CN116502539B - 一种VOCs气体浓度预测方法及系统 - Google Patents

一种VOCs气体浓度预测方法及系统 Download PDF

Info

Publication number
CN116502539B
CN116502539B CN202310566085.9A CN202310566085A CN116502539B CN 116502539 B CN116502539 B CN 116502539B CN 202310566085 A CN202310566085 A CN 202310566085A CN 116502539 B CN116502539 B CN 116502539B
Authority
CN
China
Prior art keywords
data
electron
vocs gas
layer
space
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.)
Active
Application number
CN202310566085.9A
Other languages
English (en)
Other versions
CN116502539A (zh
Inventor
葛宜达
王熠炜
王政
张昭
张楚
彭甜
王业琴
李茜
钱诗婕
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.)
Huaiyin Institute of Technology
Original Assignee
Huaiyin 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 Huaiyin Institute of Technology filed Critical Huaiyin Institute of Technology
Priority to CN202310566085.9A priority Critical patent/CN116502539B/zh
Publication of CN116502539A publication Critical patent/CN116502539A/zh
Application granted granted Critical
Publication of CN116502539B publication Critical patent/CN116502539B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • 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
    • G06F18/25—Fusion techniques
    • 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
    • G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06N3/048—Activation functions
    • 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
    • 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
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • H—ELECTRICITY
    • H03—ELECTRONIC CIRCUITRY
    • H03H—IMPEDANCE NETWORKS, e.g. RESONANT CIRCUITS; RESONATORS
    • H03H17/00—Networks using digital techniques
    • H03H17/02—Frequency selective networks
    • H03H17/0248—Filters characterised by a particular frequency response or filtering method
    • H03H17/0255—Filters based on statistics
    • H03H17/0257—KALMAN filters
    • 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
    • Y02A50/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE in human health protection, e.g. against extreme weather
    • Y02A50/20—Air quality improvement or preservation, e.g. vehicle emission control or emission reduction by using catalytic converters

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Strategic Management (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Human Resources & Organizations (AREA)
  • Evolutionary Biology (AREA)
  • Computer Hardware Design (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Geometry (AREA)
  • Medical Informatics (AREA)
  • Educational Administration (AREA)
  • Primary Health Care (AREA)

Abstract

本发明公开了一种VOCs气体浓度预测方法及系统，首先实时采集VOCs气体浓度以及气象数据，并对数据进行预处理；其次，建立基于CKF的多传感器数据融合模型，对多变量数据进行局部、全局融合；然后，建立GCN‑TCN时空关联模型，将融合数据以及预处理过的历史实测数据送入GCN‑TCN时空关联模型中进行时空特征提取；利用改进的AOS算法同步优化基于CKF的多传感器数据融合模型的参数和GCN‑TCN时空关联模型的参数，搜寻两模型参数的最优解；最后，利用训练优化后的GCN‑TCN时空关联模型对化工园区的敏感区域的VOCs气体浓度进行预测，并通过云平台数据可视化实时显示。本发明可以对敏感区域的VOCs气体浓度实现更精确的预测，及时发现隐患，降低风险发生。

Description

一种VOCs气体浓度预测方法及系统
技术领域
本发明涉及环境监测技术领域，具体涉及一种VOCs气体浓度预测方法及系统。
背景技术
化工园区中的VOCs气体易挥发且大多易燃、易爆及有毒，当这些气体由于异常排放或泄漏进入大气环境，不但威胁了企业生产运行安全，同时也污染了大气环境。
目前，针对VOCs的预测方法主要有数值模型、统计模型和神经网络模型。数值模型是根据相关理论对污染物在大气中反应过程进行模拟来预测浓度变化，由于模拟气象场的不确定性和对污染物生成机理的模糊性导致此类模型建模难度大，预测结果不够理想。统计模型是分析数据内部规律，利用统计方法建模获取预测值；常见的统计模型主要有ARMA、SVM、多元线性回归模型等，但统计模型对数据间的非线性特征难以建模，预测性能会降低。
神经网络模型具有强大的计算能力和学习能力，可以对数据深层特征进行提取，可以解决多变量、非线性复杂建模问题。主流的神经网络模型有RNN、CNN、LSTM等。由于VOCs气体浓度具有时空特性，一方面会随着时间的推移而变化，另一方面当发生扩散或迁移时会导致空间相关区域内也发生变化。而目前针对VOCs气体浓度预测的技术以时序预测为主，较少考虑VOCs气体之间的空间相关性，这样会导致预测精度降低。根据现有技术的不足，本发明提出了GCN-TCN时空关联模型；GCN能提取出数据采集中隐含的空间信息，将布设在化工园区内的多个传感器视为具有属性信息与结构信息的图结构，来进行空间特征提取；TCN能提取节点特征在时间序列上的依赖关系，对数据进行时间特征提取，并使用空洞卷积来获得指数级的感受野，且与LSTM相比TCN预测性能更稳定，在长期预测中表现更好。该模型结合了GCN和TCN各自的优点，能实现对VOCs气体浓度更为精准的预测。
发明内容
发明目的：针对背景技术中指出的问题，本发明公开了一种VOCs气体浓度预测方法及系统，使用GCN-TCN时空关联模型对VOCs气体浓度进行预测，并使用改进的原子轨道搜索算法优化预测模型的参数，提高预测精度。
技术方案：本发明提出一种VOCs气体浓度预测方法，包括以下步骤：
(1)实时采集VOCs气体浓度以及气象数据；并对数据进行预处理；
(2)建立基于CKF的多传感器数据融合模型，对多变量数据进行局部、全局融合；
(3)建立GCN-TCN时空关联模型，将步骤(2)中得到的融合数据以及预处理过的历史实测数据送入GCN-TCN时空关联模型中进行时空特征提取；
(4)利用改进的AOS算法同步优化基于CKF的多传感器数据融合模型的参数和GCN-TCN时空关联模型的参数，搜寻两模型参数的最优解；所述改进的AOS算法包括采用拉丁超立方代替其原来的随机初始化、多元学习提高原子轨道搜索算法的全局搜索能力；
(5)利用步骤(4)中训练优化后的GCN-TCN时空关联模型对化工园区的敏感区域的VOCs气体浓度进行预测，并通过云平台数据可视化实时显示。
进一步地，所述VOCs气体包括胺类、苯类、硫化物、酮类和醛类；所述气象数据包括湿度、温度、风速、能见度和气压。
进一步地，所述步骤(1)实现过程如下：
(11)把化工园区的敏感区域划分N个空间网格；
(12)每个空间网格分别布置对VOCs气体浓度以及气象数据进行采集的多种类传感器阵列；所述对VOCs气体浓度进行检测的传感器为具有相应敏感材料的半导体式气体传感器；所述对气象数据进行检测的传感器分别为温湿度传感器、风速风向传感器、气象能见度传感器和气压传感器；
(13)通过数据预处理填补缺失值、光滑噪声数据、平滑和删除离群点。
进一步地，所述步骤(2)实现过程如下：
(21)将N个网格的多测点多种类传感器分别放入子滤波器进行数据融合处理，得到每个网格的局部最优估计；
(22)将每个网格的局部最优估计送入主滤波器实现全局最优融合；所述主、子滤波器均采用CKF进行数据融合；融合公式如下：
其中，m表示全局数据融合输出的参数，Xm为化工敏感区域的VOCs气体浓度的全局估计，Pm为化工敏感区域VOCs气体浓度全局估计的协方差矩阵；Xi为第i个网格的VOCs气体浓度局部估计；为第i个网格VOCs气体浓度局部估计协方差矩阵的逆，表示VOCs气体浓度估计信息的信息量；N表示网格数的总量；
(23)全局数据融合按照信息分配原则形成的信息分配量，向局部数据融合进行信息反馈：
式中，k表示时刻，βi是信息分配系数。
进一步地，所述步骤(3)实现过程如下：
(31)将包含日期的VOCs气体浓度数据、气象数据送入输入层，并进行线性转换；
(32)通过时空层的门控TCN进行时间特征提取：
定义空洞因果卷积：因为要处理包含空间和时间信息的二维数据，设二维卷积滤波器F＝(f1×1,f1×2,..,f1×V)，设时间序列X＝(x1,x2,…,xt)，则在xt处的空洞卷积计算公式如下：
式中，V为是滤波器内核大小，d为空洞因子，f(i)为滤波器内核中的第i个元素；xt-d×i为过去的时间方向；
使用门控激活单元来动态调节输入信号，门控激活函数使用tanh激活函数和sigmoid激活函数；每层的门控机制决定了传递到下一层的信息的比例；门控TCN仅包含一个输出门，对于给定的l层输入h(l)，其输出h(l+1)公式如下所示：
其中，b(l)和c(l)是可优化的模型参数，g(·)为tanh激活函数，σ(·)为sigmoid函数，⊙为元素相乘点积；
(33)通过GCN对数据进行空间特征提取：
定义节点下一层的输入H(l+1)；通过邻接矩阵A和单位矩阵IN相加得到新的矩阵从而不会忽略节点自身的信息；
式中，H(l+1)表示经过卷积后节点在第l+1层的特征矩阵，σ表示激活函数，H(l)表示节点在第l层的特征矩阵，W(l)第l层卷积的参数矩阵；
对矩阵进行归一化：
式中，D为度矩阵，Aij表示节点和节点之间由边相连；处理之后的图卷积的运算公式为：
(34)使用残差连接，并使用跳跃连接层连接输出层；
(35)输出层将输出数据进行线性转换，获得VOCs气体浓度的预测数据。
进一步地，所述步骤(4)实现过程如下：
(41)初始化相关参数：最大迭代次数、电子云数量、维度大小、电子在搜索空间的上界与下界；
(42)定义电子X：
其中，Xi表示第i个电子，即电子在搜索空间中的信息，m表示搜索空间中电子的数量，d表示电子的维度；为电子中第i个电子的第j个变量信息；
(43)使用拉丁超立方初始化方法代替原AOS算法中的随机初始化方法，其公式如下：
其中，lbj,i为第p个电子云的第j个维度的下界，ubj,i为第p个电子云的第j个维度的上界，Aj表示第p个电子云所在的子搜索空间，RFP为全排列操作，n表示电子云数量，d表示维度，Xp表示第p个电子云的初始化值，rand为一个取值为[0,1]的随机值；
(44)确定电子的适应度值，即敏感区域中VOCs气体浓度的预测值和实测值的偏差：
其中，E表示适应度值的向量，具有较低适应度值的电子表示敏感区域VOCs气体浓度的预测值和实测值的偏差值较小；Ei为第i个电子的适应度值；m是搜索空间内电子的数量；Hp(t)为t时刻VOCs气体浓度预测值，Ho(t)为t时刻VOCs气体浓度实测值；
(45)利用概率密度函数PDF确定电子在虚拟层中的位置：
其中，为第k层第i个电子，n为最大虚拟层数，p为第k层电子的总数，d是维度，为第k层第i个电子的适应度值；
(46)利用每个虚拟层中电子的位置和适应度值的平均值来表示该层电子的结合态和结合能：
其中，BSk和BEk分别为第k层的结合态和结合能，和/>为第k层第i个电子的位置和适应度值；
利用搜索空间中所有电子的位置和适应度值的平均值来确定原子的结合态和结合能，此过程的数学公式表示为：
其中，BS和BE分别为原子的结合态和结合能，Xi和Ei为第i个电子的位置和适应度值；m是搜索空间中电子的总数；
(47)引入多元学习策略更新电子云中每个电子的位置：
将电子云随机分为两部分，一部分电子从当前电子云和历史电子云中学习，其余元素从当前电子云中的最优电子中学习：
其中，h是小于电子云大小的正整数且h≠p；Xh,j表示当前电子云中h个电子的第j个变量；a和b是从0到1的随机数；Cbest,j是当前电子云最优电子的第j个变量；
(48)电子的位置更新，通过不同位置更新策略搜寻最优参数，使得敏感区域VOCs气体浓度的预测值和实测值的偏差值降低；
(49)通过给定的最大迭代次数判断是否达到算法终止条件，若未达到则转到步骤(45)，最终在最大迭代次数内输出算法迭代出的模型最优参数，使得敏感区域VOCs气体浓度的预测值和实测值的偏差值最低。
进一步地，所述步骤(48)包括以下步骤：
(481)如果每个电子的随机生成数大于等于光子率PR，且特定层中的电子的适应度值大于等于该层的结合能，则认为电子运动受光子的发射作用影响：
其中，和/>分别为第k层第i个电子的当前位置和未来位置，LE是原子中适应度值最低的电子，BS是原子的结合态，αi，βi和γi是包含随机生成的数的向量，这些数均匀分布在(0,1)范围内；
(482)如果每个电子的随机生成数大于等于光子率PR，且特定层中的电子的适应度值低于该层的结合能，则认为电子运动受光子的吸收作用影响：
其中，LEk是第k层适应度值最低的电子，BSk为第k层的结合态；
(483)如果每个电子的随机生成数小于光子率PR，电子的运动基于其他行为：
其中，ri是一个包含随机生成的数的向量，这些数均匀分布在(0,1)的范围内。
基于相同的发明构思，本发明还提出一种VOCs气体浓度预测系统，包括数据采集和预处理模块、数据融合模块、VOCs气体浓度预测模块和数据可视化模块；
所述数据采集和预处理模块对化工园区布置的空间多测点多种类传感器数据进行实时采集；并通过填补缺失值、光滑噪声数据、平滑和删除离群点对数据进行预处理；
所述数据融合模块利用基于CKF的多传感器数据融合模型，对采集的多变量数据进行局部和全局数据融合；
所述VOCs气体浓度预测模块，通过建构GCN-TCN时空关联模型，进行时空特征提取，并利用改进的AOS算法同步优化基于CKF的多传感器数据融合模型的参数和GCN-TCN时空关联模型的参数，搜寻两模型参数的最优解，实现对VOCs气体浓度的预测；
所述数据可视化模块，对VOCs气体浓度预测模块的预测结果通过云平台数据可视化实时显示；并根据VOCs事故风险评估预警指标体系划分预警等级。
有益效果：与现有技术相比，本发明的有益效果：
1、本发明提出基于CKF的多传感器数据融合模型，CKF采用容积数值积分准则通过递推过程来逼近最优框架中的后验概率分布，能够根据系统的观测和历史的滤波信息不断地修正当前的滤波过程，对多传感器采集的多变量数据进行局部、全局融合，提高对化工园区VOCs气体浓度和气象数据的估计精度；
2、本发明所提GCN-TCN时空关联模型结合了GCN和TCN各自的优点，GCN能提取出多传感器采集数据中隐含的空间信息，将布设在化工园区内的多个传感器视为具有属性信息与结构信息的图结构；基于图的角度，多传感器中单个传感器节点被视为图结构中的节点，并使用图邻接矩阵描述节点之间的关系；TCN能提取节点特征在时间序列上的依赖关系，并使用空洞卷积来获得指数级的感受野，具有并行性、稳定的梯度等特点，更适合处理长期预测任务；
3、本发明提出利用改进的原子轨道搜索算法(IAOS)同步优化基于CKF的多传感器数据融合模型的参数(过程噪声协方差、测量噪声协方差等参数)和GCN-TCN时空关联模型的参数(权重、偏置等参数)，搜寻模型参数的最优解，以实现对VOCs气体浓度更为精准的预测。
附图说明
图1是VOCs气体浓度预测方法流程图；
图2是基于CKF的多传感器数据融合流程图；
图3是GCN-TCN时空关联模型结构示意图；
图4是IAOS算法流程图。
具体实施方式
下面结合附图对本发明作进一步详细说明。
本发明提出了一种VOCs气体浓度预测方法，如图1所示，具体包括以下步骤：
步骤1：在化工园区的敏感区域内布置空间多测点多种类传感器，对VOCs气体浓度以及气象数据进行实时采集；通过数据预处理填补缺失值、光滑噪声数据、平滑或删除离群点。
VOCs气体包括胺类、苯类、硫化物、酮类和醛类等。气象数据包括湿度、温度、风速、能见度和气压等。
数据采集和预处理具体实现过程为：把化工园区的敏感区域划分多个空间网格(1,2,3,...,N)；每个空间网格分别布置对VOCs气体浓度以及气象数据进行采集的多种类传感器阵列；所述对VOCs气体浓度进行检测的传感器为具有相应敏感材料的半导体式气体传感器；所述对气象数据进行检测的传感器分别为温湿度传感器、风速风向传感器、气象能见度传感器和气压传感器等。通过数据预处理填补缺失值、光滑噪声数据、平滑和删除离群点。
步骤2：建立基于CKF的多传感器数据融合模型，如图2所示，对多变量数据进行局部、全局融合。
该模型可以根据系统的观测和历史的滤波信息不断地修正当前的滤波过程，从而对滤波发散形成有效抑制，以提高滤波估计的精度。具体步骤如下：
(2.1)容积卡尔曼滤波算法(CKF)的具体步骤如下：
参数初始化：VOCs气体浓度误差协方差矩阵P0、过程噪声协方差矩阵Q0、传感器测量噪声协方差矩阵R0、初始VOCs气体浓度
时间更新：对Pk-1|k-1进行Cholesky分解：
Sk-1|k-1＝chol(Pk-1|k-1) (1)
计算容积点：
式中，为基本容积点，m为容积点数目，/>为k-1时刻的估计VOCs气体浓度值。
定义三阶球面径向容积规则：
式中，m(m＝2n)表示容积点数目，n(n＝2)表示的维度。[1]i代表式中矩阵的第i列，wi为基本容积点相应的权值。
代入非线性状态方程得到传播后容积点：
X'i,k|k-1＝f(Xi,k-1|k-1,uk-1) (4)
式中，f(i)为描述系统状态转移的非线性函数，uk-1为k-1时刻的控制量。
计算一步VOCs气体浓度预测：
式中，为k-1时刻对k时刻的估计VOCs气体浓度值。
计算VOCs气体浓度预测误差的协方差：
式中，Qk-1为k-1时刻过程噪声协方差。
测量更新：对Pk|k-1进行Cholesky分解：
Sk|k-1＝chol(Pk|k-1) (7)
再次生成容积点：
再次传播容积点：
Z'i,k|k-1＝h(Xi,k|k-1,uk) (9)
式中，h(·)为描述传感器测量特性的非线性函数，uk为k时刻的控制量。
预测测量值：
式中，为k-1时刻对k时刻的测量值的估计。
计算新息协方差：
式中，Rk-1为k-1时刻测量噪声协方差。
计算互协方差：
计算容积卡尔曼增益：
Kk＝Pxz k|k-1(Pz k|k-1)-1 (13)
估计当前时刻的VOCs气体浓度值：
计算误差协方差阵：
(2.2)多传感器数据融合的具体步骤如下：
将N个网格的多测点多种类传感器分别放入子滤波器进行数据融合处理，得到每个网格的局部最优估计。
将每个网格的局部最优估计送入主滤波器实现全局最优融合；所述主、子滤波器均采用CKF进行数据融合；融合公式如下：
其中，m表示全局数据融合输出的参数，Xm为化工敏感区域的VOCs气体浓度的全局估计，Pm为化工敏感区域VOCs气体浓度全局估计的协方差矩阵；Xi为第i个网格的VOCs气体浓度局部估计；为第i个网格VOCs气体浓度局部估计协方差矩阵的逆，表示VOCs气体浓度估计信息的信息量；N表示网格数的总量。
全局数据融合按照信息分配原则形成的信息分配量，向局部数据融合进行信息反馈：
式中，k表示时刻，βi是信息分配系数。
步骤3：建立GCN-TCN时空关联模型，如图3所示，将步骤二中得到的融合数据以及预处理过的历史实测数据送入GCN-TCN时空关联模型中进行时空特征提取，得到模型输出；该模型结合了GCN和TCN各自的优点，GCN能提取出多传感器采集数据中隐含的空间信息，将布设在化工园区内的多个传感器视为具有属性信息与结构信息的图结构；TCN能提取节点特征在时间序列上的依赖关系，并使用空洞卷积来获得指数级的感受野。具体步骤如下：
(3.1)将包含日期的VOCs气体浓度数据、气象数据送入输入层，并进行线性转换。
(3.2)通过时空层的门控TCN进行时间特征提取。
定义空洞因果卷积：因为要处理包含空间和时间信息的二维数据，设二维卷积滤波器F＝(f1×1,f1×2,..,f1×V)，设时间序列X＝(x1,x2,…,xt)，则在xt处的空洞卷积计算公式如下：
式中，V为是滤波器内核大小，d为空洞因子，f(i)为滤波器内核中的第i个元素；xt-d×i为过去的时间方向。
使用门控激活单元来动态调节输入信号，门控激活函数使用tanh激活函数和sigmoid激活函数。每层的门控机制决定了传递到下一层的信息的比例；门控TCN仅包含一个输出门，对于给定的l层输入h(l)，其输出h(l+1)公式如下所示：
式中，b(l)和c(l)是可优化的模型参数，g(·)为tanh激活函数，σ(·)为sigmoid函数，⊙为元素相乘点积。
(3.3)通过GCN对数据进行空间特征提取。
加上节点本身的信息：
式中，H(l+1)表示经过卷积后节点在第l+1层的特征矩阵，σ表示激活函数，H(l)表示节点在第l层的特征矩阵，W(l)第l层的卷积的参数，A为邻接矩阵，IN为单位矩阵。
对矩阵进行归一化：
式中，D为度矩阵，Aij表示节点和节点之间由边相连。
处理之后的图卷积的运算公式为：
(3.4)使用残差连接，并使用跳跃连接层连接输出层。
(3.5)输出层将输出数据进行线性转换，获得VOCs气体浓度的预测数据。
步骤4：利用改进的AOS算法同步优化基于CKF的多传感器数据融合模型的参数(过程噪声协方差、测量噪声协方差等参数)和GCN-TCN时空关联模型的参数(权重、偏置等参数)，搜寻模型参数的最优解。
在AOS算法的初始化过程中，使用拉丁超立方初始化代替其原来的随机初始化，并在位置更新策略中引入多元学习来提高原子轨道搜索算法的全局搜索能力，形成即IAOS算法；IAOS算法流程图如图4所示，具体步骤如下：
(4.1)初始化相关参数：最大迭代次数T、电子云数量n、维度大小d、搜索空间的上界(ub)与下界(lb)。
(4.2)定义电子X：
其中，Xi表示第i个电子，即电子在搜索空间中的信息，m表示搜索空间中电子的数量，d表示电子的维度；为电子中第i个电子的第j个变量信息。
(4.3)使用拉丁超立方初始化方法代替原AOS算法中的随机初始化方法，其公式如下：
其中，lbj,i为第p个电子云的第j个维度的下界，ubj,i为第p个电子云的第j个维度的上界，Aj表示第p个电子云所在的子搜索空间，RFP为全排列操作，n表示电子云数量，d表示维度，Xp表示第p个电子云的初始化值，rand为一个取值为[0,1]的随机值。
(4.4)确定电子的适应度值，即敏感区域中VOCs气体浓度的预测值和实测值的偏差：
其中，E表示适应度值的向量，具有较低适应度值的电子表示敏感区域VOCs气体浓度的预测值和实测值的偏差值较小；Ei为第i个电子的适应度值；m是搜索空间内电子的数量；Hp(t)为t时刻VOCs气体浓度预测值，Ho(t)为t时刻VOCs气体浓度实测值。
(4.5)利用概率密度函数(PDF)确定电子在虚拟层中的位置，此过程的数学公式表示为：
其中，为第k层第i个电子，n为最大虚拟层数，p为第k层电子的总数，d是维度，为第k层第i个电子的适应度值。
(4.6)利用每个虚拟层中电子的位置和适应度值的平均值来表示该层电子的结合态和结合能：
其中，BSk和BEk分别为第k层的结合态和结合能，和/>为第k层第i个电子的位置和适应度值。
利用搜索空间中所有电子的位置和适应度值的平均值来确定原子的结合态和结合能，此过程的数学公式表示为：
其中，BS和BE分别为原子的结合态和结合能，Xi和Ei为第i个电子的位置和适应度值；m是搜索空间中电子的总数。
(4.7)引入多元学习策略来更新电子云中每个电子的位置；具体改进如下：
将电子云随机分为两部分，一部分电子从当前电子云和历史电子云中学习，其余电子从当前电子云中的最优电子中学习，如下式所示：
其中，h是小于电子云大小的正整数且h≠p；Xh,j表示当前电子云中h个电子的第j个变量；a和b是从0到1的随机数；Cbest,j是当前电子云最优解的第j个变量。
(4.8)电子的位置更新，通过不同位置更新策略搜寻最优参数，使得敏感区域VOCs气体浓度的预测值和实测值的偏差值降低。
如果每个电子的随机生成数大于等于光子率PR，且特定层中的电子的适应度值大于等于该层的结合能/>则认为电子运动受光子的发射作用影响，此过程的数学公式表示为：
其中，和/>分别为第k层第i个电子的当前位置和未来位置，LE是原子中适应度值最低的电子，BS是原子的结合态，αi，βi和γi是包含随机生成的数的向量，这些数均匀分布在(0,1)范围内。
如果每个电子的随机生成数大于等于光子率PR，且特定层中的电子的适应度值低于该层的结合能，则认为电子运动受光子的吸收作用影响，此过程的数学公式表示为：
其中，LEk是第k层适应度值最低的电子，BSk为第k层的结合态。
如果每个电子的随机生成数小于光子率PR，电子的运动基于其他行为，此过程的数学公式表示为：
其中，ri是一个包含随机生成的数的向量，这些数均匀分布在(0,1)的范围内。
(4.9)通过步骤(4.5)至步骤(4.8)不断更新当前解，并同步更新全局最优解。
(4.10)通过给定的最大迭代次数判断是否达到算法终止条件，若未达到则转到步骤(4.5)，最终在最大迭代次数内输出算法迭代出的模型最优参数，使得敏感区域VOCs气体浓度的预测值和实测值的偏差值最低。
步骤五：利用步骤四中训练优化后的GCN-TCN时空关联模型对化工园区的敏感区域的VOCs气体浓度进行预测，并通过云平台数据可视化实时显示。
采用四种评价指标包括均方根误差RMSE、平均绝对误差MAE、平均绝对百分误差MAPE和相关系数R评价对预测结果进行评价。
通过云平台的数据可视化软件工具查询该区域的VOCs气体浓度历史和实时数据以及未来一段时间的预测结果；对预测结果进行评价的指标RMSE、MAE、MAPE和R的计算公式如下：
式中，Hp(i)为预测值；Ho(i)为实测值；和/>分别表示为实测值和预测值的均值；Z是样本集的个数。
基于相同的发明构思，本发明还提出一种VOCs气体浓度预测系统，包括数据采集和预处理模块、数据融合模块、VOCs气体浓度预测模块和数据可视化模块；数据采集和预处理模块对化工园区布置的空间多测点多种类传感器数据进行实时采集；并通过填补缺失值、光滑噪声数据、平滑和删除离群点对数据进行预处理；数据融合模块利用基于CKF的多传感器数据融合模型，对采集的多变量数据进行局部和全局数据融合；VOCs气体浓度预测模块，通过建构GCN-TCN时空关联模型，进行时空特征提取，并利用改进的AOS算法同步优化基于CKF的多传感器数据融合模型的参数和GCN-TCN时空关联模型的参数，搜寻两模型参数的最优解，实现对VOCs气体浓度的预测；数据可视化模块，对VOCs气体浓度预测模块的预测结果通过云平台数据可视化实时显示；并根据VOCs事故风险评估预警指标体系划分预警等级。
通过对化工园区内各企业风险因素识别和分析，构建基于企业环境风险危害性、企业安全性、企业应急管理和企业污染治理能力的化工园区VOCs事故风险评估预警指标体系；按照VOCs气体浓度区间阈值划分四个预警等级，作为评估预警标准；所述预警等级包括高风险、较高风险、中风险和低风险；企业根据预警等级执行相应的的预警方案。
上述实施方式只为说明本发明的技术构思及特点，其目的在于让熟悉此项技术的人能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。凡根据本发明精神实质所做的等效变换或修饰，都应涵盖在本发明的保护范围之内。

Claims (7)

1.一种VOCs气体浓度预测方法，其特征在于，包括如下步骤：
(1)实时采集VOCs气体浓度以及气象数据；并对数据进行预处理；
(2)建立基于CKF的多传感器数据融合模型，对多变量数据进行局部、全局融合；
(3)建立GCN-TCN时空关联模型，将步骤(2)中得到的融合数据以及预处理过的历史实测数据送入GCN-TCN时空关联模型中进行时空特征提取；
(4)利用改进的AOS算法同步优化基于CKF的多传感器数据融合模型的参数和GCN-TCN时空关联模型的参数，搜寻两模型参数的最优解；所述改进的AOS算法包括采用拉丁超立方代替其原来的随机初始化、多元学习提高原子轨道搜索算法的全局搜索能力；
(5)利用步骤(4)中训练优化后的GCN-TCN时空关联模型对化工园区的敏感区域的VOCs气体浓度进行预测，并通过云平台数据可视化实时显示；
所述步骤(4)实现过程如下：
(41)初始化相关参数：最大迭代次数、电子云数量、维度大小、电子在搜索空间的上界与下界；
(42)定义电子X：
其中，Xi表示第i个电子，即电子在搜索空间中的信息，m表示搜索空间中电子的数量，d表示电子的维度；为电子中第i个电子的第j个变量信息；
(43)使用拉丁超立方初始化方法代替原AOS算法中的随机初始化方法，其公式如下：
其中，lbj,i为第p个电子云的第j个维度的下界，ubj,i为第p个电子云的第j个维度的上界，Aj表示第p个电子云所在的子搜索空间，RFP为全排列操作，n表示电子云数量，d表示维度，Xp表示第p个电子云的初始化值，rand为一个取值为[0,1]的随机值；
(44)确定电子的适应度值，即敏感区域中VOCs气体浓度的预测值和实测值的偏差：
其中，E表示适应度值的向量，具有较低适应度值的电子表示敏感区域VOCs气体浓度的预测值和实测值的偏差值较小；Ei为第i个电子的适应度值；m是搜索空间内电子的数量；Hp(t)为t时刻VOCs气体浓度预测值，Ho(t)为t时刻VOCs气体浓度实测值；
(45)利用概率密度函数PDF确定电子在虚拟层中的位置：
其中，为第k层第i个电子，n为最大虚拟层数，p为第k层电子的总数，d是维度，/>为第k层第i个电子的适应度值；
(46)利用每个虚拟层中电子的位置和适应度值的平均值来表示该层电子的结合态和结合能：
其中，BSk和BEk分别为第k层的结合态和结合能，和/>为第k层第i个电子的位置和适应度值；
利用搜索空间中所有电子的位置和适应度值的平均值来确定原子的结合态和结合能，此过程的数学公式表示为：
其中，BS和BE分别为原子的结合态和结合能，Xi和Ei为第i个电子的位置和适应度值；m是搜索空间中电子的总数；
(47)引入多元学习策略更新电子云中每个电子的位置：
将电子云随机分为两部分，一部分电子从当前电子云和历史电子云中学习，其余元素从当前电子云中的最优电子中学习：
其中，h是小于电子云大小的正整数且h≠p；Xh,j表示当前电子云中h个电子的第j个变量；a和b是从0到1的随机数；Cbest,j是当前电子云最优电子的第j个变量；
(48)电子的位置更新，通过不同位置更新策略搜寻最优参数，使得敏感区域VOCs气体浓度的预测值和实测值的偏差值降低；
(49)通过给定的最大迭代次数判断是否达到算法终止条件，若未达到则转到步骤(45)，最终在最大迭代次数内输出算法迭代出的模型最优参数，使得敏感区域VOCs气体浓度的预测值和实测值的偏差值最低。
2.根据权利要求1所述的一种VOCs气体浓度预测方法，其特征在于，所述VOCs气体包括胺类、苯类、硫化物、酮类和醛类；所述气象数据包括湿度、温度、风速、能见度和气压。
3.根据权利要求1所述的一种VOCs气体浓度预测方法，其特征在于，所述步骤(1)实现过程如下：
(11)把化工园区的敏感区域划分N个空间网格；
(12)每个空间网格分别布置对VOCs气体浓度以及气象数据进行采集的多种类传感器阵列；所述对VOCs气体浓度进行检测的传感器为具有相应敏感材料的半导体式气体传感器；所述对气象数据进行检测的传感器分别为温湿度传感器、风速风向传感器、气象能见度传感器和气压传感器；
(13)通过数据预处理填补缺失值、光滑噪声数据、平滑和删除离群点。
4.根据权利要求1所述的一种VOCs气体浓度预测方法，其特征在于，所述步骤(2)实现过程如下：
(21)将N个网格的多测点多种类传感器分别放入子滤波器进行数据融合处理，得到每个网格的局部最优估计；
(22)将每个网格的局部最优估计送入主滤波器实现全局最优融合；所述主、子滤波器均采用CKF进行数据融合；融合公式如下：
其中，m表示全局数据融合输出的参数，Xm为化工敏感区域的VOCs气体浓度的全局估计，Pm为化工敏感区域VOCs气体浓度全局估计的协方差矩阵；Xi为第i个网格的VOCs气体浓度局部估计；为第i个网格VOCs气体浓度局部估计协方差矩阵的逆，表示VOCs气体浓度估计信息的信息量；N表示网格数的总量；
(23)全局数据融合按照信息分配原则形成的信息分配量，向局部数据融合进行信息反馈：
式中，k表示时刻，βi是信息分配系数。
5.根据权利要求1所述的一种VOCs气体浓度预测方法，其特征在于，所述步骤(3)实现过程如下：
(31)将包含日期的VOCs气体浓度数据、气象数据送入输入层，并进行线性转换；
(32)通过时空层的门控TCN进行时间特征提取：
定义空洞因果卷积：因为要处理包含空间和时间信息的二维数据，设二维卷积滤波器F＝(f1×1,f1×2,..,f1×V)，设时间序列X＝(x1,x2,…,xt)，则在xt处的空洞卷积计算公式如下：
式中，V为是滤波器内核大小，d为空洞因子，f(i)为滤波器内核中的第i个元素；xt-d×i为过去的时间方向；
使用门控激活单元来动态调节输入信号，门控激活函数使用tanh激活函数和sigmoid激活函数；每层的门控机制决定了传递到下一层的信息的比例；门控TCN仅包含一个输出门，对于给定的l层输入h(l)，其输出h(l+1)公式如下所示：
其中，b(l)和c(l)是可优化的模型参数，g(·)为tanh激活函数，σ(·)为sigmoid函数，⊙为元素相乘点积；
(33)通过GCN对数据进行空间特征提取：
定义节点下一层的输入H(l+1)；通过邻接矩阵A和单位矩阵IN相加得到新的矩阵从而不会忽略节点自身的信息；
式中，H(l+1)表示经过卷积后节点在第l+1层的特征矩阵，σ表示激活函数，H(l)表示节点在第l层的特征矩阵，W(l)第l层卷积的参数矩阵；
对矩阵进行归一化：
式中，D为度矩阵，Aij表示节点和节点之间由边相连；处理之后的图卷积的运算公式为：
(34)使用残差连接，并使用跳跃连接层连接输出层；
(35)输出层将输出数据进行线性转换，获得VOCs气体浓度的预测数据。
6.根据权利要求1所述的一种VOCs气体浓度预测方法，其特征在于，所述步骤(48)包括以下步骤：
(481)如果每个电子的随机生成数大于等于光子率PR，且特定层中的电子的适应度值大于等于该层的结合能，则认为电子运动受光子的发射作用影响：
其中，和/>分别为第k层第i个电子的当前位置和未来位置，LE是原子中适应度值最低的电子，BS是原子的结合态，αi，βi和γi是包含随机生成的数的向量，这些数均匀分布在(0,1)范围内；
(482)如果每个电子的随机生成数大于等于光子率PR，且特定层中的电子的适应度值低于该层的结合能，则认为电子运动受光子的吸收作用影响：
其中，LEk是第k层适应度值最低的电子，BSk为第k层的结合态；
(483)如果每个电子的随机生成数小于光子率PR，电子的运动基于其他行为：
其中，ri是一个包含随机生成的数的向量，这些数均匀分布在(0,1)的范围内。
7.一种采用如权利要求1至6任一所述方法的VOCs气体浓度预测系统，其特征在于，包括数据采集和预处理模块、数据融合模块、VOCs气体浓度预测模块和数据可视化模块；
所述数据采集和预处理模块对化工园区布置的空间多测点多种类传感器数据进行实时采集；并通过填补缺失值、光滑噪声数据、平滑和删除离群点对数据进行预处理；
所述数据融合模块利用基于CKF的多传感器数据融合模型，对采集的多变量数据进行局部和全局数据融合；
所述VOCs气体浓度预测模块，通过建构GCN-TCN时空关联模型，进行时空特征提取，并利用改进的AOS算法同步优化基于CKF的多传感器数据融合模型的参数和GCN-TCN时空关联模型的参数，搜寻两模型参数的最优解，实现对VOCs气体浓度的预测；
所述数据可视化模块，对VOCs气体浓度预测模块的预测结果通过云平台数据可视化实时显示；并根据VOCs事故风险评估预警指标体系划分预警等级。
CN202310566085.9A 2023-05-18 2023-05-18 一种VOCs气体浓度预测方法及系统 Active CN116502539B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310566085.9A CN116502539B (zh) 2023-05-18 2023-05-18 一种VOCs气体浓度预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310566085.9A CN116502539B (zh) 2023-05-18 2023-05-18 一种VOCs气体浓度预测方法及系统

Publications (2)

Publication Number Publication Date
CN116502539A CN116502539A (zh) 2023-07-28
CN116502539B true CN116502539B (zh) 2024-02-27

Family

ID=87320198

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310566085.9A Active CN116502539B (zh) 2023-05-18 2023-05-18 一种VOCs气体浓度预测方法及系统

Country Status (1)

Country Link
CN (1) CN116502539B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117091799B (zh) * 2023-10-17 2024-01-02 湖南一特医疗股份有限公司 医用中心氧气供应安全智能立体监测方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113380025A (zh) * 2021-05-28 2021-09-10 长安大学 一种车辆出行量预测模型构建方法及预测方法和系统
CN114647819A (zh) * 2022-03-30 2022-06-21 重庆邮电大学 基于图卷积网络的环境数据的格点处理方法
CN115840881A (zh) * 2023-02-15 2023-03-24 湖南红普创新科技发展有限公司 空气数据处理方法、装置及相关设备
CN115860286A (zh) * 2023-03-01 2023-03-28 江苏省生态环境监测监控有限公司 一种基于时序门机制的空气质量预测方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113380025A (zh) * 2021-05-28 2021-09-10 长安大学 一种车辆出行量预测模型构建方法及预测方法和系统
CN114647819A (zh) * 2022-03-30 2022-06-21 重庆邮电大学 基于图卷积网络的环境数据的格点处理方法
CN115840881A (zh) * 2023-02-15 2023-03-24 湖南红普创新科技发展有限公司 空气数据处理方法、装置及相关设备
CN115860286A (zh) * 2023-03-01 2023-03-28 江苏省生态环境监测监控有限公司 一种基于时序门机制的空气质量预测方法及系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Dynamic graph convolution neural network based on spatial-temporal correlation for air quality prediction;Ao Dun等;《Ecological Informatics》;第70卷;1-10 *
Prediction for Dissolved Gas in Powe r Transformer Oil Based On TCN and GCN;Diansheng Luo等;《IEEE Transactions on Industry Applications》;第58卷(第6期);7818 - 7826 *
单步和多步的空气PM2.5细颗粒物浓度预测研究;程爱华;《中国优秀硕士学位论文全文数据库 (工程科技Ⅰ辑)》(第2期);B027-909 *
基于图卷积与时序神经网络模型的空气质量预测研究;谭珺铭;《中国优秀硕士学位论文全文数据库 (工程科技Ⅰ辑)》(第2期);B027-2115 *

Also Published As

Publication number Publication date
CN116502539A (zh) 2023-07-28

Similar Documents

Publication Publication Date Title
Luo et al. Design of a combined wind speed forecasting system based on decomposition-ensemble and multi-objective optimization approach
Garzón et al. Machine learning‐based surrogate modeling for urban water networks: review and future research directions
CN111814956B (zh) 一种基于多维度二次特征提取的多任务学习的空气质量预测方法
CN116502539B (zh) 一种VOCs气体浓度预测方法及系统
Tabatabaei et al. Suspended sediment load prediction using non-dominated sorting genetic algorithm II
Li et al. Wildland fire burned areas prediction using long short-term memory neural network with attention mechanism
CN114429077A (zh) 一种基于量子游走的时间序列多尺度分析方法
Wang et al. Customized deep learning for precipitation bias correction and downscaling
Amendola et al. Data assimilation in the latent space of a convolutional autoencoder
Anochi et al. Two geoscience applications by optimal neural network architecture
Nasseri et al. Uncertainty assessment of monthly water balance models based on incremental modified fuzzy extension principle method
CN110738363A (zh) 一种光伏发电功率预测模型及其构建方法和应用
Nazeri Tahroudi et al. Application of copula‐based approach as a new data‐driven model for downscaling the mean daily temperature
Sangiorgio et al. Deep learning in multi-step prediction of chaotic dynamics: from deterministic models to real-world systems
CN112464567B (zh) 基于变分同化框架的智能资料同化方法
Kamel et al. On the Performance Robustness of Artificial Neural Network Approaches and Gumbel Extreme Value Distribution for Prediction of Wind Speed
Shrestha et al. Encapsulation of parametric uncertainty statistics by various predictive machine learning models: MLUE method
Drgona et al. Constrained physics-informed deep learning for stable system identification and control of unknown linear systems
Scholz et al. Latent Linear ODEs with Neural Kalman Filtering for Irregular Time Series Forecasting
CN115545159A (zh) 一种深度神经网络的平均海表面温度预报方法
Attia et al. Robust A-optimal experimental design for Bayesian inverse problems
Cui et al. The atmospheric model of neural networks based on the improved Levenberg-Marquardt algorithm
Camps Echevarría et al. A proposal to fault diagnosis in industrial systems using bio-inspired strategies
Chon et al. Non-linear approach to grouping, dynamics and organizational informatics of benthic macroinvertebrate communities in streams by Artificial Neural Networks
Badhiye et al. Time Series Forecasting Using Range Regression Automata

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
GR01 Patent grant
GR01 Patent grant