CN117012315A - 一种优化rbf神经网络的混凝土强度预测方法 - Google Patents
一种优化rbf神经网络的混凝土强度预测方法 Download PDFInfo
- Publication number
- CN117012315A CN117012315A CN202311014496.3A CN202311014496A CN117012315A CN 117012315 A CN117012315 A CN 117012315A CN 202311014496 A CN202311014496 A CN 202311014496A CN 117012315 A CN117012315 A CN 117012315A
- Authority
- CN
- China
- Prior art keywords
- zebra
- neural network
- rbf neural
- concrete
- concrete strength
- 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 58
- 238000000034 method Methods 0.000 title claims abstract description 36
- 241000283070 Equus zebra Species 0.000 claims abstract description 99
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 32
- 238000012360 testing method Methods 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 18
- 238000011156 evaluation Methods 0.000 claims description 5
- 238000003062 neural network model Methods 0.000 claims description 4
- 239000004568 cement Substances 0.000 claims description 3
- 239000010881 fly ash Substances 0.000 claims description 3
- 239000002893 slag Substances 0.000 claims description 3
- 239000008030 superplasticizer Substances 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 238000005457 optimization Methods 0.000 abstract description 6
- 230000002708 enhancing effect Effects 0.000 abstract 1
- 230000002431 foraging effect Effects 0.000 description 7
- 238000013507 mapping Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 244000062645 predators Species 0.000 description 4
- 241000282320 Panthera leo Species 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000009191 jumping Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000011273 social behavior Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C60/00—Computational materials science, i.e. ICT specially adapted for investigating the physical or chemical properties of materials or phenomena associated with their design, synthesis, processing, characterisation or utilisation
-
- 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
- G06N3/04—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
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
Abstract
本发明及一种优化RBF神经网络的混凝土强度预测方法,包括步骤(1)使用Levy飞行策略使得斑马算法跳出局部最优;(2)使用二次差值策略,衍生出一匹新的斑马,新的斑马位置优于当前个体时,使用新个体替代当前个体;(3)通过上述两种策略改进的斑马算法计算RBF神经网络的径向基函数,得出参数组合;(4)使用训练数据集对完成初始化参数设置的RBF神经网络进行训练,使用测试数据集对完成训练的RBF神经网络进行测试,输出对应的混凝土强度;解决了斑马算法容易陷入局部最优和种群多样性不足的问题,使用改进过的斑马算法优化基础RBF神经网络,增强其预测的精准度,实时的对混凝土强度进行预测。
Description
技术领域
本发明涉及混凝土强度预测技术领域,尤其涉及一种优化RBF神经网络的混凝土强度预测方法。
背景技术
混凝土是土木工程中最重要的材料之一,而混凝土抗压强度直接关系到建筑的使用寿命,因此,对混凝土的抗压强度进行有效预测,对于保障公民生命和财产安全极为重要,国内大部分混凝土抗压强度的检测使用的是超声波回弹综合检测方法,该方法检测的效果稳定,但经济成本较高,且时间延时较大,难以及时反馈混凝土强度。
混凝土强度是龄期和组成成分的高度非线性函数,使用直接计算方法难以直接求出结果,而RBF神经网络作为一种人工神经网络,能够学习并逼近非线性函数,这使得它在解决一些传统线性方法无法处理的问题时表现较好。RBF神经网络在高维特征空间中表现较好,适用于处理具有复杂结构的数据,但RBF神经网络受初始化的参数影响较大,基础RBF神经网络的参数是随机赋予的,存在很大的不确定性,导致预测精度浮动较大,因此RBF神经网络对于预测混凝土强度具有一定的局限性。
发明内容
本发明提供了一种优化RBF神经网络的混凝土强度预测方法,通过加入Levy飞行和二次插值策略来改进斑马算法,解决斑马算法容易陷入局部最优和种群多样性不足的问题,使用改进过的斑马算法优化基础RBF神经网络,增强其预测的精准度,借助混凝土强度预测数据集训练优化后的RBF神经网络,输出混凝土强度,从而实时的对混凝土强度进行预测,实现对混凝土强度的实时监测与评估,掌握关键部位混凝土强度,有效保证混凝土结构安全。
为了达到上述目的,本发明采用以下技术方案实现:
一种优化RBF神经网络的混凝土强度预测方法,包括以下步骤:
(1)使用Levy飞行策略使得斑马算法跳出局部最优,在每次迭代完成后,对当前个体进行随机跳跃,以脱离局部最优;
(2)随机选择两只斑马和最佳斑马,使用二次差值策略,衍生出一匹新的斑马,新的斑马位置优于当前个体时,使用新个体替代当前个体;
(3)通过上述两种策略改进的斑马算法计算RBF神经网络的径向基函数,得出参数组合,并赋值给RBF神经网络参数;
(4)将混凝土抗压强度数据集分为测试数据集和训练数据集,使用训练数据集对完成初始化参数设置的RBF神经网络进行训练,使用测试数据集对完成训练的RBF神经网络进行测试,输出对应的混凝土强度,完成混凝土强度预测过程。
进一步的,所述Levy飞行策略使得斑马算法跳出局部最优的公式如下:
其中,x(t+1)是随机生成斑马的新位置,
x(t)为斑马个体此时所处位置,
Xa(t)为先锋斑马所处位置,
b为[0,2]之间的随机数,
u和v服从μ=0,σ=1的标准正态分布。
进一步的,所述二次差值策略公式如下;
其中,在D维问题中,X和Y是随机选择的两只斑马的位置,X=(X1,X2,...,XD),Y=(Y1,Y2,...,YD),目前最优斑马的位置为Z=(Z1,Z2,...,ZD),F(X)、F(Y)、F(Z)分别为X、Y、Z的适应度,q=(1,2,...,D)。
进一步的,所述步骤(3)中计算RBF神经网络的径向基函数得出的最佳参数组合为最佳的中心向量、宽度和输出权值的参数组合。
进一步的,所述混凝土抗压强度数据集中因子为水泥、高炉渣、粉煤灰、水、超塑化剂、粗骨料、细骨料、龄期和抗压强度作为神经网络的输入,混凝土抗压强度作为神经网络的输出,改进斑马算法优化RBF神经网络模型对混凝土抗压强度预测的结果评价指标为:平均绝对误差、均方根误差和拟合决定系数。
与现有技术相比,本发明的有益效果是:
1)通过加入Levy飞行和二次插值策略来改进斑马算法,解决斑马算法容易陷入局部最优和种群多样性不足的问题,;
2)使用改进过的斑马算法优化基础RBF神经网络,增强其预测的精准度;
3)借助混凝土强度预测数据集训练优化后的RBF神经网络,输出混凝土强度,从而实时的对混凝土强度进行预测;
4)实现对混凝土强度的实时监测与评估,掌握关键部位混凝土强度,有效保证混凝土结构安全。
附图说明
图1是本发明的方法流程示意图。
图2是本发明所述RBF神经网络结构示意图。
图3是本发明所述本发明方法下的预测值和真实值对比图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步说明:
见图1,是本发明的方法流程示意图。本发明一种优化RBF神经网络的混凝土强度预测方法,包括以下步骤:
(1)使用Levy飞行策略使得斑马算法跳出局部最优,在每次迭代完成后,对当前个体进行随机跳跃,以脱离局部最优;
斑马算法是基于斑马集体社会行为而提出的,斑马优化算法主要包括觅食和躲避天敌两个步骤,种群中最优秀的成员被认为是先锋斑马,并带领其他种群成员向其所在种群中的位置迈进,进行觅食,因此需要更新斑马在觅食阶段的位置,具体公式如下:
其中,为第一阶段中第i个斑马在j维度上新的值,Xi,j是第i个斑马在j维度上新值,PZ为先锋斑马,即最好的成员,r为区间[0,1]内的随机数,I为区间[1,2]内的随机数,Xi为第i个斑马确定的位置,i为种群个数,j为问题的维度,/>为第一阶段中新位置的函数值,Fi是原位置的函数值,/>为第一阶段中第i个斑马在觅食阶段的新位置;
针对捕食者的防御策略在第二阶段,利用斑马针对捕食者攻击的防御策略的模拟来更新斑马中种群成员在搜索空间中的位置,当斑马受到狮子攻击时,斑马在其所在位置附近躲避狮子的攻击,使用模式S1对该策略进行建模,在第二种策略中,当其他捕食者攻击其中一只斑马时,群体中的其他斑马会向受到攻击的斑马移动,并试图通过建立防御结构来吓唬和迷惑捕食者,使用模式S2对该策略进行建模,模式S1和S2的公式如下;
其中,为第二阶段中第i个办法在j维度上新的值,R是常数0.01,t是算法的当前迭代次数,T是算法最大迭代次数,设置为100,Ps是[0,1]之间的随机数,AZj是当前斑马在第j维度的适应度值;
在更新斑马的位置时,如果斑马的新位置对于该新位置的目标函数具有更好的值,则该新位置被接受,更新条件的公式如下:
其中,为第二阶段中第i个办法在躲避天敌阶段的新位置,/>为第二阶段中新位置的函数值;
在每个迭代过程中,群体成员向先锋斑马的中心靠拢,如公式(3)所示,但如果先锋斑马所处的位置是局部最优点的话,则整个种群都会陷入局部最优,而远离最佳解决方案,因此引入Levy飞行策略帮助种群跳出局部最优,每次迭代完成后,斑马个体再根据如下公式进行一次Levy飞行,从而跳出局部最优,扩大搜索范围,
其中,x(t+1)是随机生成斑马的新位置,
x(t)为斑马个体此时所处位置,
Xa(t)为先锋斑马所处位置,
b为[0,2]之间的随机数,
u和v服从正态分布,跳跃位置与原来位置进行比较,保留更佳的位置,正态分布公式如下:
其中,μu和μv都为0,σu由公式(8)得到,σv取值为1,γ为伽玛函数,参数β的取值是1.5。
(2)随机选择两只斑马和最佳斑马,使用二次差值策略,衍生出一匹新的斑马,新的斑马位置优于当前个体时,使用新个体替代当前个体;
二次差值是在搜索区间中不断使用二次多项式去近似目标函数,并逐步用插值多项式的极小点去逼近搜索问题,二次差值公式如下:
其中,在D维问题中,假设X和Y是随机选择的两只斑马的位置,X=(X1,X2,...,XD),Y=(Y1,Y2,...,YD),目前最优斑马的位置为Z=(Z1,Z2,...,ZD),F(X)、F(Y)、F(Z)分别为X、Y、Z的适应度,q=(1,2,...,D);
随机选择的两只斑马和最佳斑马,通过二次插值的方法,衍生出一匹新的斑马,新生成斑马的位置是全新的,极大地丰富了种群的多样性,经过二次差值得到的新斑马个体,除了具有随机性还会保留一部分最佳斑马的位置信息,当新生成个体的位置优于当前个体时,则使用新个体替代当前个体。
(3)通过上述两种策略改进的斑马算法计算RBF神经网络的径向基函数,得出参数组合,并赋值给RBF神经网络参数;
使用改进过的斑马算法优化RBF神经网络的参数从而提升神经网络的预测性能,RBF神经网络的结构图如图2所示,RBF是一种基于多变量插值函数为基础的前馈式单向网络,网络由输入层、隐含层和输出层组成,RBF的思想就是通过基函数把输入信号进行映射,将低维、非线性的输入量转换成高维、线性的输出量,实现这个过程最主要的是靠径向基函数的中心,经过它的处理才能得到这种映射关系,之后再经过隐含层的映射,最终得到输出,输出就是隐含层之间加权的结果,不同的基函数会产生不同的映射效果,数据不同,所使用的基函数就有所不同,常见的基函数有高斯函数、样条基函数,本发明采用高斯函数为基函数,公式如下:
其中,Ri(x)为非线性映射结果,x为输入向量,ci为径向基函数的中心,ai为宽度,m为感知单元个数,|x-ci|为输入x与中心c之间的距离;RBF的输入通过非线性映射得到Ri(x)后,通过线性映射公式得到混凝土强度yk,R为输出节点个数,wik为权值,非线性映射公式如下:
改进过的斑马算法通过计算上述的高斯函数的出最佳的中心向量、宽度和输出权值的参数组合,从而提高RBF神经网络的预测性能。
(4)将混凝土抗压强度数据集分为测试数据集和训练数据集,使用训练数据集对完成初始化参数设置的RBF神经网络进行训练,使用测试数据集对完成训练的RBF神经网络进行测试,输出对应的混凝土强度,完成混凝土强度预测过程;
混凝土抗压强度是龄期和成分的高度非线性函数,混凝土抗压强度数据集属于多变量、实数、物理数据集,所属任务为回归任务,数据量共有1030组数据,混凝土抗压强度数据集的变量描述见表1,x1~x8分别为水泥、高炉渣、粉煤灰、水、超塑化剂、粗骨料、细骨料、龄期和抗压强度,是影响混凝土抗压强度的八种主要因素,八种影响因素作为神经网络的输入,混凝土抗压强度y作为输出,经过训练的RBF神经网络具有预测混凝土强度的能力,只需输入八种参数,即可输出对应的混凝土强度;
表1
改进斑马算法优化RBF神经网络模型对混凝土抗压强度预测的结果评价指标为:平均绝对误差、均方根误差和拟合决定系数,
平均绝对误差MAE避免了误差相消的情况,可以准确反应预测值和真实值之间的平均差距情况,平均绝对误差计算过程如下,
其中,Num为测试集数据的组数,yi为测试集第i组数据的预测结果,ypre为所有测试集数据预测结果的平均值;
均方根误差主要反映预测值和真实值之间的偏差,能够很好的反应测量的精度,均方根误差RMSE的计算过程如下:
拟合决定系数R2描述模型的拟合程度,即自变量对因变量的解释程度,计算过程如下;
其中,为测试集实际的混凝土强度的平均值;
把1030组数据以8:2的比例分成训练组和测试组,通过测试组对搭建好的基于改进斑马算法优化RBF神经网络模型进行训练,使用206组测试集对训练好的网络进行测试,测试结果评价指标如下:MAE=4.3643,RMSE=8.0279,R2=0.8304,206组测试集的真实混凝土抗压强度和本发明的预测值对比图如图3所示。
将斑马优化算法迭代次数、斑马种群数量n、RBF神经网络的基函数高斯函数、混凝土强度预测数据集作为本发明方法的输入,将混凝土强度作为输出,本发明的伪代码具体如下:
1、斑马优化算法种群初始化,开始算法计算RBF基函数的过程;
2、计算基函数得到每个斑马个体的适应度值,选出最佳的斑马个体作为先锋斑马;
3、fori=1:n;
4、觅食阶段:使用公式(3)计算第i个斑马的新状态;
5、觅食阶段:使用公式(4)更新第i个斑马的位置;
6、躲避天敌阶段:IfPs<0.5,Ps=rand;
对抗狮子使用公式(5)中的模式S1计算第i个斑马的新状态;
7、躲避天敌阶段:else,
对抗其他捕食者使用(5)中的模式S2计算第i个斑马的新状态;
endif
8、觅食阶段:使用公式(6)更新斑马位置;
9、Levy飞行阶段:根据公式(7)对当前个体的位置进行跳跃,并判断新位置与原位置的适应度值,保留更优的位置;
10、二次插值阶段:随机选择一只斑马,通过最佳的先锋斑马和随机斑马使用公式(8)对第i只斑马进行二次插值,衍生出新个体,比较新个体和第i只个体,保留最佳;
11、保存最佳个体;
12、.i++;
13、endfor;
14、最佳个体位置代表着RBF神经网络的中心向量、宽度和输出权值三个参数,把斑马优化算法的计算结果赋值给RBF神经网络参数;
15、设置网络层数;
16、输入混凝土强度预测数据集,并按8:2比例随机分为训练集和预测集;
17、输入和输出数据归一化;
18、创建初始RBF神经网络;
19、使用训练集对完成初始化参数设置的RBF神经网络进行训练;
20、使用测试集对完成训练的RBF神经网络进行测试;
21、输出对应的混凝土强度和评价指标;
22、End。
以下实施例在以本发明技术方案为前提下进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。下述实施例中所用方法如无特别说明均为常规方法。
Claims (5)
1.一种优化RBF神经网络的混凝土强度预测方法,其特征在于,包括以下步骤:
(1)使用Levy飞行策略使得斑马算法跳出局部最优,在每次迭代完成后,对当前个体进行随机跳跃,以脱离局部最优;
(2)随机选择两只斑马和最佳斑马,使用二次差值策略,衍生出一匹新的斑马,新的斑马位置优于当前个体时,使用新个体替代当前个体;
(3)通过上述两种策略改进的斑马算法计算RBF神经网络的径向基函数,得出参数组合,并赋值给RBF神经网络参数;
(4)将混凝土抗压强度数据集分为测试数据集和训练数据集,使用训练数据集对完成初始化参数设置的RBF神经网络进行训练,使用测试数据集对完成训练的RBF神经网络进行测试,输出对应的混凝土强度,完成混凝土强度预测过程。
2.根据权利要求1所述的一种优化RBF神经网络的混凝土强度预测方法,其特征在于,所述Levy飞行策略使得斑马算法跳出局部最优的公式如下:
其中,x(t+1)是随机生成斑马的新位置,
x(t)为斑马个体此时所处位置,
Xa(t)为先锋斑马所处位置,
b为[0,2]之间的随机数,
u和v服从μ=0,σ=1的标准正态分布。
3.根据权利要求1所述的一种优化RBF神经网络的混凝土强度预测方法,其特征在于,所述二次差值策略公式如下;
其中,在D维问题中,X和Y是随机选择的两只斑马的位置,X=(X1,X2,...,XD),Y=(Y1,Y2,...,YD),目前最优斑马的位置为Z=(Z1,Z2,...,ZD),F(X)、F(Y)、F(Z)分别为X、Y、Z的适应度,q=(1,2,...,D)。
4.根据权利要求1所述的一种优化RBF神经网络的混凝土强度预测方法,其特征在于,所述步骤(3)中计算RBF神经网络的径向基函数得出的最佳参数组合为最佳的中心向量、宽度和输出权值的参数组合。
5.根据权利要求1所述的一种优化RBF神经网络的混凝土强度预测方法,其特征在于,所述混凝土抗压强度数据集中因子为水泥、高炉渣、粉煤灰、水、超塑化剂、粗骨料、细骨料、龄期和抗压强度作为神经网络的输入,混凝土抗压强度作为神经网络的输出,改进斑马算法优化RBF神经网络模型对混凝土抗压强度预测的结果评价指标为:平均绝对误差、均方根误差和拟合决定系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311014496.3A CN117012315A (zh) | 2023-08-14 | 2023-08-14 | 一种优化rbf神经网络的混凝土强度预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311014496.3A CN117012315A (zh) | 2023-08-14 | 2023-08-14 | 一种优化rbf神经网络的混凝土强度预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117012315A true CN117012315A (zh) | 2023-11-07 |
Family
ID=88575970
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311014496.3A Pending CN117012315A (zh) | 2023-08-14 | 2023-08-14 | 一种优化rbf神经网络的混凝土强度预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117012315A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117541083A (zh) * | 2024-01-09 | 2024-02-09 | 青岛理工大学 | 疏散平台疏散能力的预测方法和装置 |
-
2023
- 2023-08-14 CN CN202311014496.3A patent/CN117012315A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117541083A (zh) * | 2024-01-09 | 2024-02-09 | 青岛理工大学 | 疏散平台疏散能力的预测方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117012315A (zh) | 一种优化rbf神经网络的混凝土强度预测方法 | |
CN108537366B (zh) | 基于最优卷积二维化的水库调度方法 | |
CN110674965A (zh) | 基于动态特征选取的多时间步长风功率预测方法 | |
CN108204944A (zh) | 基于apso优化的lssvm的埋地管道腐蚀速率预测方法 | |
CN111950697A (zh) | 一种基于门控循环单元网络的水泥成品比表面积预测方法 | |
CN112163376A (zh) | 一种基于天牛须搜索的极端随机树炉温预测控制方法 | |
Abdalla et al. | Optimizing the multilayer feed-forward artificial neural networks architecture and training parameters using genetic algorithm | |
Siraj et al. | Development and optimization of artificial intelligence-based concrete compressive strength predictive models | |
CN113962145A (zh) | 一种区间数据样本条件下的参数不确定性量化建模方法 | |
CN112765902A (zh) | 基于TentFWA-GD的RBF神经网络软测量建模方法及其应用 | |
Yao et al. | Evaluation of chloride diffusion in concrete using PSO-BP and BP neural network | |
CN115982141A (zh) | 一种针对时序数据预测的特征优化方法 | |
CN108717506A (zh) | 一种预测焦炭热态强度的方法 | |
CN115310348A (zh) | 基于Stacking的灌浆量集成代理预测模型及预测方法 | |
CN110851911B (zh) | 终端状态计算模型训练方法、控制序列搜索方法及装置 | |
CN115062528A (zh) | 一种针对工业过程时序数据的预测方法 | |
CN112347670B (zh) | 一种基于神经网络响应面的堆石料蠕变参数预测方法 | |
Zhang et al. | A network traffic prediction model based on quantum inspired PSO and neural network | |
CN116522747A (zh) | 一种两阶段优化的挤压铸造工艺参数优化设计方法 | |
CN113884936B (zh) | 一种基于issa耦合delm的锂离子电池健康状态预测方法 | |
Zirkohi et al. | Design of Radial Basis Function Network Using Adaptive Particle Swarm Optimization and Orthogonal Least Squares. | |
CN111414927A (zh) | 一种海水水质评价的方法 | |
CN114692507A (zh) | 基于堆叠泊松自编码器网络的计数数据软测量建模方法 | |
CN110501903B (zh) | 机器人免逆解控制系统参数的自调节及优化方法 | |
CN113762591A (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 |
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 |