CN117313516A - 一种基于时空图嵌入的发酵产物预测方法 - Google Patents
一种基于时空图嵌入的发酵产物预测方法 Download PDFInfo
- Publication number
- CN117313516A CN117313516A CN202311096815.XA CN202311096815A CN117313516A CN 117313516 A CN117313516 A CN 117313516A CN 202311096815 A CN202311096815 A CN 202311096815A CN 117313516 A CN117313516 A CN 117313516A
- Authority
- CN
- China
- Prior art keywords
- model
- data
- space
- time
- sge
- 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
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000000855 fermentation Methods 0.000 title claims abstract description 34
- 230000004151 fermentation Effects 0.000 title claims abstract description 34
- 238000010586 diagram Methods 0.000 title claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 22
- 229930182555 Penicillin Natural products 0.000 claims abstract description 11
- JGSARLDLIJGVTE-MBNYWOFBSA-N Penicillin G Chemical compound N([C@H]1[C@H]2SC([C@@H](N2C1=O)C(O)=O)(C)C)C(=O)CC1=CC=CC=C1 JGSARLDLIJGVTE-MBNYWOFBSA-N 0.000 claims abstract description 11
- 229940049954 penicillin Drugs 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims abstract description 10
- 238000004088 simulation Methods 0.000 claims abstract description 9
- 230000008569 process Effects 0.000 claims description 13
- 238000012360 testing method Methods 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 10
- 238000001218 confocal laser scanning microscopy Methods 0.000 claims description 8
- 238000012795 verification Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 238000009826 distribution Methods 0.000 claims description 2
- 239000003550 marker Substances 0.000 claims description 2
- 238000005259 measurement Methods 0.000 description 4
- 230000002123 temporal effect Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000003556 assay Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000003756 stirring Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
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
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/27—Regression, e.g. linear or logistic regression
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06N3/08—Learning methods
- G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Entrepreneurship & Innovation (AREA)
- Strategic Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Game Theory and Decision Science (AREA)
- Geometry (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
Abstract
一种基于时空图嵌入的发酵产物预测方法,所述方法包括以下步骤:1)数据的获取和处理:使用仿真平台PenSim获取不同工况下的青霉素发酵过程,并将数据进行收集、划分和处理;2)建模训练:构建发酵产物预测模型,利用构建的SGE模型对处理后的数据进行学习训练;3)模型预测和对比:将训练后的SGE模型用于青霉素发酵过程产物出口浓度预测,给出预测结果,并验证SGE性能的优越性。本发明方法利用局部时空相关性,融合空间边缘和时间边缘的信息,能够自主学习捕捉相关性,并构建独特的局部时空图,从而准确地刻画在相同时间点和不同时间点之间变量之间的关系;并在青霉素发酵过程中验证了该方法的有效性和可靠性。
Description
技术领域
本发明属于发酵过程软测量领域,具体涉及一种基于时空图嵌入的发酵产物预测方法。
背景技术
发酵过程是有生物参与并在合适的pH值、温度、搅拌等发酵条件下生成目标产物的过程,广泛的存在于各种工业过程中,有固有的强非线性和机理过程的复杂性。其理论建模和过程控制都存在较大困难,尤其是缺乏合适的在线传感器来在线分析关键产品质量,如青霉素发酵过程中的产物浓度和活性菌体浓度,只能离线化验分析,这在很大程度上限制了发酵过程的控制和优化。
随着数据驱动建模的方法在工业过程中体现出巨大优势,同时为了克服难以分析关键产品质量的问题,越来越多的人采用数据驱动建模的方法从其他可在线测量的变量中来估计关键产品质量。间歇发酵过程由于其产品质量和操作变量之间存在强非线性,因此不少研究采用深度学习数据驱动建模方法对其进行研究。基于深度学习的典型软测量模型可分为四类,其中包括自动编码器/堆叠式自动编码器、限制玻尔兹曼机、卷积神经网络和递归神经网络。
近期,图神经网络(Graph Neural Network,GNN)作为深度学习领域的一个重要分支,在众多应用领域展现出了出色的性能。在诸多传统GNN的变体中,图卷积网络(GraphConvolution Network,GCN)通过对结构化数据引入卷积运算,展现了强大的表征学习能力。为进一步增强其时序数据处理能力,研究者们还将门控循环单元(GatedRecurrentUnit,GRU)与GCN相结合,创造出一种软传感器模型。这种模型不仅能够处理工业过程中变量之间错综复杂的关系,还能够捕捉变量间的时间序列特性。尽管如此,在门控循环单元内部的相关性问题方面,研究相对较少,为了增加模型的可解释性,探究局部时空相关性对于理解软测量中这些复杂变量关系至关重要。
发明内容
针对现有技术中存在的上述问题,本发明的目的在于提出了一种基于时空图嵌入(Space-time Graph Embedding,SGE)的发酵产物预测方法,在本方法中,利用局部时空相关性,融合空间边缘和时间边缘的信息,能够自主学习捕捉相关性,并构建独特的局部时空图,从而准确地刻画在相同时间点和不同时间点之间变量之间的关系;并在青霉素发酵过程中验证了该方法的有效性和可靠性。
本发明解决其技术问题所采用的技术方案是:
一种基于时空图嵌入的发酵产物预测方法,包括以下步骤:
1)数据的获取和处理
使用仿真平台PenSim获取不同工况下的青霉素发酵过程,并且以一小时为一批次对数据进行收集、划分和处理。
2)建模训练
构建基于时空图嵌入的发酵产物预测方法SGE,模型的输入为经过选择保留的数据;然后利用SGE模型对所整合的数据进行学习训练。
3)模型预测和对比
将训练后的SGE模型用于青霉素发酵过程产物出口浓度预测,并给出预测结果,为验证SGE性能的优越性,将一系列基线方法与其作为比较,其中有偏最小二乘法(PartialLeast Squares,PLS)、持向量机(Support Vector Machine,SVM)、长短期记忆(LongShort-Term Memory,LSTM)网络、图卷积网络(Graph Convolution Networks,GCN)。
进一步,所述步骤1)的过程如下:
步骤1.1、设定PenSim仿真过程,获得仿真平台一组变量的输出数据。
步骤1.2、将数据按照比例划分成训练集、验证集和测试集。
步骤1.3、由于不同变量之间数据差异性较大,需要对数据进行标准化处理,以便于模型进行处理和运算,具体公式如下所示:
式中,X'表示经标准化处理后的数据,X表示未经标准化处理的原数据,μ表示数据的均值,σ表示数据的标准差。
进一步,所述步骤2)的过程如下:
步骤2.1、SGE基于最大信息系数(Maximum Information Coefficient,MIC)的变量选择。
MIC由互信息(Mutual Information,MI)推导而来,互信息表示引入另一个随机变量后,该随机变量的不确定性降低。这里只考虑两个离散变量之间的MI。给定两个离散变量j和u,可以得到联合概率分布p(j,u)和MI:
式中,I(j,u)表示为任意变量j与u间相互依赖性的量度。
接着,在训练集中计算每个变量针对目标变量的最大信息系数:
式中,B=m0.55,m为数据集的大小。MIC给出了每个变量相对于关键变量的重要性的完整说明。计算变量与目标之间的MIC后,选择合适的变量作为模型输入。
步骤2.2、SGE的时空卷积层(Spatial-temporalConvolutionalLayer,STCL)构建。
STCL分为局部时空相关模块(Localized Spatial-temporal CorrelationModule,LSCM)和时间卷积模块(Temporal Convolution Module,TCM)。LSCM可以直接捕获每个节点对它的邻居的影响,既属于当前的时间步长,也属于相邻的时间步长。实现这一目标的最直观的想法是在相邻的时间步长上将所有节点连接起来,可以得到一个局部时空图。根据局域时空图的拓扑结构,可以直接捕获每个节点与其时空邻接的节点之间的关系。LSCM的公式可以表示为:
LSCM(X′G,A′)=σ(D-0.5A′D-0.5X′GQ) (4)
式中,Q∈R(T-1)×T表示一个可学矩阵集,用于确保在LSCM之后维度保持不变;X'G∈RC×2V×(T-1)表示本地化的图信号矩阵,通过将图信号矩阵XG∈RC×V×T每个通道的矩阵{X1,X2,…,XT},Xi∈RV×1,转化为{{X1,X2,…,XT-1},{X1,X2,…,XT}},Xi∈RV×1可以得到X'G。;A'∈R2V×2V表示在两个连续空间图上构造的局部时空图的邻接矩阵;D-0.5A'D-0.5表示图卷积核;D[i,i]表示A'的度矩阵;σ表示激活函数。
然后,用TCM对建立局部空间-时间相关性的数据进行编码,以捕获时间动态依赖性。所有模块之后都加有批量归一化层和激活函数。此外,选择均方根误差(Root MeanSquare Error,RMSE)作为模型损失,并用正则化项扩展,以减少损失为目的重复训练模型:
式中,Y和Y'分别表示标记和预测;Tm表示样本中的时间步长的数量;β表示正则化系数;H(·)表示熵。
进一步,所述步骤3)的过程如下:
步骤3.1、将训练数据输入训练后的PLS、SVR、LSTM、GCN和SGE中,分别得到它们在测试集上的预测值。
步骤3.2、计算测试集的预测值和真实值之间的RMSE,对各模型性能进行评估。计算公式如下:
式中,表示真实数据,yi表示模型的输出,n表示测试集包含样本个数。一般来说,RMSE越小,意味着模型的预测值与真实值越接近,即模型的预测效果越好。
本发明的有益效果主要表现在:
本发明提出了一种基于时空图嵌入的发酵产物预测方法,该方法通过捕获局部时空相关性来表征变量之间的互相关系,变量被用作局部时空图的构造中的节点,并且网络以端到端的方式被训练;通过堆叠多个时空卷积层,模型以关系和局部矩阵的形式学习变量之间的潜在关系和时间相关性;克服了传统的软测量的局限性,有效地提高发酵过程关键产品质量的预测准确度。
附图说明
图1是本发明模型结构流程图;
图2是包含各模型的结果预测图。
具体实施方式
下面结合附图对本发明作进一步描述。
参照图1,一种基于时空图嵌入的发酵产物预测方法,所述方法包括以下步骤:
1)获取青霉素发酵过程数据集
步骤1.1、设定PenSim仿真过程,获得仿真平台5个变量的输出数据。
步骤1.2、根据划分标准将数据按照4:3:3的比例分成为训练集、验证集和测试集。
步骤1.3、根据标准化公式对每个数据进行处理。
2)进行SGE模型训练,过程如下:
步骤2.1、将训练集输入模型,获得模型第一次预测值。
步骤2.2、根据预测值和输出值的差值,对模型的参数进行调整,使得预测值与真实值之间的差值减小。
步骤2.3、将验证集输入模型,获得模型对于验证集的输出结果。
步骤2.4、根据模型在验证集上的输出结果,对模型的超参数进行重新设定调参。
步骤2.5、重复步骤2.1~2.4,直到模型的预测值和真实值之间的差值达到允许误差之内。
3)使用测试数据对模型进行测试,过程如下:
步骤3.1、将训练数据输入训练后的PLS、SVR、LSTM、GCN和SGE各模型中,分别得到它们在测试集上的预测值,结果如图2所示。
步骤3.2、计算各模型在测试集上的预测值和真实值之间的RMSE,对各模型性能进行评估。评估结果如表1所示。
表1各模型的RMSE对比
从上述对比结果可以看出,本发明对于青霉素发酵过程的关键产品质量预测效果优于传统预测模型。
本发明采用基于时空图嵌入的发酵产物预测方法,提高了发酵过程关键产品质量的预测效果,具有普遍性和通用性。
本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举,本发明的保护范围不应当被视为仅限于实施例所陈述的具体形式,本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。
Claims (4)
1.一种基于时空图嵌入的发酵产物预测方法,其特征在于,包括以下步骤:
1)数据的获取和处理
使用仿真平台PenSim获取不同工况下的青霉素发酵过程,并将数据进行收集、划分和处理;
2)建模训练
构建基于时空图嵌入SGE的发酵产物预测模型,模型的输入为处理后的数据;利用构建的SGE模型对处理后的数据进行学习训练;
3)模型预测和对比
将训练后的SGE模型用于青霉素发酵过程产物出口浓度预测,给出预测结果,并验证SGE性能的优越性。
2.如权利要求1所述的一种基于时空图嵌入的发酵产物预测方法,其特征在于,所述步骤1)的过程为:
步骤1.1、设定PenSim仿真过程,获得仿真平台一组变量的输出数据;
步骤1.2、将数据划分成训练集、验证集和测试集;
步骤1.3、对数据进行标准化处理,以便于模型进行处理和运算,具体公式如下所示:
式中,X'是经标准化处理后的数据,X是未经标准化处理的原数据,μ是数据的均值,σ是数据的标准差。
3.如权利要求1所述的一种基于时空图嵌入的发酵产物预测方法,其特征在于,所述步骤2)的过程如下:
步骤2.1、SGE基于最大信息系数MIC的变量选择;具体如下:
步骤2.1.1、给定两个离散变量j和u,得到联合概率分布p(j,u)和MI:
式中,I(j,u)表示为任意变量j与u间相互依赖性的量度;
步骤2.1.2、在训练集中计算每个变量针对目标变量的最大信息系数:
式中,B=m0.55,m为数据集的大小,MIC给出了每个变量相对于关键变量的重要性的完整说明;
步骤2.1.3、计算变量与目标之间的MIC后,选择变量作为模型输入;
步骤2.2、SGE的时空卷积层STCL构建;具体如下:
步骤2.2.1、在STCL的局部时空相关模块LSC中,将相邻时间步长上的所有节点连接起来,得到一个局部时空图;根据局域时空图的拓扑结构,捕获每个节点与其时空邻接的节点之间的关系;LSCM的公式表示为:
LSCM(X′G,A′)=σ(D-0.5A′D-0.5X′GQ) (4)
式中,Q∈R(T-1)×T表示一个可学矩阵集,用于确保在LSCM之后维度保持不变;X'G∈RC ×2V×(T-1)表示本地化的图信号矩阵,通过将图信号矩阵XG∈RC×V×T每个通道的矩阵{X1,X2,…,XT},Xi∈RV×1,转化为{{X1,X2,…,XT-1},{X1,X2,…,XT}},Xi∈RV×1可以得到X'G;A'∈R2V×2V表示在两个连续空间图上构造的局部时空图的邻接矩阵;D-0.5A'D-0.5表示图卷积核;D[i,i]表示A'的度矩阵;σ表示激活函数;
步骤2.2.2、用STCL的时间卷积模块TCM对建立局部空间-时间相关性的数据进行编码,以捕获时间动态依赖性;所有模块之后都加有批量归一化层和激活函数;
步骤2.2.3、选择均方根误差RMSE作为模型损失,并用正则化项扩展,以减少损失为目的重复训练模型:
式中,Y和Y'分别表示标记和预测;Tm表示样本中的时间步长的数量;β表示正则化系数;H(·)表示熵。
4.如权利要求1所述的一种基于时空图嵌入的发酵产物预测方法,其特征在于,所述步骤3)的过程如下:
步骤3.1、将训练数据输入训练后的PLS、SVR、LSTM、GCN和SGE中,分别得到它们在测试集上的预测值;
步骤3.2、计算测试集的预测值和真实值之间的RMSE,对各模型性能进行评估;计算公式如下:
式中,表示真实数据,yi表示模型的输出,n表示测试集包含样本个数;其中,RMSE越小,则模型的预测值与真实值越接近,即模型的预测效果越好。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311096815.XA CN117313516A (zh) | 2023-08-29 | 2023-08-29 | 一种基于时空图嵌入的发酵产物预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311096815.XA CN117313516A (zh) | 2023-08-29 | 2023-08-29 | 一种基于时空图嵌入的发酵产物预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117313516A true CN117313516A (zh) | 2023-12-29 |
Family
ID=89283845
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311096815.XA Pending CN117313516A (zh) | 2023-08-29 | 2023-08-29 | 一种基于时空图嵌入的发酵产物预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117313516A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117688388A (zh) * | 2024-01-30 | 2024-03-12 | 武汉纺织大学 | 一种基于数据增强与预测联合学习的软测量方法与系统 |
-
2023
- 2023-08-29 CN CN202311096815.XA patent/CN117313516A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117688388A (zh) * | 2024-01-30 | 2024-03-12 | 武汉纺织大学 | 一种基于数据增强与预测联合学习的软测量方法与系统 |
CN117688388B (zh) * | 2024-01-30 | 2024-04-30 | 武汉纺织大学 | 一种基于数据增强与预测联合学习的软测量方法与系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109492822B (zh) | 空气污染物浓度时空域关联预测方法 | |
CN111079836B (zh) | 基于伪标签方法和弱监督学习的过程数据故障分类方法 | |
CN114449452B (zh) | 一种基于CNN-RNN的Wi-Fi室内定位方法 | |
Ou et al. | Learn, assign, and search: real-time estimation of dynamic origin-destination flows using machine learning algorithms | |
CN108828519B (zh) | 一种基于机器学习的高精度室内可见光定位方法 | |
CN108632764B (zh) | 一种多传感器选择性量测数据融合估计方法 | |
CN117313516A (zh) | 一种基于时空图嵌入的发酵产物预测方法 | |
CN112560966B (zh) | 基于散射图卷积网络的极化sar图像分类方法、介质及设备 | |
CN111209968A (zh) | 基于深度学习的多气象因子模式预报温度订正方法及系统 | |
CN115185937A (zh) | 一种基于sa-gan架构的时间序列异常检测方法 | |
Loni et al. | Densedisp: Resource-aware disparity map estimation by compressing siamese neural architecture | |
CN111242028A (zh) | 基于U-Net的遥感图像地物分割方法 | |
Jin et al. | Soft sensor modeling for small data scenarios based on data enhancement and selective ensemble | |
CN117743975A (zh) | 山坡耕地土壤环境改良方法 | |
CN111797979A (zh) | 基于lstm模型的振动传递系统 | |
CN117056763A (zh) | 基于变分图嵌入的社区发现方法 | |
CN116541767A (zh) | 一种基于图神经网络的多元温室环境参数预测方法及系统 | |
CN117241215A (zh) | 一种基于图神经网络的无线传感器网络分布式节点协作定位方法 | |
CN115860056A (zh) | 一种用于混合气体浓度预测的传感器阵列神经网络方法 | |
CN115797557A (zh) | 基于图注意力网络的自监督3d场景流估计方法 | |
CN114782740A (zh) | 结合遗传优化与极端梯度提升的遥感水质监测方法 | |
CN115797675B (zh) | 一种人工智能图像处理方法及系统 | |
CN111310907A (zh) | 一种微波组件故障诊断方法、装置及设备 | |
CN117932456B (zh) | 一种顾及空间异质性的集成空间预测方法 | |
CN115458069A (zh) | 一种基于拓扑引导时间卷积网络的发酵过程软测量方法 |
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 |