CN105740984A - 一种基于性能预测的产品概念性能评价方法 - Google Patents
一种基于性能预测的产品概念性能评价方法 Download PDFInfo
- Publication number
- CN105740984A CN105740984A CN201610069105.1A CN201610069105A CN105740984A CN 105740984 A CN105740984 A CN 105740984A CN 201610069105 A CN201610069105 A CN 201610069105A CN 105740984 A CN105740984 A CN 105740984A
- Authority
- CN
- China
- Prior art keywords
- performance
- design parameter
- scheme
- performance indications
- product
- 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
Classifications
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于性能预测的产品概念性能评价方法,能够以定量的方式对新产品概念方案进行评价,最大的限度利用已有的历史产品设计信息支持方案评价。包括以下步骤:第一步:确定作为评价标准的性能指标,并确定各性能指标的权重;第二步:分析历史产品设计信息,确定各性能指标的关键设计参数;第三步:采用支持向量回归方法对历史产品设计信息进行分析,利用关键设计参数建立相应性能指标的预测模型;第四步:以新产品概念方案的关键设计参数值作为SVM预测模型的输入,对方案的各性能值进行预测;第五步:根据各概念方案的性能指标预测值,利用VIKOR方法首先定义理想方案和负理想方案,然后以折中规划法为核心,最终确定最优的概念方案。
Description
技术领域
本发明属于产品概念设计领域,涉及一种基于性能预测的产品概念性能评价方法。
背景技术
在激烈的市场竞争环境下,新产品研发能力是企业保持竞争力的重要源泉。在产品研发过程中,概念设计是最重要、最关键、最能体现产品创新性的环节。它的主要任务是完成产品概念方案的生成与评价。概念方案的评价是对生成的一系列概念方案在不同评价指标下进行打分,然后选出最优概念方案的过程。由于概念设计处于产品研发的早期,概念方案的好坏会对产品研发后续阶段产生很大的影响。有研究表明,最终产品70-80%的成本和80%的质量是由概念设计阶段决定的。概念方案评价可以帮助设计者快速定位于最合适的方案,能减少之后产品研发中的变更,并增加最终产品成功的机率。除此之外,在产品概念设计中,大约70%的设计工作为自适应设计和变型设计,新产品设计大约60%以上的工作都基于以往设计信息展开的。因此,如何利用历史产品设计数据建立一种完善的概念方案评价方法,对于提升产品设计质量、减少设计返工以及缩短产品设计周期具有重要意义。
目前,已有一些专利利用定性分析的方法对概念方案进行评价。有的相关专利采用考虑方案主观偏好的不确定多属性效用决策方法优选出属性综合表现最佳的方案。有的相关专利采用基于粗集理论,在给定设计要求下对产品实例进行评价,进而得到最佳方案。在概念设计阶段,由于设计信息的模糊性和不完整性,导致专家进行决策和评价时往往会缺乏准确性和可信性。这些专利可以有效地对这些不确定的决策信息进行量化处理,降低主观因素及信息不确定性对评价过程的影响,提高评价的可靠性。
但是这些定性评价方法难免受专家偏好及设计知识局限的影响,为了使产品概念评价更加客观和准确,需要引入一些定量的方法。运用数据挖掘和统计学习的方法,发现历史产品设计数据中蕴含着设计规律和设计原理,支持概念方案的评价,可以帮助逐步摆脱以经验为主的定性传统方案评价方法。客户需求信息是产品设计开发的起点,同时也是检验产品设计结果的基本准则。性能需求作为客户需求中最重要的类型,与产品设计工作各个环节有最直接的关联。为了提早判断概念方案能否确切满足客户对产品特定性能的要求,指导之后的产品详细设计,本专利采用性能指标作为评价各概念方案的标准,采用灰关联熵分析方法,在有限的历史产品设计数据中发现各设计参数与产品性能之间的关联程度,确定影响产品性能的关键设计参数;利用支持向量机小样本学习和泛化性能佳的特点,挖掘关键设计参数与产品性能的非线性关系,预测新产品概念方案性能指标的取值。最后,采用(VIseKriterijumskaOptimizacijaIKompromisnoResenje)VIKOR对各概念方案进评价,选出最优概念方案。
发明内容
本发明的目的是提供一种基于性能预测的产品概念性能评价方法,该方法能有效利用历史产品信息,发现产品设计参数与性能之间的关联关系,建立基于设计参数的性能预测模型,通过预测模型去预测新产品概念方案在不同性能指标下的值,以此作为评价各方案的依据,进而选出最佳概念方案。
一种基于性能预测的产品概念性能评价方法,包括以下步骤:
第一步:确定作为评价标准的性能指标,并确定各性能指标的权重;
第二步:分析历史产品设计信息,确定各性能指标的关键设计参数;
第三步:采用支持向量回归SVM(Supportvectorregression)方法对历史产品设计信息进行分析,利用关键设计参数建立相应性能指标的预测模型;
第四步:以新产品概念方案的关键设计参数值作为SVM预测模型的输入,对方案的各性能值进行预测;
第五步:根据各概念方案的性能指标预测值,利用VIKOR方法首先定义理想方案和负理想方案,然后以折中规划法为核心,提供最大化“群体效益”与最小化“个别遗憾”相妥协的概念方案排序,最终确定最优的概念方案。
进一步地,所述确定各性能指标的关键设计参数,包括以下步骤:
第(1)步、归一化分析:对各设计参数和性能指标进行归一化处理,经过变换,化为无量纲形式,避免计算结果产生较大误差;
第(2)步、分析设计参数与各性能指标的关联程度,利用灰色关联熵分析法对历史产品设计信息进行分析;
第(3)步、根据设计参数序列曲线与性能指标序列曲线的相似程度来判断两者联系的紧密程度,曲线越分离说明相应序列之间的关联度就越小,反之就越大,通过上述分析得到各设计参数与不同性能指标间的关联程度;
第(4)步、识别关键设计参数:根据设计参数与各性能指标的关联程度,得到各性能指标的关联设计参数序列,该序列按关联程度由大至小对相应设计参数进行排列,在各性能指标对应的序列中选取关键设计参数。
本发明的有益效果:
本方面的方法能够以定量的方式对新产品概念方案进行评价,最大的限度利用已有的历史产品设计信息支持方案评价,相比于其他概念方案定性评价方法,本发明中的方法实现简单,可降低专家的主观偏好和知识局限对评价结果的影响,还能有效缩短评价周期,增加最佳概念方案的可信性。
附图说明
图1为本发明中基于PSO-SVM的性能预测模型建立流程图。
具体实施方式
下面结合附图对本发明作进一步的介绍。
(1)设计参数与各性能指标的关联程度分析
1)确定参考序列和比较序列
根据归一化处理后的m个性能指标和n个设计参数数据,以每一性能指标作为参考序列,n个设计参数为了比较序列。设参考序列为
Yt=[yt(1),yt(2),…,yt(p),…,yt(q)](1)
式中,Yt为第t(1≤t≤m)个性能指标的参考序列,[yt(1),yt(2),…,yt(p),…,yt(q)]为Yt中的参考序列数据。
设比较序列为
Xs=[xs(1),xs(2),…,xs(p),…,xs(q)](2)
式中,Xs为第s(1≤s≤n)个设计参数的比较序列,
[xs(1),xs(2),…,xs(p),…,xs(q)]为Xs中的比较序列数据。
2)灰色熵关联度计算
对了第t个性能指标,第s设计参数与其在第p个数据的相对差表示如下:
Δs(p)=|yt(p)-xs(p)|(3)
第s设计参数与第t个性能指标在第p个数据的灰色关联度系数计算公式如下:
式中,为分辨系数,取值在0至1之间,一般取0.5。
灰色关联熵度计算公式如下:
式(5)中P(yt(p),xs(p))表示第s设计参数在第p个数据的灰色关联熵密度,E(Yt,Xs)表示第s设计参数与第t个性能指标的灰色关联熵度。
3)计算设计参数与不同性能指标的灰色熵关联度
根据步骤2)中的计算公式计算,每一性能指标与所有设计参数的灰色熵关联度,将设计参数按灰色熵关联度由大到小排列得到,每一性能指标的设计参数关联序列。
(2)性能预测模型建立
利用粒子群算法(PSO)优化的支持向量机(SVM)建立基于关键设计参数的性能预测模型。由于SVM的预测性能取决于输入参数的取值,这些参数包括惩罚因子C、核函数核宽参数σ和损失函数参数ε,所以利用粒子群算法对这3个参数进行寻优。具体步骤如下:
1)将h组产品设计参数与性能指标数据分为训练集和测试集。针对每一性能指标,根据经验选取其对应设计参数关联序列中前a个作为PSO-SVM模型的输入变量。
2)在一个经验区间内随机选取SVM的输入参数并初始化PSO的输入参数,然后根据训练集数据建立性能指标SVM预测模型,得到初始的预测模型。
3)将测试样本集中设计参数数据输入初始的预测模型完成测试样本的性能指标值预测,得到初始预测结果,
4)使用粒子群算法中的适应度函数F计算初始预测结果与测试样本集中真实性能值的误差,若满足F收敛条件,则初始预测模型即为最终预测模型,否则利用粒子群算法在经验区间内循环搜索SVM输入参数的取值,直至得到满足F收敛条件或达到最大迭代次数的最终预测模型为止,此时的输入参数值为最优值,从而实现有效确定SVM模型输入参数并保证预测模型的预测性能最优。
(3)基于性能的概念方案排序方法
根据(2)可以得到不同性能指标对应的预测模型,假设针对某一产品,有k个概念方案,即A1,A2,…,Ak需要评价,以关键设计参数作为预测模型的输入,可以得到k个概念方案不同性能指标的预测值。根据性能指标预测值,利用VIKOR方法对k个概念方案进行排序,最终可确定最佳的概念方案。具体步骤如下:
1)构建初始评价矩阵
根据性能指标预测值,构建k个概念方案的初始评价矩阵H,该矩阵的形式表达为
式中,hi(j)表示第i(1≤i≤k)组概念方案在第j(1≤j≤t)个性能指标下的预测值。
2)对初始矩阵进行规范化处理
为了消除不同物理量纲对决策结果的影响,需要对矩阵H进行规范化处理。
根据公式(9)可将矩阵H转化为规范化矩阵F=[fi(j)]k×t。
3)确定各性能指标的正理想解f+(j)和负理想解f-(j)
当性能指标是收效型时,即评价值越大越好的指标,其正理想解和负理想解当性能指标时成本型时,即评价值越小越好的指标,其正理想解和负理想解
4)计算最大群体效益Si和最小个体遗憾数Ri
两式中,ωj为评价指标的权重,满足
5)计算综合决策指标Qi
Qi=v(Si-S-)/(S+-S-)+(1-v)(Ri-R-)/(R+-R-)(12)式中,
v是最大群体效益权重,1-v为个体遗憾数的权重数,通常v=0.5。
6)选出最佳方案
根据Si、Ri、Qi的值,按降序对k个概念方案进行排序,假设方案Aa(1≤a≤k)的Qi值最小,则需要根据以下两个准则判断Aa是否为最佳方案。
A.可接受的优势
式中Ab(1≤b≤k)为Qi值排序在第二位的方案。
B.可接受的决策稳定性
如果Aa在Si和Ri的排序中也处于第一位,则说明该决策是稳定的。
如果A和B两个准则有一个未满足,则说明有多个方案极其接近,所以可得到一组折中方案,具体情况如下:
a)如果只有准则B不满足,则方案a和b均为最佳方案。
b)如果准则A不满足,则方案Aa,Ab,…,Au为最佳方案,u由以下公式决定。
Claims (3)
1.一种基于性能预测的产品概念性能评价方法,其特征在于,包括以下步骤:
第一步:确定作为评价标准的性能指标,并确定各性能指标的权重;
第二步:分析历史产品设计信息,确定各性能指标的关键设计参数;
第三步:采用支持向量回归SVM(Supportvectorregression)方法对历史产品设计信息进行分析,利用关键设计参数建立相应性能指标的预测模型;
第四步:以新产品概念方案的关键设计参数值作为SVM预测模型的输入,对方案的各性能值进行预测;
第五步:根据各概念方案的性能指标预测值,利用VIKOR方法首先定义理想方案和负理想方案,然后以折中规划法为核心,提供最大化“群体效益”与最小化“个别遗憾”相妥协的概念方案排序,最终确定最优的概念方案。
2.如权利要求1所述的一种基于性能预测的产品概念性能评价方法,其特征在于,进一步地,所述确定各性能指标的关键设计参数,包括以下步骤:
第(1)步、归一化分析:对各设计参数和性能指标进行归一化处理,经过变换,化为无量纲形式,避免计算结果产生较大误差;
第(2)步、分析设计参数与各性能指标的关联程度,利用灰色关联熵分析法对历史产品设计信息进行分析;
第(3)步、根据设计参数序列曲线与性能指标序列曲线的相似程度来判断两者联系的紧密程度,曲线越分离说明相应序列之间的关联度就越小,反之就越大,通过上述分析得到各设计参数与不同性能指标间的关联程度;
第(4)步、识别关键设计参数:根据设计参数与各性能指标的关联程度,得到各性能指标的关联设计参数序列,该序列按关联程度由大至小对相应设计参数进行排列,在各性能指标对应的序列中选取关键设计参数。
3.如权利要求1或2所述的一种基于性能预测的产品概念性能评价方法,其特征在于,进一步地,所述利用关键设计参数建立相应性能指标的预测模型具体包括以下步骤:
(1)将h组产品设计参数与性能指标数据分为训练集和测试集,针对每一性能指标,选取其对应设计参数关联序列中前a个作为PSO-SVM模型的输入变量;
(2)在一个经验区间内随机选取SVM的输入参数并初始化粒子群算法PSO的输入参数,然后根据训练集数据建立性能指标SVM预测模型,得到初始的预测模型;
(3)将测试样本集中设计参数数据输入初始的预测模型完成测试样本的性能指标值预测,得到初始预测结果;
(4)使用粒子群算法中的适应度函数F计算初始预测结果与测试样本集中真实性能值的误差,若满足F收敛条件,则初始预测模型即为最终预测模型,否则利用粒子群算法在经验区间内循环搜索SVM输入参数的取值,直至得到满足F收敛条件或达到最大迭代次数的最终预测模型为止,此时的输入参数值为最优值,从而实现有效确定SVM模型输入参数并保证预测模型的预测性能最优。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610069105.1A CN105740984A (zh) | 2016-02-01 | 2016-02-01 | 一种基于性能预测的产品概念性能评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610069105.1A CN105740984A (zh) | 2016-02-01 | 2016-02-01 | 一种基于性能预测的产品概念性能评价方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105740984A true CN105740984A (zh) | 2016-07-06 |
Family
ID=56242113
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610069105.1A Pending CN105740984A (zh) | 2016-02-01 | 2016-02-01 | 一种基于性能预测的产品概念性能评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105740984A (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108364106A (zh) * | 2018-02-27 | 2018-08-03 | 平安科技(深圳)有限公司 | 一种报销单风险预测方法、装置、终端设备及存储介质 |
CN108375474A (zh) * | 2018-01-26 | 2018-08-07 | 大连理工大学 | 一种航空发动机过渡态关键性能参数预测方法 |
CN108764339A (zh) * | 2018-05-29 | 2018-11-06 | 北京理工大学 | 一种基于知识库的产品概念可行性判定方法 |
CN108846778A (zh) * | 2018-05-29 | 2018-11-20 | 北京理工大学 | 一种基于知识库的产品概念新颖性评价方法 |
CN109787923A (zh) * | 2019-02-13 | 2019-05-21 | 中联云港数据科技股份有限公司 | 一种基于大数据分析的idc+cdn+混合云的产品线布局方法 |
CN109919502A (zh) * | 2019-03-13 | 2019-06-21 | 安徽海螺集团有限责任公司 | 一种针对不确定数据流的质量评估方法 |
CN109933848A (zh) * | 2019-01-31 | 2019-06-25 | 联宝(合肥)电子科技有限公司 | 一种产品设计方法及其制定*** |
CN111582619A (zh) * | 2020-01-22 | 2020-08-25 | 汕头大学 | 一种基于相关性与依赖性分析的适应性设计方法 |
CN113509190A (zh) * | 2021-03-18 | 2021-10-19 | 上海交通大学 | 一种产品设计评价方法及*** |
CN113987718A (zh) * | 2021-11-17 | 2022-01-28 | 中国矿业大学 | 一种基于多目标粒子群优化的产品变更方案设计方法 |
CN115563813A (zh) * | 2022-11-10 | 2023-01-03 | 服务型制造研究院(杭州)有限公司 | 基于可拓关联函数和fmea的产品设计方法及*** |
CN115660716A (zh) * | 2022-10-19 | 2023-01-31 | 苏州众言网络科技股份有限公司 | 一种用于产品概念测试的信息处理方法、装置及存储介质 |
CN115860592A (zh) * | 2023-03-03 | 2023-03-28 | 一夫科技股份有限公司 | 一种石膏砌块的质量检测评估方法及*** |
-
2016
- 2016-02-01 CN CN201610069105.1A patent/CN105740984A/zh active Pending
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108375474B (zh) * | 2018-01-26 | 2019-06-21 | 大连理工大学 | 一种航空发动机过渡态关键性能参数预测方法 |
CN108375474A (zh) * | 2018-01-26 | 2018-08-07 | 大连理工大学 | 一种航空发动机过渡态关键性能参数预测方法 |
CN108364106A (zh) * | 2018-02-27 | 2018-08-03 | 平安科技(深圳)有限公司 | 一种报销单风险预测方法、装置、终端设备及存储介质 |
CN108846778A (zh) * | 2018-05-29 | 2018-11-20 | 北京理工大学 | 一种基于知识库的产品概念新颖性评价方法 |
CN108764339B (zh) * | 2018-05-29 | 2022-04-15 | 北京理工大学 | 一种基于知识库的产品概念可行性判定方法 |
CN108846778B (zh) * | 2018-05-29 | 2020-10-16 | 北京理工大学 | 一种基于知识库的产品概念新颖性评价方法 |
CN108764339A (zh) * | 2018-05-29 | 2018-11-06 | 北京理工大学 | 一种基于知识库的产品概念可行性判定方法 |
CN109933848A (zh) * | 2019-01-31 | 2019-06-25 | 联宝(合肥)电子科技有限公司 | 一种产品设计方法及其制定*** |
CN109933848B (zh) * | 2019-01-31 | 2022-04-08 | 联宝(合肥)电子科技有限公司 | 一种产品设计方法及其制定*** |
CN109787923A (zh) * | 2019-02-13 | 2019-05-21 | 中联云港数据科技股份有限公司 | 一种基于大数据分析的idc+cdn+混合云的产品线布局方法 |
CN109919502A (zh) * | 2019-03-13 | 2019-06-21 | 安徽海螺集团有限责任公司 | 一种针对不确定数据流的质量评估方法 |
CN111582619A (zh) * | 2020-01-22 | 2020-08-25 | 汕头大学 | 一种基于相关性与依赖性分析的适应性设计方法 |
CN111582619B (zh) * | 2020-01-22 | 2023-09-26 | 汕头大学 | 一种基于相关性与依赖性分析的适应性设计方法 |
CN113509190A (zh) * | 2021-03-18 | 2021-10-19 | 上海交通大学 | 一种产品设计评价方法及*** |
CN113987718B (zh) * | 2021-11-17 | 2022-06-03 | 中国矿业大学 | 一种基于多目标粒子群优化的产品变更方案设计方法 |
CN113987718A (zh) * | 2021-11-17 | 2022-01-28 | 中国矿业大学 | 一种基于多目标粒子群优化的产品变更方案设计方法 |
CN115660716A (zh) * | 2022-10-19 | 2023-01-31 | 苏州众言网络科技股份有限公司 | 一种用于产品概念测试的信息处理方法、装置及存储介质 |
CN115563813A (zh) * | 2022-11-10 | 2023-01-03 | 服务型制造研究院(杭州)有限公司 | 基于可拓关联函数和fmea的产品设计方法及*** |
CN115563813B (zh) * | 2022-11-10 | 2023-04-18 | 服务型制造研究院(杭州)有限公司 | 基于可拓关联函数和fmea的产品设计方法及*** |
CN115860592A (zh) * | 2023-03-03 | 2023-03-28 | 一夫科技股份有限公司 | 一种石膏砌块的质量检测评估方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105740984A (zh) | 一种基于性能预测的产品概念性能评价方法 | |
CN104699894B (zh) | 基于实时学习的高斯过程回归多模型融合建模方法 | |
Zhang et al. | A quantitative approach to design alternative evaluation based on data-driven performance prediction | |
CN108985335B (zh) | 核反应堆包壳材料辐照肿胀的集成学习预测方法 | |
US11257140B2 (en) | Item recommendation method based on user intention in a conversation session | |
WO2021004198A1 (zh) | 一种板材性能的预测方法及装置 | |
CN106677763B (zh) | 一种基于动态集成建模的油井动液面预测方法 | |
CN113012766B (zh) | 一种基于在线选择性集成的自适应软测量建模方法 | |
CN108334943A (zh) | 基于主动学习神经网络模型的工业过程半监督软测量建模方法 | |
CN112989711B (zh) | 基于半监督集成学习的金霉素发酵过程软测量建模方法 | |
CN106528417A (zh) | 软件缺陷智能检测方法和*** | |
CN108416439A (zh) | 基于变量加权深度学习的炼油过程产品预测方法和*** | |
CN105913078A (zh) | 改进自适应仿射传播聚类的多模型软测量方法 | |
CN112668234A (zh) | 一种转炉炼钢终点智能控制方法 | |
CN110310012B (zh) | 数据分析方法、装置、设备及计算机可读存储介质 | |
CN112418522B (zh) | 一种基于三支集成预测模型的工业加热炉钢温预测方法 | |
JPH06337852A (ja) | ニューラルネットワークによる時系列予測方法 | |
CN109493921A (zh) | 一种基于多代理模型的常压精馏过程建模方法 | |
CN103605493A (zh) | 基于图形处理单元的并行排序学习方法及*** | |
CN112163632A (zh) | 基于蝙蝠算法的半监督极限学习机在工业检测中的应用 | |
CN116662925A (zh) | 一种基于加权稀疏神经网络工业过程软测量方法 | |
CN113223634B (zh) | 基于二维自注意力增强gru模型高炉铁水硅含量预测方法 | |
CN105678430A (zh) | 基于邻近项目Slope One算法的用户改进推荐方法 | |
CN114330485A (zh) | 基于pls-svm-ga算法的电网投资能力预测方法 | |
CN112801356A (zh) | 一种基于ma-lssvm的电力负荷预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160706 |
|
RJ01 | Rejection of invention patent application after publication |