CN104537033B - 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 PDFInfo
- Publication number
- CN104537033B CN104537033B CN201410805036.7A CN201410805036A CN104537033B CN 104537033 B CN104537033 B CN 104537033B CN 201410805036 A CN201410805036 A CN 201410805036A CN 104537033 B CN104537033 B CN 104537033B
- Authority
- CN
- China
- Prior art keywords
- model
- output
- weight
- elm
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000004519 manufacturing process Methods 0.000 claims abstract description 25
- 238000009826 distribution Methods 0.000 claims abstract description 20
- 230000003044 adaptive effect Effects 0.000 claims abstract description 11
- 230000006870 function Effects 0.000 claims description 29
- 238000012549 training Methods 0.000 claims description 29
- 229910000831 Steel Inorganic materials 0.000 claims description 17
- 239000010959 steel Substances 0.000 claims description 17
- 239000011159 matrix material Substances 0.000 claims description 16
- 238000007670 refining Methods 0.000 claims description 7
- 230000005284 excitation Effects 0.000 claims description 6
- 230000001537 neural effect Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- XKRFYHLGVUSROY-UHFFFAOYSA-N Argon Chemical compound [Ar] XKRFYHLGVUSROY-UHFFFAOYSA-N 0.000 claims description 4
- 238000010438 heat treatment Methods 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 4
- 239000002994 raw material Substances 0.000 claims description 4
- 238000009529 body temperature measurement Methods 0.000 claims description 3
- 229910052786 argon Inorganic materials 0.000 claims description 2
- 238000007664 blowing Methods 0.000 claims description 2
- 238000007781 pre-processing Methods 0.000 claims description 2
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 claims 1
- 239000003546 flue gas Substances 0.000 claims 1
- 238000005457 optimization Methods 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000013277 forecasting method Methods 0.000 description 6
- 238000009776 industrial production Methods 0.000 description 6
- 238000004377 microelectronic Methods 0.000 description 5
- 238000004088 simulation Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000002790 cross-validation Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011423 initialization method Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000005498 polishing Methods 0.000 description 2
- 238000011958 production data acquisition Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 241000051616 Ulmus minor Species 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
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
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***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:
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:
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:
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
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):
p(t|a1,b1)=∫p(t|β1,b1,w1)p(β1|a1)dβ1
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,L 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其中,
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:
令有
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:
其中,
则,
步骤(4.3):令
解得,
其中,
步骤(4.4):类似的,令
解得,
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,
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
其中,
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=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,
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***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-1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-1、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***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-1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-1和TSVR-g。
表1 AB-TELM和其它模型在精炼炉钢水温度预测问题中的性能比较
表2 AB-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 (1)
1.基于贝叶斯网络和极限学习机的精炼炉钢水温度预报方法,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***从实际精炼炉生产过程进行数据采集,其中包括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;将上述数据处理成如下训练数据:
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):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;通过下述基于非对称高斯分布贝叶斯的双ELM模型建立精炼炉钢水温度预报模型:
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:
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,h为h(x)的简略表达;
步骤(2.3):训练数据的似然函数可写成:
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
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:
p(t|a1,b1)=∫p(t|β1,b1,w1)p(β1|a1)dβ1
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其中,
其中变量t的表示输出变量构成的列向量;
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:
令有
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:
其中,
则,
步骤(4.3):令
解得,
其中,
步骤(4.4):类似的,令
解得,
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,
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
其中,
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CIexp ected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,
其中,t1和t2分别为区间型指标预测值的下界和上界。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
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 |
PCT/CN2014/094839 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
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 (2)
Publication Number | Publication Date |
---|---|
CN104537033A CN104537033A (zh) | 2015-04-22 |
CN104537033B true CN104537033B (zh) | 2017-08-11 |
Family
ID=52852561
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410805036.7A Expired - Fee Related 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 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN104537033B (zh) |
WO (1) | WO2016101182A1 (zh) |
Families Citing this family (27)
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 |
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 |
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*** |
US11150633B2 (en) * | 2018-05-14 | 2021-10-19 | Purdue Research Foundation | System and method for automated geometric shape deviation modeling for additive manufacturing |
CN112218738B (zh) * | 2018-06-01 | 2023-06-23 | 巴斯夫欧洲公司 | 确定在水力侵蚀研磨方法中成型以形成成品零件的毛坯零件的几何形状的方法 |
CN110362881B (zh) * | 2019-06-25 | 2023-04-18 | 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 |
CN110287124B (zh) * | 2019-07-03 | 2023-04-25 | 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 |
CN110675587B (zh) * | 2019-09-25 | 2022-03-29 | 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 |
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*** |
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 |
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***及方法 |
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*** |
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 |
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*** |
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 |
CN114065572B (zh) * | 2021-10-27 | 2023-04-07 | 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 |
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*** |
CN114688981B (zh) * | 2022-03-15 | 2023-01-31 | 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 |
CN114638555B (zh) * | 2022-05-18 | 2022-09-16 | 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*** |
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*** |
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 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1311880A (zh) * | 1998-07-31 | 2001-09-05 | 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*** |
CN1776739A (zh) * | 2004-11-16 | 2006-05-24 | 微软公司 | 使用对概率相关性和环境数据的建模与分析的交通预报 |
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 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102956023B (zh) * | 2012-08-30 | 2016-02-03 | 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 |
CN103472721B (zh) * | 2013-09-22 | 2015-11-11 | 浙江大学 | 自适应机器学习的农药废液焚烧炉炉温最佳化***及方法 |
CN103559540B (zh) * | 2013-11-13 | 2016-03-09 | 上海电气集团股份有限公司 | 基于自适应神经模糊推理***的风速超短期在线预测方法 |
CN103778466B (zh) * | 2013-12-30 | 2017-01-18 | 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*** |
CN103745273B (zh) * | 2014-01-06 | 2017-01-18 | 北京化工大学 | 一种半导体制造过程的多性能预测方法 |
-
2014
- 2014-12-23 CN CN201410805036.7A patent/CN104537033B/zh not_active Expired - Fee Related
- 2014-12-24 WO PCT/CN2014/094839 patent/WO2016101182A1/zh active Application Filing
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1311880A (zh) * | 1998-07-31 | 2001-09-05 | 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*** |
CN1776739A (zh) * | 2004-11-16 | 2006-05-24 | 微软公司 | 使用对概率相关性和环境数据的建模与分析的交通预报 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN104537033A (zh) | 2015-04-22 |
WO2016101182A1 (zh) | 2016-06-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104537033B (zh) | 基于贝叶斯网络和极限学习机的区间型指标预报方法 | |
Brownlee | What is the Difference Between a Batch and an Epoch in a Neural Network | |
CN107377634B (zh) | 一种热轧带钢出口凸度预报方法 | |
CN108764540B (zh) | 基于并行lstm串联dnn的供水管网压力预测方法 | |
CN103730006B (zh) | 一种短时交通流量的组合预测方法 | |
CN114021290B (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 | |
CN106600001B (zh) | 基于混合高斯分布相关学习机的玻璃窑炉温度预报方法 | |
CN108920863B (zh) | 一种机器人伺服***能耗估计模型的建立方法 | |
CN107621269A (zh) | 光纤陀螺温度漂移误差补偿方法 | |
CN107203590B (zh) | 基于改进nsga-ii的个性化电影推荐方法 | |
CN109635337B (zh) | 一种基于块增量随机配置网络的工业过程软测量建模方法 | |
CN104122796B (zh) | 一种智能装配序列规划方法 | |
CN103886371A (zh) | 一种预硬化型塑料模具钢成分及热处理工艺过程控制方法 | |
CN106991493A (zh) | 基于灰色神经网络组合模型的污水处理出水参数预测方法 | |
CN105608295A (zh) | 焦化炉压力的多目标遗传算法与rbf神经网络优化建模方法 | |
CN108022004A (zh) | 一种多模型加权组合电力负荷预报的自适应权重训练方法 | |
CN101114312A (zh) | 基于遗传神经网络技术设计assel轧辊辊型的方法 | |
Matias et al. | Using a neural network for estimating plant gradients in real-time optimization with modifier adaptation | |
CN105426965B (zh) | 一种应用于多目标区间遗传算法的排序方法 | |
CN110675055A (zh) | 一种自动化生产线建模与布局规划方法及*** | |
Mao et al. | Coating thickness modeling and prediction for hot-dip galvanized steel strip based on GA-BP neural network | |
JP2006309709A (ja) | 結果予測装置、制御装置及び品質設計装置 | |
Chan et al. | Modelling and optimization of fluid dispensing for electronic packaging using neural fuzzy networks and genetic algorithms | |
Corbett et al. | Model predictive quality control of polymethyl methacrylate | |
CN106292289B (zh) | 流程工业控制回路对象的混合精英随机搜索优化方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170811 Termination date: 20181223 |