WO2016101182A1 - 基于贝叶斯网络和极限学习机的区间型指标预报方法 - Google Patents

基于贝叶斯网络和极限学习机的区间型指标预报方法 Download PDF

Info

Publication number
WO2016101182A1
WO2016101182A1 PCT/CN2014/094839 CN2014094839W WO2016101182A1 WO 2016101182 A1 WO2016101182 A1 WO 2016101182A1 CN 2014094839 W CN2014094839 W CN 2014094839W WO 2016101182 A1 WO2016101182 A1 WO 2016101182A1
Authority
WO
WIPO (PCT)
Prior art keywords
model
interval
output
prediction
hidden layer
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.)
Ceased
Application number
PCT/CN2014/094839
Other languages
English (en)
French (fr)
Inventor
刘民
宁克锋
董明宇
吴澄
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.)
Tsinghua University
Original Assignee
Tsinghua University
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 Tsinghua University filed Critical Tsinghua University
Publication of WO2016101182A1 publication Critical patent/WO2016101182A1/zh
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; 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
    • G06Q50/04—Manufacturing

Definitions

  • the invention belongs to the fields of automatic control, information technology and advanced manufacturing, and particularly relates to a Bayesian network and an extreme learning machine (ELM)-based interval type for a complex industrial production process in which it is difficult to establish a mechanism model and has a large amount of historical production data. Indicator forecasting method.
  • ELM extreme learning machine
  • Production index forecasting is one of the key technologies involved in the operation optimization and dynamic scheduling of production processes.
  • production data often contains various uncertainties, based on neural networks and support vectors.
  • the forecast value of the index given by the conventional predictive model and the actual measured value of the index often have large deviations, which affects the operation optimization and dynamic scheduling effect.
  • the use of interval-type index forecasting method is one of the effective ways to solve the above-mentioned index forecasting problem. .
  • the present invention is directed to a complex production process in which it is difficult to establish a mechanism model and has a large amount of historical production data, and proposes an interval type index prediction method based on Bayesian network and extreme learning machine (ELM).
  • ELM extreme learning machine
  • the invention aims at the uncertainty characteristics of complex production process, uses interval numbers to describe production indexes, utilizes actual operation data in complex production processes, uses asymmetric Gaussian distribution Bayesian and ELM methods to model interval indicators, and adopts The pair of mutually reciprocal weights are adaptively adjusted to obtain the upper boundary model and the lower boundary model as the forecast interval of the production index.
  • the above-mentioned interval type indicator forecasting method can predict the production index in the actual production process, and is used to guide the operation optimization and dynamic scheduling of the production process.
  • Step (1) Data acquisition and preprocessing
  • Data acquisition system is used to collect data from actual industrial production processes, and the above data is processed into Training data:
  • x i (x i,1 ,...,x i,n )
  • N is the number of training data samples
  • n is the dimension of the input variable
  • Step (2) Construct a double ELM model based on asymmetric Gaussian distribution Bayes
  • h(x) is the hidden layer node function of ELM
  • ⁇ is the output layer weight
  • ⁇ is the model error
  • the output of the ELM model can be assumed to be an asymmetric Gaussian distribution as follows:
  • b is the variance parameter of the asymmetric Gaussian distribution
  • w is the weight of the asymmetric Gaussian distribution
  • the likelihood function of the training data can be written as:
  • H 1 and t 1 are the hidden layer output matrix and the output vector of the sample set satisfying t ⁇ h ⁇ , respectively, and H 2 and t 2 are the hidden layer output matrix and the output vector of the sample set satisfying t ⁇ h ⁇ , respectively;
  • M is the number of hidden layer nodes, and a and ⁇ k are parameters of the Gaussian distribution;
  • Step (3) Initialization of a double ELM model based on asymmetric Gaussian distribution Bayesian
  • the number of selected input layer neural nodes is the same as the training sample dimension n, the number of output neural nodes is 1, and the number of hidden layer nodes of the single hidden layer limit learning machine is M;
  • the excitation function h(x,o l ,r l ) of the hidden layer node can adopt Gaussian function/Sigmoid function/sine function/triangle base function/Hard Limit function;
  • H 1,1 and t 1,1 are the hidden layer output matrix and output values corresponding to the training samples with ⁇ 0 , respectively
  • H 1,2 and t 1,2 are the hidden layers corresponding to the training samples with ⁇ >0 , respectively.
  • Step (5) Parameter learning of the Bayesian ELM model with weight w 2 :
  • H 2,1 and t 2,1 are the hidden layer output matrix and output values corresponding to the training samples of ⁇ 0, respectively, and H 2,2 and t 2,2 are the hidden layers corresponding to the training samples with ⁇ >0, respectively.
  • Step (6) Adaptive adjustment of weights (w 1 , w 2 )
  • Step (7) repeating step (4), step (5), and step (6) until CI err satisfies the stop condition;
  • Step (8) On the basis of the completion of the above-mentioned model parameter learning, the interval type index prediction is performed as follows, assuming that the input variable is x,
  • t 1 and t 2 are the lower bound and upper bound of the predicted value of the interval type indicator, respectively;
  • Figure 1 Block diagram of the algorithm for the interval-based indicator prediction method based on Bayesian network and extreme learning machine.
  • Fig. 2 is a graph showing the comparison between the model output and the actual output for the prediction of the molten steel temperature in the LF production process.
  • the abscissa is the sample number
  • the blue small dot on the ordinate is the actual molten steel temperature value
  • the green curve and the red curve are the predicted upper bound value and the predicted lower bound value of the prediction model, respectively.
  • Fig. 3 is a diagram showing the weight adaptive adjustment process and the corresponding prediction interval change diagram of the present invention for the prediction of the molten steel temperature in the LF production process.
  • the abscissa is the number of iterations of the model learning
  • the blue curve and the red curve in the ordinate are the adaptive adjustment processes of the weights of the upper bound model and the lower bound model respectively
  • the green curve is the corresponding predicted interval value in the adjustment process.
  • the first step refinery production data collection
  • Step 2 Conduct AB-TELM model training
  • the Bayesian ELM model of the weight w 1 in the AB-TELM model (hereinafter referred to as the upper bound model) and the Bayesian ELM model of the weight w 2 (hereinafter referred to as the lower bound model)
  • the parameter and the parameters in the weight adaptive algorithm are initialized; on the basis of the initialization, the upper bound model and the given w 1 and w 2 are given according to steps (4) and (5) in the specification respectively.
  • Parameter learning of the lower bound model using the method in the specification of the present invention, adaptively adjusting w 1 and w 2 according to step (6); repeating the parameter learning process of the upper bound model, the lower bound model, and the self of w 1 and w 2 Adapt to the adjustment process until the model converges.
  • the optimal hidden layer node's excitation function and hidden layer node number need to be determined by cross-validation method.
  • the third step using the AB-TELM model for interval index prediction
  • the data acquisition system is used to collect the actual industrial production data of the refining furnace site, and the data is processed into the input data required by the AB-TELM model according to the first step of processing the training data, and the test samples are obtained. 578, and then use the AB-TELM model parameters obtained in the second step to calculate the interval type index prediction value according to step (8).
  • Figure (2) is the prediction result of the model when the interval is 10 degrees.
  • the red curve represents the lower bound value of the temperature prediction
  • the green curve represents the upper bound value of the temperature prediction. It can be seen from Fig. 2 that in the prediction results of the AB-TELM model, the predicted values of the upper bound model are larger than the predicted values of the lower bound model, and most of the actual data are located in the prediction interval of the AB-TELM model, indicating The feasibility of the model.
  • Figure (3) is its corresponding weight adaptive adjustment process and its corresponding prediction interval change graph, in which the green curve is the change process of the prediction interval, and the blue curve is the adaptive adjustment process of the lower bound model weight w 1 , the red curve The adaptive adjustment process for the upper bound model weight w 2 . It can be seen from the diagram (3) that after setting the expected prediction interval to 10 degrees, the lower bound model weight w 1 and the upper bound model weight w 2 can be self-according to the error between the actual predicted interval value of the model and the expected prediction interval. Adapt to the adjustment, and after 10 steps of iteration, can achieve the desired prediction interval value.
  • Table 1 compares the simulation results of the proposed algorithm AB-TELM with the common ELM and the dual model based on the support vector machine (including the linear kernel TSVR-1 and the Gaussian kernel TSVR-g).
  • the performance index is the mean square error. (RMSE).
  • #Nodes is the number of hidden layer nodes of the ELM category model
  • C and ⁇ are the error penalty coefficients and insensitive coefficients of the TSVR category model. It can be seen from Table 1 that the test accuracy of AB-TELM is greatly improved compared with the ELM, TSVR-1, and TSVR-g models, indicating the effectiveness of the AB-TELM model proposed by the present invention.
  • the first step refinery production data collection
  • Step 2 Conduct AB-TELM model training
  • the Bayesian ELM model of the weight w 1 in the AB-TELM model (hereinafter referred to as the upper bound model) and the Bayesian ELM model of the weight w 2 (hereinafter referred to as the lower bound model)
  • the parameter and the parameters in the weight adaptive algorithm are initialized; on the basis of the initialization, the upper bound model and the given w 1 and w 2 are given according to steps (4) and (5) in the specification respectively.
  • Parameter learning of the lower bound model using the method in the specification of the present invention, adaptively adjusting w 1 and w 2 according to step (6); repeating the parameter learning process of the upper bound model, the lower bound model, and the self of w 1 and w 2 Adapt to the adjustment process until the model converges.
  • the optimal hidden layer node's excitation function and hidden layer node number need to be determined by cross-validation method.
  • the third step using the AB-TELM model for interval index prediction
  • the data acquisition system is used to collect the actual industrial production data of the CMP site, and the data is processed into the input data required by the AB-TELM model according to the first step of processing the training data, and the test sample is obtained. Then, using the AB-TELM model parameters obtained in the second step, the interval type index prediction value is calculated according to step (8).

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Feedback Control In General (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Manufacturing & Machinery (AREA)
  • Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)

Abstract

基于贝叶斯网络和极限学习机的区间型指标预报方法，属于自动控制、信息技术和先进制造领域，具体涉及非对称高斯分布贝叶斯ELM模型参数的学习及非对称权重的自适应调整。其特征在于包括以下步骤：针对复杂生产过程不确定性特点，采用区间数来描述生产指标，将非对称高斯分布作为ELM模型中的输出分布，获得带权重贝叶斯ELM模型，并利用复杂生产过程中的实际运行数据，在经验贝叶斯框架下对上述贝叶斯ELM模型的参数进行学习。在此基础上，采用自适应调整方法学习一对互为倒数的权重，最终获得区间型指标的预报值。上述区间型指标预报方法可对实际生产过程中的生产指标进行预报，并用于指导生产过程的操作优化与动态调度。

Description

基于贝叶斯网络和极限学习机的区间型指标预报方法 技术领域
本发明属于自动控制、信息技术和先进制造领域，具体涉及针对难以建立机理模型且已有大量历史生产数据的复杂工业生产过程的一种基于贝叶斯网络和极限学习机(ELM)的区间型指标预报方法。
背景技术
生产指标预报是生产过程操作优化和动态调度中所涉及的关键技术之一，但在钢铁、微电子等行业实际复杂生产过程中，生产数据往往含有各种不确定性,基于神经网络、支撑向量机等常规预测模型给出的指标预报值与指标的实际测量值往往存在较大偏差，从而影响了操作优化和动态调度效果，采用区间型指标预报方法是解决上述指标预报难题的有效途径之一。
发明内容
本发明针对难以建立机理模型且已有大量历史生产数据的复杂生产过程，提出一种基于贝叶斯网络和极限学习机(ELM)的区间型指标预报方法。本发明针对复杂生产过程不确定性特点，采用区间数来描述生产指标，利用复杂生产过程中的实际运行数据，采用非对称高斯分布贝叶斯和ELM方法对区间型指标进行建模，并通过对一对互为倒数的权值进行自适应调整获得上边界模型和下边界模型，作为生产指标的预报区间。上述区间型指标预报方法可对实际生产过程中的生产指标进行预报，并用于指导生产过程的操作优化与动态调度。
一种基于贝叶斯网络和极限学习机(ELM)的区间型指标预报方法，其特征在于，所述方法是依次按如下步骤实现的：
步骤(1)：数据采集与预处理
利用数据采集系统从实际工业生产过程进行数据采集，并将上述数据处理成如 下训练数据：
Figure PCTCN2014094839-appb-000001
xi＝(xi,1,...,xi,n)
其中，xi和ti分别为第i个训练样本的输入和输出，N为训练数据样本的个数，n为输入变量的维数；
步骤(2)：构造基于非对称高斯分布贝叶斯的双ELM模型
步骤(2.1)：将ELM模型可表示成如下形式：
t＝h(x)β+ε
其中，h(x)为ELM的隐层节点函数，β为输出层权重，ε为模型误差；
步骤(2.2)：ELM模型的输出可假设为如下非对称高斯分布：
Figure PCTCN2014094839-appb-000002
其中，b为非对称高斯分布的方差参数，w为非对称高斯分布的权重；
步骤(2.3)：训练数据的似然函数可写成：
Figure PCTCN2014094839-appb-000003
其中，H1和t1分别为满足t＜hβ的样本集的隐层输出矩阵和输出向量，H2和t2分别为满足t≥hβ的样本集的隐层输出矩阵和输出向量；
步骤(2.4)：对输出权值β使用高斯先验分布，即
Figure PCTCN2014094839-appb-000004
其中，M是隐层节点数，a和βk是高斯分布的参数；
步骤(2.5)：使用一对互为倒数权值(w,1/w)，记为(w1,w2)，并对其进行适当的调整，能得到两个带权重贝叶斯ELM模型(即基于非对称高斯分布贝叶斯的双ELM)：
Figure PCTCN2014094839-appb-000005
p(t|a1,b1)＝∫p(t|β1,b1,w1)p(β1|a1)dβ1
Figure PCTCN2014094839-appb-000006
p(t|a2,b2)＝∫p(t|β2,b2,w2)p(β2|a2)dβ2
步骤(3)：基于非对称高斯分布贝叶斯的双ELM模型的初始化
步骤(3.1)：ELM模型的初始化
选定输入层神经节点个数与训练样本维数n相同，输出神经节点个数为1，单隐层极限学习机的隐层节点数M；
隐层节点的激励函数h(x,ol,rl)可采用高斯函数/Sigmoid函数/正弦函数/三角基函数/Hard Limit函数；
根据最初的N个样本
Figure PCTCN2014094839-appb-000007
训练极限学习机，随机确定每个隐层节点的中心ol和宽度rl(隐层节点的激励函数h(x,ol,rl)采用高斯函数时)或随机确定每个隐层节点的权值ol和偏置rl(隐层节点的激励函数h(x,ol,rl)采用Sigmoid函数/正弦函数/三角基函数/Hard Limit函数时)，l＝1,2,…M，运用普通的极限学习机计算初始的隐层输出矩阵H和输出层连接矩阵的初始值
Figure PCTCN2014094839-appb-000008
其中，
Figure PCTCN2014094839-appb-000009
Figure PCTCN2014094839-appb-000010
步骤(3.2)：权重(w1,w2)的自适应调整算法的初始化
初始化权重w＝w1＝w2＝1，设定预测区间CItrained＝0，设定权重调整单位值为δw＝0.05，设定权重的最小值wmin＝0.001，设定权重的学习率为rw＝1，设定权重的停止准则εw＝0.00001；
步骤(4)：权重w1的贝叶斯ELM模型的参数学习：
步骤(4.1)：使用贝叶斯公式，后验分布p(β1|t)能用如下表示：
Figure PCTCN2014094839-appb-000011
令
Figure PCTCN2014094839-appb-000012
有
Figure PCTCN2014094839-appb-000013
其中，H1,1和t1,1分别为ε<0的训练样本对应的隐层输出矩阵和输出值，H1,2和t1,2分别为ε>0的训练样本对应的隐层输出矩阵和输出值，H1＝[H1,1；H1,2]，t＝[t1,1；t1,2]；
步骤(4.2)：使用贝叶斯公式，边缘似然函数p(t|a1,b1)可表示如下：
Figure PCTCN2014094839-appb-000014
其中，
Figure PCTCN2014094839-appb-000015
Figure PCTCN2014094839-appb-000016
Figure PCTCN2014094839-appb-000017
则，
Figure PCTCN2014094839-appb-000018
步骤(4.3)：令
Figure PCTCN2014094839-appb-000019
解得，
Figure PCTCN2014094839-appb-000020
其中，
Figure PCTCN2014094839-appb-000021
步骤(4.4)：类似的，令
Figure PCTCN2014094839-appb-000022
解得，
Figure PCTCN2014094839-appb-000023
步骤(4.5)：重复步骤(4.1)、步骤(4.2)和步骤(4.3)，直到a1和b1收敛；
步骤(5)：权重w2的贝叶斯ELM模型的参数学习：
本步骤与步骤(4)类似，这里直接给出结论；
步骤(5.1)：使用如下公式计算ELM模型的输出权值，
Figure PCTCN2014094839-appb-000024
其中，H2,1和t2,1分别为ε<0的训练样本对应的隐层输出矩阵和输出值，H2,2和t2,2分别为ε>0的训练样本对应的隐层输出矩阵和输出值，H2＝[H2,1；H2,2]，t＝[t2,1；t2,2]；
步骤(5.2)：分别使用如下公式计算a2和b2
Figure PCTCN2014094839-appb-000025
Figure PCTCN2014094839-appb-000026
其中，
Figure PCTCN2014094839-appb-000027
步骤(5.3)：重复步骤(5.1)和步骤(5.2)，直到a2和b2收敛；
步骤(6)：权重(w1,w2)的自适应调整
步骤(6.1)：计算上界模型和下界模型的预测区间平均值：
步骤(6.2)：计算预测区间平均值与区间目标值的差：
CIerr＝CIexp ected-CItrained
步骤(6.3)：根据区间模型的预测区间平均值与区间目标值的差，使用如下方式进行权重调整
wnew＝w-CIerr×(w-wmin)×δw
w1＝wnew,w2＝1/wnew
步骤(7)：重复步骤(4)、步骤(5)和步骤(6)，直到CIerr满足停止条件；
步骤(8)：在上述模型参数学习完成的基础上，使用如下方式进行区间型指标预测，假设输入变量为x，
Figure PCTCN2014094839-appb-000029
Figure PCTCN2014094839-appb-000030
其中，t1和t2分别为区间型指标预测值的下界和上界；
附图说明
图1：基于贝叶斯网络和极限学习机的区间型指标预报方法的算法结构框图。
图2：本发明针对LF生产过程钢水温度的预测问题实施的模型输出与实际输出对比的曲线图。其中横坐标为样本编号，纵坐标蓝色小圆点为实际的钢水温度值，绿色曲线和红色曲线分别为预测模型的预测上界值和预测下界值。
图3：本发明针对LF生产过程钢水温度的预测问题实施的权重自适应调整过程及其对应的预测区间变化图。其中横坐标为模型学习的迭代次数，纵坐标中的蓝色曲线和红色曲线分别为上界模型和下界模型的权重的自适应调整过程，绿色曲线为其调整过程中相应的预测区间值。
具体实施方式
为验证上述基于区间数的区间极限学习机建模方法在处理区间数建模问题上的应用效果，本发明做了大量仿真实验，由于篇幅有限，这里仅给出上述方法在某钢厂LF生产过程钢水温度的预测问题上和某微电子厂化学机械研磨工序出片厚度预测问题上的具体实施详细步骤：
(一)精炼炉钢水温度预报
第一步：精炼炉生产数据采集
采集每两次钢水测量之间的生产数据，将前一次钢水温度测量值、钢包状况、加热档位、加热时间、处理间隔时间、吹氩流量、包壁温度、烟气温度、烟气流量和环境温度等作为输入，后一次钢水温度测量值作为输出，共获得训练数据579个。第二步：进行AB-TELM模型训练
根据说明书中步骤(3)给定的初始化方法，对AB-TELM模型中权重w1的贝叶斯ELM模型(以下简称上界模型)、权重w2的贝叶斯ELM模型(以下简称下界模型)的参数及权重自适应算法中的参数进行初始化；在初始化完成的基础上，分别按照说明书中步骤(4)和步骤(5)进行给定w1和w2的前提下，上界模型和下界模型的参数学习；再利用本发明说明书中的方法，按照步骤(6)对w1和w2进行自适应调整；重复上界模型、下界模型的参数学习过程及w1、w2的自适应调整过程，直到模型收敛。最优的隐层节点的激励函数和隐层节点数均需要通过交叉验证方法进行确定。
第三步：利用AB-TELM模型进行区间型指标预测
在实际工业生产过程中，使用数据采集系统对精炼炉现场实际工业生产数据进行采集，并按照第一步处理训练数据的方式将数据处理成AB-TELM模型所需的输入数据，共获得测试样本578个，然后利用第二步中训练得到的AB-TELM模型参数，按照步骤(8)计算区间型指标预测值。
实际效果图如下图所示，图(2)为给定区间10度时模型的预测结果，其中红色曲线代表温度预测的下界值，绿色曲线代表温度预测的上界值。从图(2)中可以看出在AB-TELM模型的预测结果中，上界模型的预测值均大于下界模型的预测值，且 大部分实际数据均位于AB-TELM模型的预测区间中，说明模型的可行性。图(3)为其对应的权值自适应调整过程及其对应的预测区间变化图，其中绿色曲线为预测区间的变化过程，蓝色曲线为下界模型权重w1的自适应调整过程，红色曲线为上界模型权重w2的自适应调整过程。从图(3)可以看出，在设定期望的预测区间为10度后，下界模型权重w1和上界模型权重w2能够根据模型的实际预测区间值与期望的预测区间的误差进行自适应调整，并经过10步左右的迭代，能够达到期望的预测区间值。表1为本发明所提出的算法AB-TELM与普通ELM以及基于支持向量机的双模型(包括线性核TSVR-l和高斯核TSVR-g)的仿真结果对比，采用的性能指标为均方误差(RMSE)。表1中#Nodes为ELM类别模型隐层节点数，C和ε为TSVR类别模型的误差惩罚系数和不敏感系数。从表1可以看出，AB-TELM的测试精度比ELM、TSVR-l、TSVR-g模型有了较大的提高，表明了本发明提出的AB-TELM模型的有效性。
(二)微电子化学机械研磨过程的研磨厚度预报
第一步：精炼炉生产数据采集
采集每个晶圆片的研磨时间、研磨厚度、所属产品品种，以及研磨设备检验标准值信息，并按所属产品品种信息将数据进行分组，在每组数据中，将研磨时间、研磨设备检验标准值作为模型输入数据，将研磨厚度作为模型输出数据，共获得训练数据1276个。
第二步：进行AB-TELM模型训练
根据说明书中步骤(3)给定的初始化方法，对AB-TELM模型中权重w1的贝叶斯ELM模型(以下简称上界模型)、权重w2的贝叶斯ELM模型(以下简称下界模型)的参数及权重自适应算法中的参数进行初始化；在初始化完成的基础上，分别按照说明书中步骤(4)和步骤(5)进行给定w1和w2的前提下，上界模型和下界模型的参数学习；再利用本发明说明书中的方法，按照步骤(6)对w1和w2进行自适应调整；重复上界模型、下界模型的参数学习过程及w1、w2的自适应调整过程，直到模型收敛。最优的隐层节点的激励函数和隐层节点数均需要通过交叉验证方法 进行确定。
第三步：利用AB-TELM模型进行区间型指标预测
在实际工业生产过程中，使用数据采集系统对CMP现场实际工业生产数据进行采集，并按照第一步处理训练数据的方式将数据处理成AB-TELM模型所需的输入数据，共获得测试样本1276个，然后利用第二步中训练得到的AB-TELM模型参数，按照步骤(8)计算区间型指标预测值。
AB-TELM和其它模型在微电子CMP出片厚度预测问题上的性能比较如表2所示，从表中可以看出TSVR-l在该问题的性能明显比AB-TELM和TSVR-g差。此外，从仿真时间性能看，AB-TELM明显优于TSVR-l和TSVR-g。
表1AB-TELM和其它模型在精炼炉钢水温度预测问题中的性能比较
Figure PCTCN2014094839-appb-000031
表2AB-TELM和TSVR区间模型在微电子CMP出片厚度预测问题上的性能比较
  AB-TELM TSVR-l TSVR-g
RMSE 171.3005 245.113 172.072
仿真时间(秒) 3.511967 25.38918 32.90905

Claims (3)

  1. 基于贝叶斯网络和极限学习机的区间型指标建模方法，其特征在于，所述方法是依次按如下步骤实现的：
    步骤(1)：数据采集与预处理
    利用数据采集系统从实际工业生产过程进行数据采集，并将上述数据处理成如下训练数据：
    Figure PCTCN2014094839-appb-100001
    xi＝(xi,1,...,xi,n)
    其中，xi和ti分别为第i个训练样本的输入和输出，N为训练数据样本的个数，n为输入变量的维数；
    步骤(2)：构造基于非对称高斯分布贝叶斯的双ELM模型
    步骤(2.1)：将ELM模型可表示成如下形式：
    t＝h(x)β+ε
    其中，h(x)为ELM的隐层节点函数，β为输出层权重，ε为模型误差；
    步骤(2.2)：ELM模型的输出可假设为如下非对称高斯分布：
    Figure PCTCN2014094839-appb-100002
    其中，b为非对称高斯分布的方差参数，w为非对称高斯分布的权重；
    步骤(2.3)：训练数据的似然函数可写成：
    Figure PCTCN2014094839-appb-100003
    其中，H1和t1分别为满足t＜hβ的样本集的隐层输出矩阵和输出向量，H2和t2分别为满足t≥hβ的样本集的隐层输出矩阵和输出向量；
    步骤(2.4)：对输出权值β使用高斯先验分布，即
    Figure PCTCN2014094839-appb-100004
    其中，M是隐层节点数，a和βk是高斯分布的参数；
    步骤(2.5)：使用一对互为倒数权值(w,1/w)，记为(w1,w2)，并对其进行适当的调整，能得到基于非对称高斯分布贝叶斯的双ELM：
    Figure PCTCN2014094839-appb-100005
    p(t|a1,b1)＝∫p(t|β1,b1,w1)p(β1|a1)dβ1
    Figure PCTCN2014094839-appb-100006
    p(t|a2,b2)＝∫p(t|β2,b2,w2)p(β2|a2)dβ2
    步骤(3)：基于非对称高斯分布贝叶斯的双ELM模型的初始化
    步骤(3.1)：ELM模型的初始化
    选定输入层神经节点个数与训练样本维数n相同，输出神经节点个数为1，单隐层极限学习机的隐层节点数M；
    隐层节点的激励函数h(x,ol,rl)可采用高斯函数/Sigmoid函数/正弦函数/三角基函数/Hard Limit函数；
    根据最初的N个样本
    Figure PCTCN2014094839-appb-100007
    训练极限学习机，随机确定每个隐层节点激励函数的参数ol和rl，l＝1,2,…M，运用普通的极限学习机计算初始的隐层输出矩阵H和输出层连接矩阵的初始值
    Figure PCTCN2014094839-appb-100008
    其中，
    Figure PCTCN2014094839-appb-100009
    Figure PCTCN2014094839-appb-100010
    步骤(3.2)：权重(w1,w2)的自适应调整算法的初始化
    初始化权重w＝w1＝w2＝1，设定预测区间CItrained＝0，设定权重调整单位值为δw＝0.05，设定权重的最小值wmin＝0.001，设定权重的学习率为rw＝1，设定权重的停止准则εw＝0.00001；
    步骤(4)：权重w1的贝叶斯ELM模型的参数学习：
    步骤(4.1)：使用贝叶斯公式，后验分布p(β1|t)能用如下表示：
    Figure PCTCN2014094839-appb-100011
    令
    Figure PCTCN2014094839-appb-100012
    有
    Figure PCTCN2014094839-appb-100013
    其中，H1,1和t1,1分别为ε<0的训练样本对应的隐层输出矩阵和输出值，H1,2和t1,2分别为ε>0的训练样本对应的隐层输出矩阵和输出值，H1＝[H1,1；H1,2]，t＝[t1,1；t1,2]；
    步骤(4.2)：使用贝叶斯公式，边缘似然函数p(t|a1,b1)可表示如下：
    Figure PCTCN2014094839-appb-100014
    其中，
    Figure PCTCN2014094839-appb-100015
    Figure PCTCN2014094839-appb-100016
    则，
    Figure PCTCN2014094839-appb-100017
    步骤(4.3)：令
    Figure PCTCN2014094839-appb-100018
    解得，
    Figure PCTCN2014094839-appb-100019
    其中，
    Figure PCTCN2014094839-appb-100020
    步骤(4.4)：类似的，令
    Figure PCTCN2014094839-appb-100021
    解得，
    Figure PCTCN2014094839-appb-100022
    步骤(4.5)：重复步骤(4.1)、步骤(4.2)和步骤(4.3)，直到a1和b1收敛；
    步骤(5)：权重w2的贝叶斯ELM模型的参数学习：
    本步骤与步骤(4)类似，这里直接给出结论；
    步骤(5.1)：使用如下公式计算ELM模型的输出权值，
    Figure PCTCN2014094839-appb-100023
    其中，H2,1和t2,1分别为ε<0的训练样本对应的隐层输出矩阵和输出值，H2,2和t2,2分别为ε>0的训练样本对应的隐层输出矩阵和输出值，H2＝[H2,1；H2,2]，t＝[t2,1；t2,2]；
    步骤(5.2)：分别使用如下公式计算a2和b2
    Figure PCTCN2014094839-appb-100024
    Figure PCTCN2014094839-appb-100025
    其中，
    Figure PCTCN2014094839-appb-100026
    步骤(5.3)：重复步骤(5.1)和步骤(5.2)，直到a2和b2收敛；
    步骤(6)：权重(w1,w2)的自适应调整
    步骤(6.1)：计算上界模型和下界模型的预测区间平均值：
    Figure PCTCN2014094839-appb-100027
    步骤(6.2)：计算预测区间平均值与区间目标值的差：
    CIerr＝CIexpected-CItrained
    步骤(6.3)：根据区间模型的预测区间平均值与区间目标值的差，使用如下方式进行权重调整
    wnew＝w-CIerr×(w-wmin)×δw
    w1＝wnew,w2＝1/wnew
    步骤(7)：重复步骤(4)、步骤(5)和步骤(6)，直到CIerr满足停止条件；
    步骤(8)：在上述模型参数学习完成的基础上，使用如下方式进行区间型指标预测，假设输入变量为x，
    Figure PCTCN2014094839-appb-100028
    Figure PCTCN2014094839-appb-100029
    其中，t1和t2分别为区间型指标预测值的下界和上界；
  2. 本发明根据前面的基于贝叶斯网络和极限学习机的区间型指标预报方法，并根据精炼炉钢水温度预报实际问题，进一步提出了基于贝叶斯网络和极限学习机的精炼炉钢水温度区间预报方法；该方法将实际精炼炉钢水温度在每两次温度测量之间的前一次钢水测量温度、钢包状况、加热档位、加热时间、处理间隔时间、吹氩流量、包壁温度、烟气温度、烟气流量和环境温度等作为模型输入训练数据，将后一次测量温度值作为模型输出训练数据，并对基于贝叶斯网络和极限学习机的区间型指标预报模型进行训练，所得训练好的模型即可用于钢水温度的预报；所述方法是在计算机上依次按以下步骤实现：
    步骤(1)：采集每炉钢水每两次温度测量之间的数据，在每组数据中，将前一次钢水测量温度、钢包状况、加热档位、加热时间、处理间隔时间、吹氩流量、包壁温度、烟气温度、烟气流量和环境温度等作为模型输入训练数据，将后一次钢水测量温度作为模型输出数据；
    步骤(2)：选定输入层神经节点个数，输出神经节点个数，单隐层极限学习机的隐层节点数，隐层节点的激励函数，非对称权重，区间目标值；
    步骤(3)：采用权利要求1中的基于贝叶斯网络和极限学习机的区间型指标预报方法，用步骤(2)采集的数据进行训练，从而得到精炼炉钢水温度预报模型。
  3. 本发明根据前面的基于贝叶斯网络和极限学习机的区间型指标预报方法，并根据微电子化学机械研磨工序晶圆片研磨厚度预报实际问题，进一步提出了基于贝叶斯网络和极限学习机的化学机械研磨厚度区间预报方法；该方法将实际微电子化学机械研磨工序对每个晶圆片的研磨时间以及研磨设备检验标准值为模型输入训练数据，将晶圆片研磨厚度作为模型输出训练数据，并对基于贝叶斯网络和极限学习机的区间型指标预报模型进行训练，所得训练好的模型即可用于研磨厚度的区间预报。所述方法是在计算机上依次按以下步骤实现：
    步骤(1)：采集每个晶圆片的研磨时间、研磨厚度、所属产品品种，以及研磨设备检验标准值信息，并按所属产品品种信息将数据进行分组，在每组数据中，将研磨时间、研磨设备检验标准值作为模型输入数据，将研磨厚度作为模型输出数据；
    步骤(2)：选定输入层神经节点个数，输出神经节点个数，单隐层极限学习机的隐层节点数，隐层节点的激励函数，非对称权重，区间目标值；
    步骤(3)：采用权利要求1中的基于贝叶斯网络和极限学习机的区间型指标预报方法，用步骤(2)采集的数据进行训练，从而得到微电子化学机械研磨厚度预报模型。
PCT/CN2014/094839 2014-12-23 2014-12-24 基于贝叶斯网络和极限学习机的区间型指标预报方法 Ceased WO2016101182A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201410805036.7 2014-12-23
CN201410805036.7A CN104537033B (zh) 2014-12-23 2014-12-23 基于贝叶斯网络和极限学习机的区间型指标预报方法

Publications (1)

Publication Number Publication Date
WO2016101182A1 true WO2016101182A1 (zh) 2016-06-30

Family

ID=52852561

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2014/094839 Ceased WO2016101182A1 (zh) 2014-12-23 2014-12-24 基于贝叶斯网络和极限学习机的区间型指标预报方法

Country Status (2)

Country Link
CN (1) CN104537033B (zh)
WO (1) WO2016101182A1 (zh)

Cited By (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108764517A (zh) * 2018-04-08 2018-11-06 中南大学 一种高炉铁水硅含量变化趋势预测方法、设备和存储介质
CN110287124A (zh) * 2019-07-03 2019-09-27 大连海事大学 一种自动标记软件错误报告并进行严重性识别的方法
CN110362881A (zh) * 2019-06-25 2019-10-22 西安电子科技大学 基于极限学习机的微波功率器件非线性模型方法
CN110675587A (zh) * 2019-09-25 2020-01-10 深圳市中电数通智慧安全科技股份有限公司 火灾预警方法、装置、终端及可读存储介质
CN111027202A (zh) * 2019-12-04 2020-04-17 北京软通智城科技有限公司 一种数字城市的预测方法、装置、设备及存储介质
CN111707895A (zh) * 2020-06-22 2020-09-25 合肥博雷电气有限公司 一种基于机器学习的电磁环境复杂度评估方法及系统
CN111832840A (zh) * 2020-07-27 2020-10-27 南方电网科学研究院有限责任公司 基于可微成本函数的超短期风电功率区间预测方法、装置
CN112232672A (zh) * 2020-10-16 2021-01-15 北京中船信息科技有限公司 一种工业机理模型的管理系统及方法
CN112257942A (zh) * 2020-10-29 2021-01-22 中国特种设备检测研究院 一种应力腐蚀开裂预测方法及系统
CN112862166A (zh) * 2021-01-27 2021-05-28 兰州理工大学 一种基于信号分解的风电功率区间预测组合方法
CN113283614A (zh) * 2021-04-29 2021-08-20 东北财经大学 基于OcE的PM2.5浓度预测方法
CN113344270A (zh) * 2021-06-03 2021-09-03 上海交通大学 基于集成式极限学习机的风资源预测方法及系统
CN113866204A (zh) * 2021-09-27 2021-12-31 电子科技大学 一种基于贝叶斯正则化的土壤重金属定量分析方法
CN114065572A (zh) * 2021-10-27 2022-02-18 西北工业大学 一种厚度偏差与叶片厚度分布相关的叶片模型构建方法
CN114358502A (zh) * 2021-12-08 2022-04-15 北京工商大学 一种基于优化elm的食用油风险评估方法
CN114580758A (zh) * 2022-03-09 2022-06-03 苗韧 一种多城市自动能源负荷预测方法及系统
CN114626304A (zh) * 2022-03-21 2022-06-14 齐鲁工业大学 一种矿浆铜品位在线预测软测量建模方法
CN114638555A (zh) * 2022-05-18 2022-06-17 国网江西综合能源服务有限公司 基于多层正则化极限学习机的用电行为检测方法及系统
CN114688981A (zh) * 2022-03-15 2022-07-01 中南大学 一种复合钢筋覆层厚度识别及厚度均匀性评价方法、设备及介质
CN116246726A (zh) * 2022-12-07 2023-06-09 三峡大学 一种土壤重金属砷空间分布预测方法及系统
CN116256592A (zh) * 2022-11-28 2023-06-13 国网山东省电力公司德州供电公司 一种中压配电电缆潜伏性故障检测方法及系统
CN117933316A (zh) * 2024-03-25 2024-04-26 南京大学 一种基于可解释贝叶斯卷积网络的地下水位概率预报方法
CN119620173A (zh) * 2023-09-13 2025-03-14 中国石油天然气集团有限公司 碳酸岩孔隙结构反演方法及相关设备
CN121389069A (zh) * 2025-12-23 2026-01-23 山东科技大学 基于sr-telm的钻-扩混合加工材料去除功率预测方法

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107066659A (zh) * 2016-12-27 2017-08-18 长春工业大学 一种利用极限学习机预测水泥分解炉温度的方法
CN107274016A (zh) * 2017-06-13 2017-10-20 辽宁大学 随机蛙跳算法优化对称极限学习机的带钢出口厚度预测方法
CN107911346B (zh) * 2017-10-31 2020-12-29 兵棋思学(天津)教育科技有限公司 一种基于极限学习机的入侵检测方法
CN108520320A (zh) * 2018-03-30 2018-09-11 华中科技大学 一种基于多重长短期记忆网络和经验贝叶斯的设备寿命预测方法
CN108597603B (zh) * 2018-05-04 2021-04-20 吉林大学 基于多维高斯分布贝叶斯分类的癌症复发预测系统
US11150633B2 (en) * 2018-05-14 2021-10-19 Purdue Research Foundation System and method for automated geometric shape deviation modeling for additive manufacturing
WO2019228847A1 (en) * 2018-06-01 2019-12-05 Basf Se Method for determining the geometry of a raw part, which is shaped to form a finished part in a hydroerosive grinding method

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102956023A (zh) * 2012-08-30 2013-03-06 南京信息工程大学 一种基于贝叶斯分类的传统气象数据与感知数据融合的方法
CN103472721A (zh) * 2013-09-22 2013-12-25 浙江大学 自适应机器学习的农药废液焚烧炉炉温最佳化系统及方法
CN103559540A (zh) * 2013-11-13 2014-02-05 上海电气集团股份有限公司 基于自适应神经模糊推理系统的风速超短期在线预测方法
CN103745273A (zh) * 2014-01-06 2014-04-23 北京化工大学 一种半导体制造过程的多性能预测方法
CN103778466A (zh) * 2013-12-30 2014-05-07 浙江中控研究院有限公司 一种基于矢量误差的转炉炼钢温度建模预测方法及系统

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
HK1041059A1 (zh) * 1998-07-31 2002-06-28 特许科技有限公司 采用人造神经网络和遗传算法的高速公路事件自动检测系统
US7831532B2 (en) * 2004-11-16 2010-11-09 Microsoft Corporation Precomputation and transmission of time-dependent information for varying or uncertain receipt times
US7475047B1 (en) * 2005-03-16 2009-01-06 Sun Microsystems, Inc. Parallel grouping decomposition for fast training of large-scale support vector machines
US7707129B2 (en) * 2006-03-20 2010-04-27 Microsoft Corporation Text classification by weighted proximal support vector machine based on positive and negative sample sizes and weights
CN102354158A (zh) * 2011-10-24 2012-02-15 天津职业技术师范大学 一种基于贝叶斯网络在机测量动态误差分离装置及其方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102956023A (zh) * 2012-08-30 2013-03-06 南京信息工程大学 一种基于贝叶斯分类的传统气象数据与感知数据融合的方法
CN103472721A (zh) * 2013-09-22 2013-12-25 浙江大学 自适应机器学习的农药废液焚烧炉炉温最佳化系统及方法
CN103559540A (zh) * 2013-11-13 2014-02-05 上海电气集团股份有限公司 基于自适应神经模糊推理系统的风速超短期在线预测方法
CN103778466A (zh) * 2013-12-30 2014-05-07 浙江中控研究院有限公司 一种基于矢量误差的转炉炼钢温度建模预测方法及系统
CN103745273A (zh) * 2014-01-06 2014-04-23 北京化工大学 一种半导体制造过程的多性能预测方法

Cited By (34)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108764517A (zh) * 2018-04-08 2018-11-06 中南大学 一种高炉铁水硅含量变化趋势预测方法、设备和存储介质
CN108764517B (zh) * 2018-04-08 2020-12-04 中南大学 一种高炉铁水硅含量变化趋势预测方法、设备和存储介质
CN110362881A (zh) * 2019-06-25 2019-10-22 西安电子科技大学 基于极限学习机的微波功率器件非线性模型方法
CN110287124A (zh) * 2019-07-03 2019-09-27 大连海事大学 一种自动标记软件错误报告并进行严重性识别的方法
CN110675587A (zh) * 2019-09-25 2020-01-10 深圳市中电数通智慧安全科技股份有限公司 火灾预警方法、装置、终端及可读存储介质
CN111027202B (zh) * 2019-12-04 2023-12-15 北京软通绿城科技有限公司 一种数字城市的预测方法、装置、设备及存储介质
CN111027202A (zh) * 2019-12-04 2020-04-17 北京软通智城科技有限公司 一种数字城市的预测方法、装置、设备及存储介质
CN111707895A (zh) * 2020-06-22 2020-09-25 合肥博雷电气有限公司 一种基于机器学习的电磁环境复杂度评估方法及系统
CN111832840A (zh) * 2020-07-27 2020-10-27 南方电网科学研究院有限责任公司 基于可微成本函数的超短期风电功率区间预测方法、装置
CN111832840B (zh) * 2020-07-27 2024-03-12 南方电网科学研究院有限责任公司 基于可微成本函数的超短期风电功率区间预测方法、装置
CN112232672A (zh) * 2020-10-16 2021-01-15 北京中船信息科技有限公司 一种工业机理模型的管理系统及方法
CN112232672B (zh) * 2020-10-16 2024-01-12 北京中船信息科技有限公司 一种工业机理模型的管理系统及方法
CN112257942A (zh) * 2020-10-29 2021-01-22 中国特种设备检测研究院 一种应力腐蚀开裂预测方法及系统
CN112257942B (zh) * 2020-10-29 2023-11-14 中国特种设备检测研究院 一种应力腐蚀开裂预测方法及系统
CN112862166A (zh) * 2021-01-27 2021-05-28 兰州理工大学 一种基于信号分解的风电功率区间预测组合方法
CN113283614A (zh) * 2021-04-29 2021-08-20 东北财经大学 基于OcE的PM2.5浓度预测方法
CN113283614B (zh) * 2021-04-29 2023-09-12 东北财经大学 基于OcE的PM2.5浓度预测方法
CN113344270A (zh) * 2021-06-03 2021-09-03 上海交通大学 基于集成式极限学习机的风资源预测方法及系统
CN113866204A (zh) * 2021-09-27 2021-12-31 电子科技大学 一种基于贝叶斯正则化的土壤重金属定量分析方法
CN114065572A (zh) * 2021-10-27 2022-02-18 西北工业大学 一种厚度偏差与叶片厚度分布相关的叶片模型构建方法
CN114358502A (zh) * 2021-12-08 2022-04-15 北京工商大学 一种基于优化elm的食用油风险评估方法
CN114580758A (zh) * 2022-03-09 2022-06-03 苗韧 一种多城市自动能源负荷预测方法及系统
CN114580758B (zh) * 2022-03-09 2023-07-18 苗韧 一种多城市自动能源负荷预测方法及系统
CN114688981A (zh) * 2022-03-15 2022-07-01 中南大学 一种复合钢筋覆层厚度识别及厚度均匀性评价方法、设备及介质
CN114626304B (zh) * 2022-03-21 2024-02-27 齐鲁工业大学 一种矿浆铜品位在线预测软测量建模方法
CN114626304A (zh) * 2022-03-21 2022-06-14 齐鲁工业大学 一种矿浆铜品位在线预测软测量建模方法
CN114638555A (zh) * 2022-05-18 2022-06-17 国网江西综合能源服务有限公司 基于多层正则化极限学习机的用电行为检测方法及系统
CN116256592A (zh) * 2022-11-28 2023-06-13 国网山东省电力公司德州供电公司 一种中压配电电缆潜伏性故障检测方法及系统
CN116256592B (zh) * 2022-11-28 2023-09-26 国网山东省电力公司德州供电公司 一种中压配电电缆潜伏性故障检测方法及系统
CN116246726A (zh) * 2022-12-07 2023-06-09 三峡大学 一种土壤重金属砷空间分布预测方法及系统
CN119620173A (zh) * 2023-09-13 2025-03-14 中国石油天然气集团有限公司 碳酸岩孔隙结构反演方法及相关设备
CN117933316A (zh) * 2024-03-25 2024-04-26 南京大学 一种基于可解释贝叶斯卷积网络的地下水位概率预报方法
CN117933316B (zh) * 2024-03-25 2024-05-31 南京大学 一种基于可解释贝叶斯卷积网络的地下水位概率预报方法
CN121389069A (zh) * 2025-12-23 2026-01-23 山东科技大学 基于sr-telm的钻-扩混合加工材料去除功率预测方法

Also Published As

Publication number Publication date
CN104537033A (zh) 2015-04-22
CN104537033B (zh) 2017-08-11

Similar Documents

Publication Publication Date Title
WO2016101182A1 (zh) 基于贝叶斯网络和极限学习机的区间型指标预报方法
CN106874581B (zh) 一种基于bp神经网络模型的建筑空调能耗预测方法
CN103730006B (zh) 一种短时交通流量的组合预测方法
WO2023130666A1 (zh) 一种基于数据驱动和机理模型融合的板带钢凸度预测方法
CN107377634B (zh) 一种热轧带钢出口凸度预报方法
CN103177180B (zh) 预测模型的建模样本的筛选方法
CN101893674B (zh) 一种区域电网污闪指数预测方法
CN106598917B (zh) 一种基于深度信念网络的上层海洋热结构预测方法
CN101520652B (zh) 一种数控装备服役可靠性的评估方法
CN104915518B (zh) 一种高炉铁水硅含量二维预报模型的构建方法及应用
CN102831269A (zh) 一种流程工业过程工艺参数的确定方法
CN104700153A (zh) 基于模拟退火优化BP神经网络的pH值预测方法
CN103440368A (zh) 一种多模型动态软测量建模方法
CN114548680B (zh) 城市暴雨洪水管理模型参数自动率定方法及系统
CN105260607A (zh) 一种串并联耦合的多模型水文预报方法
CN105223241A (zh) 一种湿度传感器的补偿方法
CN104785535B (zh) 一种基于模糊算法的冷轧平坦度质量判定方法
CN104008433A (zh) 基于贝叶斯动态模型的中长期电力负荷预测方法
CN111790762A (zh) 一种基于随机森林的热轧带钢轧制力设定方法
CN108872508A (zh) 一种ga-bp优化tsfnn的富营养水质评价方法
CN103106331B (zh) 基于降维和增量式极限学习机的光刻线宽智能预测方法
CN105868164A (zh) 一种基于有监督的线性动态系统模型的软测量建模方法
CN109599866B (zh) 一种预测辅助的电力系统状态估计方法
CN117862247A (zh) 一种基于机器学习的轧制过程带钢板形预测方法
CN111210877A (zh) 一种推断物性参数的方法及装置

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 14908750

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 14908750

Country of ref document: EP

Kind code of ref document: A1