操作轮数达到最大遗传代数时，获取最后一轮操作获取的种群中适应度值最大的种群，并将适应度值最大的种群解码，以形成改进遗传算法优化BP神经网络的各个初始参数，用于对时间序列数据去噪，得到更为平稳的时间序列数据。
网络模型改进单元，根据操作轮数是否达到设定的最大遗传代数，确定是否终止操作；在操作轮数未达到最大遗传代数时，将当前轮操作获得的新种群与上一轮操作获得的所述种群按比例混合得到下一轮种群，并对下一轮种群进行选择、交叉和变异操作，并验证算法的有效性。
网络参数优化单元，利用改进遗传算法优化BP神经网络对得到的权值与阈值进行优化，以提高所述改进遗传算法优化BP神经网络的预测性能。改进退火过程，使得退火的温度从最初到最小温度的过程实现线性递减，假设T0和Tend分别表示最初温度和最小温度，最大迭代次数和当前迭代次数分别是Maxlt和iter。目前温度可以表示为：
Ti＝(T0-Tend)×(Maxlt-iter)/Maxit+Tend；
接下来，将该算法与遗传算法相结合，具有高温的一组能够在遗传算法开始时以一个较大的概率接受不好的解，以确保染色体跳出局部最优，随着迭代次数增加，温度开始下降，并且接受坏解的可能性也随之降低，这使得染色体能够在全局进行选择、交叉、变异。
模型训练单元，将传感器数据作为BP神经网络的输入，将网络参数优化单元得到的最优染色体进行解码，得到最优的权值与阈值，将权值与阈值导入到BP神经网络中，得到误差最小的BP神经网络模型，使用BP神经网络对测试集进行训练，将得到的数据与实际的沼气产量数据进行比较，得到系统在对数据验证时的真正准确度。
初始化算法的各项参数：对遗传算法的参数进行初始化的设置，设定遗传算法的初始的种群的规模N，遗传算法的最大迭代次数Gmax，设定好遗传算法中的交叉概率和变异概率，根据BP神经网络中输入层、隐含层和输出层的神经元的个数计算出染色体的编码长度M，遗传算法采用的编码是二进制编码方式，长度的计算公式为：
M＝n0×n1+n1×n2+n1+n2；
其中n0,n1,n2分别为输入层、隐含层和输出层神经元的个数，染色体的每一段的编码都是神经网络中从输入到输出的神经元的权值与阈值；整个系统结构的残留数据进行清除，消除遗传算法中的迭代次数；对BP神经网络的染色体进行解码，从染色体中解除神经网络的权值与阈值。
将得到的神经网络的权值与阈值带入到BP神经网络中进行训练，将训练得到的输出与期望的结果进行比较，将误差的平均值作为评价权值与阈值的好坏；系统的期望是将误差减小，所以系统的使用度需要与误差成反比关系，将均方误差的倒数作为个体的适应度值，计算公式如下：
其中m为输出节点数；yi为BP神经网络的第i个节点期望输出；Oi为第i个节点的预测输出；K为输出系数，使用该方法及系统作为原先的遗传算法中的适应度计算函数，适应度值的大小更加能够评价权值与阈值的优秀程度；将染色体重新进行编码，编码成二进制数，再使用改进的交叉机制与变异机制进行操作。
迭代完成的神经网络的权值与阈值形成新的种群，重新计算得到新的种群的适应度；进行循环判定，当得到的种群满足适应度或当迭代次数达到设定值时停止运算，否则就一直进行计算；将最终得到的种群进行解码，得到每一个神经元的权值与阈值带入到神经网路中，将测试集作为输入测试系统的精度。
因此，本发明采用上述结构的一种基于改进GA-BP神经网络的沼气产量预测方法及系统，能够完成对沼气产量的精准预测，对沼气生产进行指导，优化清洁能源的生产模式，减少不可再生资源的使用。
最后应说明的是：以上实施例仅用以说明本发明的技术方案而非对其进行限制，尽管参照较佳实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对本发明的技术方案进行修改或者等同替换，而这些修改或者等同替换亦不能使修改后的技术方案脱离本发明技术方案的精神和范围。
Claims (8)
1.一种基于改进GA-BP神经网络的沼气产量预测方法及系统，包括数据采集与预处理模块、特征提取模块与沼气产量预测模块，数据采集与预处理模块，获取沼气产量相关的传感器数据，将从采集模块采集到的数据与沼气产量相关的传感器数据进行分类、解析，分析所获数据可用性，剔除无效数据；特征提取模块，提取可用沼气产量相关传感器数据，同时将得到的数据分为训练集与测试集两个部分；沼气产量预测模块，使用模拟退火算法对遗传算法的神经网络的权值与阈值进行优化。
2.根据权利要求1所述的一种基于改进GA-BP神经网络的沼气产量预测方法及系统，其特征在于：数据采集与预处理模块包括气体收集单元、环境数据获取单元与数据预处理单元。
3.根据权利要求1所述的一种基于改进GA-BP神经网络的沼气产量预测方法及系统，其特征在于：特征提取模块包括数据提取单元与网络映射单元，进行特征提取工作，减少数据维度，整理出有效的特征以供后续使用，将与沼气产量相关参数进行提取，并放入数据库中进行存储，且在改进遗传算法优化的BP神经网络中进行映射。
4.根据权利要求1所述的一种基于改进GA-BP神经网络的沼气产量预测方法及系统，其特征在于：沼气产量预测模块包括原始数据优化单元、网络模型改进单元、网络参数优化单元与模型训练单元。
5.根据权利要求4所述的一种基于改进GA-BP神经网络的沼气产量预测方法及系统，其特征在于：原始数据单元获取改进遗传算法优化BP神经网络的预设参数，根据预设参数进行编码以形成改进遗传算法优化BP神经网络的初始种群，其中，预设参数包括预设权值和预设阈值，对初始种群进行选择、交叉和变异操作，每一轮操作的交叉概率和变异概率分别根据改进遗传算法优化BP神经网络确定，根据操作轮数是否达到设定的最大遗传代数，确定是否终止操作，在操作轮数达到最大遗传代数时，获取最后一轮操作获取的种群中适应度值最大的种群，并将适应度值最大的种群解码，以形成改进遗传算法优化BP神经网络的各个初始参数。
6.根据权利要求4所述的一种基于改进GA-BP神经网络的沼气产量预测方法及系统，其特征在于：网络模型改进单元，根据操作轮数是否达到设定的最大遗传代数，确定是否终止操作；在操作轮数未达到最大遗传代数时，将当前轮操作获得的新种群与上一轮操作获得的所述种群按比例混合得到下一轮种群，并对下一轮种群进行选择、交叉和变异操作，并验证算法的有效性。
7.根据权利要求4所述的一种基于改进GA-BP神经网络的沼气产量预测方法及系统，其特征在于：网络参数优化单元，利用改进遗传算法优化BP神经网络对得到的权值与阈值进行优化。
8.根据权利要求4所述的一种基于改进GA-BP神经网络的沼气产量预测方法及系统，其特征在于：模型训练单元，将传感器数据作为BP神经网络的输入，将网络参数优化单元得到的最优染色体进行解码，得到最优的权值与阈值，将权值与阈值导入到BP神经网络中，得到误差最小的BP神经网络模型，使用BP神经网络对测试集进行训练，将得到的数据与实际的沼气产量数据进行比较，得到系统在对数据验证时的真正准确度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310415063.2A CN116468167A (zh) | 2023-04-18 | 2023-04-18 | 一种基于改进ga-bp神经网络的沼气产量预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310415063.2A CN116468167A (zh) | 2023-04-18 | 2023-04-18 | 一种基于改进ga-bp神经网络的沼气产量预测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116468167A true CN116468167A (zh) | 2023-07-21 |
Family
ID=87181883
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310415063.2A Pending CN116468167A (zh) | 2023-04-18 | 2023-04-18 | 一种基于改进ga-bp神经网络的沼气产量预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116468167A (zh) |
-
2023
- 2023-04-18 CN CN202310415063.2A patent/CN116468167A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113190699B (zh) | 一种基于类别级语义哈希的遥感图像检索方法及装置 | |
| CN112733417B (zh) | 一种基于模型优化的异常负荷数据检测与修正方法和系统 | |
| CN107346459B (zh) | 一种基于遗传算法改进的多模式污染物集成预报方法 | |
| CN111242302A (zh) | 一种智能参数优化模块的XGBoost预测方法 | |
| CN113033786B (zh) | 基于时间卷积网络的故障诊断模型构建方法及装置 | |
| Yuan et al. | Evoq: Mixed precision quantization of dnns via sensitivity guided evolutionary search | |
| CN111008224A (zh) | 一种基于深度多任务表示学习的时间序列分类和检索方法 | |
| CN112084877A (zh) | 基于nsga-net的遥感图像识别方法 | |
| CN102521654B (zh) | Rna遗传算法的超临界水氧化反应动力学模型参数估计方法 | |
| CN110570042B (zh) | 一种短期电动汽车充电负荷预测方法及系统 | |
| CN114065933B (zh) | 一种基于人工免疫思想的未知威胁检测方法 | |
| CN113095534A (zh) | 一种ARIMA与改进Elman神经网络组合的风电功率预测方法 | |
| CN113762591B (zh) | 一种基于gru和多核svm对抗学习的短期电量预测方法及系统 | |
| CN110298506A (zh) | 一种城市建设水平预测系统 | |
| CN108537581B (zh) | 基于gmdh选择性组合的能源消费量时间序列预测方法及装置 | |
| CN113591078A (zh) | 基于卷积神经网络架构优化的工控入侵检测系统及方法 | |
| CN111310974A (zh) | 一种基于ga-elm的短期需水预测方法 | |
| CN116468167A (zh) | 一种基于改进ga-bp神经网络的沼气产量预测方法及系统 | |
| CN110288159A (zh) | 一种智慧城市建设测度方法 | |
| CN113343589B (zh) | 一种基于遗传-随机常数的基因表达式编程的酸性天然气水合物生成条件预测方法 | |
| CN113704570B (zh) | 基于自监督学习式进化的大规模复杂网络社区检测方法 | |
| CN112735604B (zh) | 一种基于深度学习算法的新型冠状病毒分类方法 | |
| CN115796327A (zh) | 一种基于vmd和iwoa-f-gru模型的风电功率区间预测方法 | |
| CN112348275A (zh) | 一种基于在线增量学习的区域生态环境变化预测方法 | |
| CN114037006B (zh) | 电力系统典型日负荷曲线生成方法 |
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 |