CN117370766A - 一种基于深度学习的卫星任务规划方案评估方法 - Google Patents
一种基于深度学习的卫星任务规划方案评估方法 Download PDFInfo
- Publication number
- CN117370766A CN117370766A CN202311667660.0A CN202311667660A CN117370766A CN 117370766 A CN117370766 A CN 117370766A CN 202311667660 A CN202311667660 A CN 202311667660A CN 117370766 A CN117370766 A CN 117370766A
- Authority
- CN
- China
- Prior art keywords
- planning scheme
- evaluation
- mission planning
- satellite
- index
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 60
- 238000013135 deep learning Methods 0.000 title claims abstract description 24
- 238000000034 method Methods 0.000 claims abstract description 48
- 238000013210 evaluation model Methods 0.000 claims abstract description 31
- 238000012549 training Methods 0.000 claims abstract description 27
- 238000004364 calculation method Methods 0.000 claims abstract description 9
- 238000012360 testing method Methods 0.000 claims abstract description 8
- 238000010606 normalization Methods 0.000 claims abstract description 7
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 239000011159 matrix material Substances 0.000 claims description 16
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 6
- 241000282414 Homo sapiens Species 0.000 abstract description 3
- 238000010276 construction Methods 0.000 abstract 3
- 238000012545 processing Methods 0.000 abstract 1
- 238000012795 verification Methods 0.000 abstract 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
- G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
-
- 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
- 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
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Probability & Statistics with Applications (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于深度学习的卫星任务规划方案评估方法,属于卫星任务规划技术领域;该方法具体包括卫星任务规划方案历史数据获取、数据预处理、样本集构建、评估模型搭建、模型训练及验证和规划方案实时评估等步骤。其中卫星任务规划方案历史数据获取,整合已执行的卫星观测任务及规划方案;数据预处理步骤实现已获取数据的归一化处理;样本集构建步骤通过构建指标体系,计算组合权重,获得历史规划方案评分,进而形成包含评估指标数据及方案评分的数据集,并进行训练集合测试集划分。本发明相较于传统的卫星任务规划方案评估方法可避免人为因素的干扰,解决评估流程复杂,计算耗时长的问题,提升评估的效率及准确性。
Description
技术领域
本发明涉及卫星任务规划技术领域,特别涉及一种基于深度学习的卫星任务规划方案评估方法。
背景技术
卫星遥感技术的飞速发展,使人类拥有了全方位、全天时和全天候对地观测的新手段。如今,遥感卫星已在灾害检测、气象预报、军事侦察和战场评估等诸多关乎国计民生的领域中发挥着不可替代的作用。
随着对地观测卫星应用领域的日益拓展,来自不同部门、不同用户的对地观测需求也日益增多,但当前卫星观测资源有限,如何利用有限的卫星资源满足所有的观测需求显得尤为重要。当前,通过一系列的卫星任务规划算法,已在一定程度上提高了卫星的使用效能,但生成的任务规划方案的优劣无从判定。因此,对规划方案进行评估是十分必要的。
传统的卫星任务规划方案评估包括建立指标体系、生成判断矩阵、计算权重和综合评分四个过程,多采用如ADC(Availability、Dependability、Capacity)法、指数法等模型驱动评估方法和专家评价法、层次分析法(Analytic Hierarchy Process,AHP)等经验驱动评价方法,结合定性定量的指标处理方法,开展综合评估计算。卫星任务规划方案评估系统复杂、影响因素众多,模型驱动、经验驱动的方案评估方法用于规划方案评估时存在评估流程复杂、依赖专家的主观经验、耗费时间长等诸多局限性。
发明内容
本发明的目的在于克服上述技术的不足,提出一种基于深度学习的卫星任务规划方案评估方法,实现对卫星任务规划方案的智能评估。
本发明的目的通过以下技术方案实现:
一种基于深度学习的卫星任务规划方案评估方法,具体步骤如下:
步骤1:获取卫星任务以及用于执行卫星任务的规划方案历史数据;
步骤2:对所获取的卫星任务规划方案历史数据进行预处理;
步骤3:构建包含卫星任务规划方案历史数据的样本集,样本集涵盖卫星任务规划方案评估指标数据以及各方案的评估得分,继而将样本集划分为训练集和测试集;
步骤4:基于深度学习技术建立卫星任务规划方案评估模型;
步骤5:将上述步骤3获得的训练集输入到步骤4构建的卫星任务规划方案评估模型中进行训练,得到训练后的卫星任务规划方案评估模型;
步骤6:将上述步骤3获得的测试集输入到步骤5训练后的卫星任务规划方案评估模型中,以对训练后的卫星任务规划方案评估模型进行验证,获得训练好的卫星任务规划方案评估模型;
步骤7:将待评估方案的数据输入训练好的卫星任务规划方案评估模型中,获得各方案的评估得分,从中选取得分最高的规划方案用于后续的任务规划。
进一步的,所述的步骤2,其具体包括以下过程:
将获取的卫星任务规划方案历史数据进行归一化处理,将输入数据的样本数量记为n,样本的评估指标数量记为m,全体数据向量记为X:
,
对于指标数值越大,综合评估值越高的指标,采用如下归一化公式:
,
对于指标数值越小,综合评估值越高的指标,采用如下归一化公式:
,
其中分别为样本集第j个指标取得的最小值、最大值;/>为归一化的指标值,即第i个方案进行规划后,在第j个评价指标上的取值。
进一步的,所述步骤3中,方案的评估得分通过组合赋权法获得,其步骤如下:
步骤31:构建涵盖卫星任务规划方案全部指标数据的指标体系;
步骤32:使用层次分析法计算各指标的主观权重a;
步骤33:使用熵权法计算各指标的客观权重b;
步骤34:计算各指标的组合赋权法权重d,d=0.5×a+0.5×b;
步骤35:将每一指标的组合赋权法权重与归一化后的指标数据相乘,从而获得各历史方案的评估得分。
进一步的,所述步骤4中,基于深度学习建立卫星任务规划方案评估模型,获取过程如下:
确定神经网络中输入层s,输出层c以及隐含层y;
初始化权重矩阵V和权重矩阵VT;其中V表示s层与y层之间的权重矩阵,VT表示y层与c层之间的权重矩阵;
s层到y层的计算公式如下:
,
y层到c层的计算公式如下:
,
其中,和/>取sigmod函数,/>表示隐含层偏置向量,/>表示输出层偏置向量,将/>,/>,/>,/>统计为/>。
进一步的,所述步骤5中,对卫星任务规划方案评估模型进行训练,其步骤如下:
步骤51:每次训练迭代过程均将全体训练样本输入神经网络,计算隐含层各神经元的输出;
步骤52:计算输出层各神经元的输出,并计算输出结果的误差并作为损失函数;
步骤53:使用梯度下降算法反向调整隐含层与输出层之间的权重矩阵,/>与偏置/>,/>;
步骤54:判断训练次数是否达到设定上限,若训练次数未达到上限,返回步骤51;否则,结束训练并保存训练好的模型。
与现有技术相比,本发明的优势在于:
在分析了卫星任务规划方案评估的影响因素后,构建了基于深度学习的评估模型,利用神经网络算法对卫星任务规划方案进行了评估;整体上深度学习算法可以学习样本潜在的规律,训练好的神经网络模型可以避免人为因素的干扰,解决评估流程复杂,计算耗时长的问题,快速、准确的对卫星任务规划方案进行评估。可以充分的利用多年来在卫星任务规划领域的庞大历史数据,建立由底层数据直接到高层结果的模型,利用大量数据,为卫星任务规划方案的选择与实施提供依据和支撑。在影响因素发生变化时,只需利用新的数据进行训练,调整参数,即可实现对新的规划方案进行评估,不需要进行复杂的中间过程建模,极大的节省了人力物力。
附图说明
附图1为本发明方法流程图。
附图2为本发明神经网络的拓扑结构示意图。
具体实施方式
下面结合附图和实施例对本发明的具体实施方式作进一步详细的说明。
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明的一种基于深度学习的卫星任务规划方案评估方法,针对当前评估算法存在的几个问题,提出了基于深度学习技术建立评估模型,用于卫星任务规划方案优选,基于深度学习的卫星任务规划方案评估方法的流程图如图1所示,具体步骤如下:
步骤1:获取所述卫星任务以及用于执行所述卫星任务的规划方案历史数据。
步骤2:对所获取的卫星任务规划方案历史数据进行预处理,具体为:
首先,根据实际情况,去掉数据中与攻击类型无关的冗余属性,并删除重复数据,若存在数据缺失,可以使用平均数、众数等方法进行插值。其次,由于各个属性的域值范围不同,在模型训练过程中,域值范围大的属性由于其数值变化较大,会覆盖域值范围小的属性,使得其在模型中失去意义,因此,需将所有数值型属性进行归一化处理;
将获取的卫星任务规划方案历史数据进行归一化处理,将输入数据的样本数量记为n,样本的评估指标数量记为m,全体数据向量记为X:
,
对于指标数值越大,综合评估值越高的指标,采用如下归一化公式:
,
对于指标数值越小,综合评估值越高的指标,采用如下归一化公式:
,
其中分别为样本集第j个指标取得的最小值、最大值;/>为归一化的指标值,即第i个方案进行规划后,在第j个评价指标上的取值。
步骤3:构建样本集,样本集中包含卫星任务规划方案历史数据,其中涵盖卫星任务规划方案评估指标数据以及各方案的评估得分,继而将样本集划分为训练集和测试集;
方案的评估得分通过组合赋权法获得,其步骤如下:
步骤31:构建涵盖卫星任务规划方案全部指标数据的指标体系;
步骤32:使用层次分析法计算各指标的主观权重a;
步骤33:使用熵权法计算各指标的客观权重b;
步骤34:计算各指标的组合赋权法权重d,d=0.5×a+0.5×b;
步骤35:将每一指标的组合赋权法权重与归一化后的指标数据相乘,从而获得各历史方案的评估得分;
获得各方案评分之后,将样本集按8:2的比例划分为训练集和测试集。
步骤4:基于深度学习技术建立卫星任务规划方案评估模型,具体为:
确定神经网络中输入层s,输出层c以及隐含层y;
初始化权重矩阵V和权重矩阵VT;其中V表示s层与y层之间的权重矩阵,VT表示y层与c层之间的权重矩阵;
s层到y层的计算公式如下:
,
y层到c层的计算公式如下:
,
其中,和/>取sigmod函数,/>表示隐含层偏置向量,/>表示输出层偏置向量,将/>,/>,/>,/>统计为/>。
基于深度学习的卫星任务规划方案评估模型,就是将对卫星任务规划有影响的因素进行提炼后作为神经网络的输入变量,将方案评分作为神经网络的输出变量,所以输入层数s即为方案的评估指标数,输出为卫星任务规划方案的评分,是一个0到1之间的实数,因此将输出层数c设定为1,至此,基于深度学习技术建成完成一个s×y×1结构的卫星任务规划方案评估模型,其算法流程图如图2所示,图中表示输入数据,/>表示神经网络的输出。
步骤5:将上述步骤3获得的训练集输入到步骤4构建的卫星任务规划方案评估模型中进行训练,得到训练后的卫星任务规划方案评估模型,其步骤如下:
步骤51:每次训练迭代过程均将全体训练样本输入神经网络,计算隐含层各神经元的输出;
步骤52:计算输出层各神经元的输出,并计算输出结果的误差并作为损失函数;
步骤53:使用梯度下降算法反向调整隐含层与输出层之间的权重矩阵,/>与偏置/>,/>;
步骤54:判断训练次数是否达到设定上限,若训练次数未达到上限,返回步骤51;否则,结束训练并保存训练好的模型。
步骤6:将上述步骤3获得的测试集输入到步骤5训练后的卫星任务规划方案评估模型中,以对该模型进行验证,获得训练好的卫星任务规划方案评估模型;
步骤7:将待评估方案的数据输入上述训练好的卫星任务规划方案评估模型中,获得各方案的评估得分,从中选取得分最高的规划方案用于后续的任务规划。
综上所述,本发明通过对卫星任务规划方案历史数据进行分析,发现其中的影响因素并构建卫星任务规划方案评估指标体系,使得指标体系更加合理完善,大大提升了评估的准确率;使用组合赋权法对方案进行评分,使得数据集的建立更为合理,能够有效提升后续评估的准确性;利用深度学习算法建立评估模型,对卫星任务规划方案进行评估,能够大大提升评估的效率并避免人为因素的干扰。
Claims (5)
1.一种基于深度学习的卫星任务规划方案评估方法,其特征在于,具体步骤如下:
步骤1:获取卫星任务以及用于执行卫星任务的规划方案历史数据;
步骤2:对所获取的卫星任务规划方案历史数据进行预处理;
步骤3:构建包含卫星任务规划方案历史数据的样本集,样本集涵盖卫星任务规划方案评估指标数据以及各方案的评估得分,继而将样本集划分为训练集和测试集;
步骤4:基于深度学习技术建立卫星任务规划方案评估模型;
步骤5:将上述步骤3获得的训练集输入到步骤4构建的卫星任务规划方案评估模型中进行训练,得到训练后的卫星任务规划方案评估模型;
步骤6:将上述步骤3获得的测试集输入到步骤5训练后的卫星任务规划方案评估模型中,以对训练后的卫星任务规划方案评估模型进行验证,获得训练好的卫星任务规划方案评估模型;
步骤7:将待评估方案的数据输入训练好的卫星任务规划方案评估模型中,获得各方案的评估得分,从中选取得分最高的规划方案用于后续的任务规划。
2.根据权利要求1所述的一种基于深度学习的卫星任务规划方案评估方法,其特征在于,所述的步骤2,其具体包括以下过程:
将获取的卫星任务规划方案历史数据进行归一化处理,将输入数据的样本数量记为n,样本的评估指标数量记为m,全体数据向量记为X:
,
对于指标数值越大,综合评估值越高的指标,采用如下归一化公式:
,
对于指标数值越小,综合评估值越高的指标,采用如下归一化公式:
,
其中分别为样本集第j个指标取得的最小值、最大值;/>为归一化的指标值,即第i个方案进行规划后,在第j个评价指标上的取值。
3.根据权利要求2所述的一种基于深度学习的卫星任务规划方案评估方法,其特征在于,所述步骤3中,方案的评估得分通过组合赋权法获得,其步骤如下:
步骤31:构建涵盖卫星任务规划方案全部指标数据的指标体系;
步骤32:使用层次分析法计算各指标的主观权重a;
步骤33:使用熵权法计算各指标的客观权重b;
步骤34:计算各指标的组合赋权法权重d,d=0.5×a+0.5×b;
步骤35:将每一指标的组合赋权法权重与归一化后的指标数据相乘,从而获得各历史方案的评估得分。
4.根据权利要求1所述的一种基于深度学习的卫星任务规划方案评估方法,其特征在于,所述步骤4中,基于深度学习建立卫星任务规划方案评估模型,获取过程如下:
确定神经网络中输入层s,输出层c以及隐含层y;
初始化权重矩阵和权重矩阵;其中V表示s层与y层之间的权重矩阵,表示y层与
c层之间的权重矩阵;
s层到y层的计算公式如下:
,
y层到c层的计算公式如下:
,
其中,和/>取sigmod函数,/>表示隐含层偏置向量,/>表示输出层偏置向量,将/>,,/>,/>统计为/>。
5.根据权利要求1所述的一种基于深度学习的卫星任务规划方案评估方法,其特征在于,所述步骤5中,对卫星任务规划方案评估模型进行训练,其步骤如下:
步骤51:每次训练迭代过程均将全体训练样本输入神经网络,计算隐含层各神经元的输出;
步骤52:计算输出层各神经元的输出,并计算输出结果的误差并作为损失函数;
步骤53:使用梯度下降算法反向调整隐含层与输出层之间的权重矩阵,/>与偏置/>,;
步骤54:判断训练次数是否达到设定上限,若训练次数未达到上限,返回步骤51;否则,结束训练并保存训练好的模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311667660.0A CN117370766A (zh) | 2023-12-07 | 2023-12-07 | 一种基于深度学习的卫星任务规划方案评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311667660.0A CN117370766A (zh) | 2023-12-07 | 2023-12-07 | 一种基于深度学习的卫星任务规划方案评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117370766A true CN117370766A (zh) | 2024-01-09 |
Family
ID=89393281
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311667660.0A Pending CN117370766A (zh) | 2023-12-07 | 2023-12-07 | 一种基于深度学习的卫星任务规划方案评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117370766A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117590752A (zh) * | 2024-01-16 | 2024-02-23 | 深圳市太控科技有限公司 | 基于动作分解的多轴协同控制方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110119887A (zh) * | 2019-04-22 | 2019-08-13 | 合肥工业大学 | 用于选择卫星任务规划方案的方法 |
CN112561351A (zh) * | 2020-12-21 | 2021-03-26 | 中国人民解放军32039部队 | 用于评估卫星系统中的任务申请的方法及装置 |
CN113225346A (zh) * | 2021-05-12 | 2021-08-06 | 电子科技大学 | 一种基于机器学习的网络运维态势评估方法 |
CN114742268A (zh) * | 2022-03-08 | 2022-07-12 | 国网辽宁省电力有限公司 | 考虑设备变工况特性的综合能源系统优化及规划方法 |
-
2023
- 2023-12-07 CN CN202311667660.0A patent/CN117370766A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110119887A (zh) * | 2019-04-22 | 2019-08-13 | 合肥工业大学 | 用于选择卫星任务规划方案的方法 |
CN112561351A (zh) * | 2020-12-21 | 2021-03-26 | 中国人民解放军32039部队 | 用于评估卫星系统中的任务申请的方法及装置 |
CN113225346A (zh) * | 2021-05-12 | 2021-08-06 | 电子科技大学 | 一种基于机器学习的网络运维态势评估方法 |
CN114742268A (zh) * | 2022-03-08 | 2022-07-12 | 国网辽宁省电力有限公司 | 考虑设备变工况特性的综合能源系统优化及规划方法 |
Non-Patent Citations (2)
Title |
---|
晏冰 等: "基于AHP的卫星应急任务规划方案评估研究", 《合肥工业大学学报(自然科学版)》, vol. 44, no. 12, pages 1716 - 1723 * |
王路: "基于深度学习技术的城市总体规划方案评估研究", 《现代电子技术》, vol. 44, no. 9, pages 120 - 123 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117590752A (zh) * | 2024-01-16 | 2024-02-23 | 深圳市太控科技有限公司 | 基于动作分解的多轴协同控制方法及系统 |
CN117590752B (zh) * | 2024-01-16 | 2024-04-26 | 深圳市太控科技有限公司 | 基于动作分解的多轴协同控制方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109492822B (zh) | 空气污染物浓度时空域关联预测方法 | |
CN111860982A (zh) | 一种基于vmd-fcm-gru的风电场短期风电功率预测方法 | |
CN108009674A (zh) | 基于cnn和lstm融合神经网络的空气pm2.5浓度预测方法 | |
CN112581263A (zh) | 一种基于灰狼算法优化广义回归神经网络的信用评估方法 | |
CN113469470B (zh) | 基于电力大脑中枢的用能数据与碳排放量关联分析方法 | |
CN109143408B (zh) | 基于mlp的动态区域联合短时降水预报方法 | |
CN106656357B (zh) | 一种工频通信信道状态评估系统和方法 | |
CN117370766A (zh) | 一种基于深度学习的卫星任务规划方案评估方法 | |
CN115564114A (zh) | 一种基于图神经网络的空域碳排放短期预测方法及系统 | |
CN112861436A (zh) | 一种发动机排放实时预测方法 | |
CN111681022A (zh) | 一种网络平台数据资源价值评估方法 | |
CN115374995A (zh) | 一种分布式光伏、小风电场站功率预测方法 | |
CN113344261A (zh) | 基于随机森林和isca优化relm的pm2.5浓度预测方法及系统 | |
CN113706328A (zh) | 基于fassa-bp算法的智能制造能力成熟度评价方法 | |
CN115877483A (zh) | 一种基于随机森林和gru的台风路径预报方法 | |
CN112765902A (zh) | 基于TentFWA-GD的RBF神经网络软测量建模方法及其应用 | |
CN116227689A (zh) | 一种光伏板污秽度状态评价及清扫决策系统 | |
CN117171546A (zh) | 一种结合污染扩散指数的城市空气质量预测方法 | |
CN116307211A (zh) | 一种风电消纳能力预测及优化方法及系统 | |
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 | |
CN114548494A (zh) | 一种可视化造价数据预测智能分析系统 | |
CN109408896A (zh) | 一种污水厌氧处理产气量多元智能实时监控方法 | |
CN117313795A (zh) | 一种基于改进dbo-lstm的智慧楼宇能耗预测方法 | |
CN117408167A (zh) | 基于深度神经网络的泥石流灾害易发性预测方法 | |
CN116485021A (zh) | 一种煤炭企业技术技能人才人岗匹配预测方法与系统 |
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 |