CN105975799A - 一种碳排放量计算方法及*** - Google Patents
一种碳排放量计算方法及*** Download PDFInfo
- Publication number
- CN105975799A CN105975799A CN201610383017.9A CN201610383017A CN105975799A CN 105975799 A CN105975799 A CN 105975799A CN 201610383017 A CN201610383017 A CN 201610383017A CN 105975799 A CN105975799 A CN 105975799A
- Authority
- CN
- China
- Prior art keywords
- carbon emission
- emission amount
- neuron
- normalization
- group
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
- G16Z99/00—Subject matter not provided for in other main groups of this subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2219/00—Indexing scheme relating to application aspects of data processing equipment or methods
- G06F2219/10—Environmental application, e.g. waste reduction, pollution control, compliance with environmental legislation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种碳排放量计算方法及***,归一化预设的多组碳排放量影响参数和相应碳排放量数据,得到多组归一化数据,其中,碳排放量影响参数包括:机组负荷、一次风率和锅炉效率等;将多组归一化数据分为训练样本和测试样本;基于训练样本和预设神经元传递函数对BP神经网络进行训练,获取网络训练模型;依据测试样本对网络训练模型进行测试,获取并判断测试结果是否在预设范围内;若否,返回执行上述获取网络训练模型这一步骤;若是,将网络训练模型确定为BP神经网络计算模型并反归一化测试结果;基于BP神经网络计算模型,根据当前碳排放量影响参数进行计算,得到相应反归一化碳排放量计算值。基于上述方法,提高碳排放量计算结果的准确度。
Description
技术领域
本发明涉及测量技术领域,尤其涉及一种碳排放量计算方法及***。
背景技术
今年来全球温室效应加剧,气温上升、冰川融化、海洋风暴、土地沙漠化等自然灾害不断显现。据国际环境保护组织数据,相较于二十年前世界气温以上升0.75℃,其罪魁祸首即大气中的二氧化碳的含量逐年攀升,其中随锅炉烟气排入环境的二氧化碳约占总量的30%。作为以化石燃料为能源消耗主要体的我国来说,碳排放量计算问题已经成为大家共同关注的焦点。
目前关于碳排放量的计算都是利用经验公式进行粗略估算,忽略了燃煤品质、锅炉效率、机组负荷、一次风率和过量空气系数等因素对碳排放的影响,造成计算误差很大。
由上述可知,现有的技术方案在对碳排放量进行计算时无法保证计算结果的准确度。
发明内容
有鉴于此,本发明提供一种碳排放量计算方法及***,以解决现有的技术方案在对碳排放量进行预算时无法保证预算结果的准确度的问题。技术方案如下:
一种碳排放量计算方法,应用于碳排放量计算***,包括:
获取预设的多组碳排放量影响参数下各自生成的碳排放量数据,将所述多组碳排放量影响参数和相应的碳排放量数据进行归一化处理,得到多组归一化数据;
将所述多组归一化数据划分为训练样本和测试样本;
基于所述训练样本和预设神经元传递函数f(x)对BP神经网络进行训练,获取网络训练模型;
依据所述测试样本对所述网络训练模型进行测试,获取并判断测试结果是否在预设范围内;
若否,返回执行所述基于所述训练样本和预设神经元传递函数f(x)对BP神经网络进行训练,获取网络训练模型这一步骤;
若是,将所述网络训练模型确定为BP神经网络计算模型,并将所述测试结果反归一化;
基于所述BP神经网络计算模型,根据当前碳排放量影响参数进行计算,得到相应反归一化的碳排放量计算值。
优选的,所述基于所述训练样本和预设神经元传递函数f(x)对BP神经网络进行训练,获取网络训练模型,包括:
构建碳排放神经元计算数学模型其中,ωpq为神经元p到神经元q的权重值,xp(t)表示t时刻神经元q接收的来自神经元p的输入信息,f(x)为所述预设神经元传递函数;
基于BP神经网络,将所述训练样本中包含的各组归一化碳排放量影响参数作为所述BP神经网络的输入层向量X=(x1,x2,…,xi,…,xn)T,其中,xi为一组归一化碳排放量影响参数n个中的第i个;
基于所述碳排放神经元计算数学模型、所述训练样本中包含的各组归一化碳排放量影响参数对应的输入层向量X=(x1,x2,…,xi,…,xn)T,获取所述BP神经网络的隐层向量Y=(y1,y2,…,yj,…,ym)T,其中,yj为隐层m个神经元中的第j个神经元向量,vij为输入层第i个神经元到隐层第j个神经元的权重值;
基于所述隐层向量Y=(y1,y2,…,yj,…,ym)T和所述预设神经元传递函数f(x),计算所述各组归一化碳排放量影响参数对应的所述BP神经网络的输出层输出的碳排放量预算值其中,ωjk为隐层第j个神经元到输出层第k个神经元权重值,k的取值为1;
根据所述训练样本中包含的各组归一化碳排放量数据,获取所述各组归一化碳排放量影响参数对应的实际碳排放量值b,并计算所述各组归一化碳排放量影响参数相应的输出误差e,e=1/2(b-a)2;
取所述各组归一化碳排放量影响参数对应的输出误差e的平方和作为参数误差,并判断所述参数误差是否在预设误差允许范围内;
若是,将所述BP神经网络确定为网络训练模型;
若否,根据所述各组归一化碳排放量影响参数对应的输出误差e、所述输入层向量X=(x1,x2,…,xi,…,xn)T、所述隐层向量Y=(y1,y2,…,yj,…,ym)T和预设神经元传递函数f(x),计算所述各组归一化碳排放量影响参数对应的输入层第i个神经元到隐层第j个神经元的权重值修正量Δvij和隐层第j个神经元到输出层第k个神经元权重值修正量Δwjk,并对所述BP神经网络进行修正,将修正后的BP神经网络确定为网络训练模型。
优选的,所述隐层层数的取值范围为大于0的整数,具体为1。
优选的,所述根据所述各组归一化碳排放量影响参数对应的输出误差e、所述输入层向量X=(x1,x2,…,xi,…,xn)T、所述隐层向量Y=(y1,y2,…,yj,…,ym)T和预设神经元传递函数f(x),计算所述各组归一化碳排放量影响参数对应的输入层第i个神经元到隐层第j个神经元的权重值修正量Δvij和隐层第j个神经元到输出层第k个神经元权重值修正量Δwjk,包括:
根据所述各组归一化碳排放量影响参数对应的输出误差e、所述输入层向量X=(x1,x2,…,xi,…,xn)T和预设神经元传递函数f(x),计算所述各组归一化碳排放量影响参数对应的输入层第i个神经元到隐层第j个神经元的权重值修正量Δvij,其中,为所述各组归一化碳排放量影响参数对应的输入层到隐层误差信号,η为预设学习率,η的取值为0到1之间的常数;
根据所述各组归一化碳排放量影响参数对应的输出误差e、所述隐层向量Y=(y1,y2,…,yj,…,ym)T和预设神经元传递函数f(x),计算所述各组归一化碳排放量影响参数对应的隐层第j个神经元到输出层第k个神经元权重值修正量Δwjk,其中,为所述各组归一化碳排放量影响参数对应的隐层到输出层误差信号。
优选的,所述预设神经元传递函数f(x)为函数sigmoid,相应的,隐层权值修正量Δwjk=-ηa(1-a)yj,输出层权值修正量Δvij=-η(b-a)a(1-a)wijyj(1-yj)xi。
一种碳排放量计算***,包括:
归一化模块,用于获取预设的多组碳排放量影响参数下各自生成的碳排放量数据,将所述多组碳排放量影响参数和相应的碳排放量数据进行归一化处理,得到多组归一化数据;
样本划分模块,用于将所述多组归一化数据划分为训练样本和测试样本;
网络训练模型获取模块,用于基于所述训练样本和预设神经元传递函数f(x)对BP神经网络进行训练,获取网络训练模型;
获取判断模块,用于依据所述测试样本对所述网络训练模型进行测试,获取并判断测试结果是否在预设范围内;若否,向第一控制模块发送第一执行信号;若是,向第二控制模块发送第二执行信号;
所述第一控制模块,用于接收所述第一执行信号,返回执行所述基于所述训练样本和预设神经元传递函数f(x)对BP神经网络进行训练,获取网络训练模型这一步骤;
所述第二控制模块,用于接收所述第二执行信号,将所述网络训练模型确定为BP神经网络计算模型,并将所述测试结果反归一化;
计算模块,用于基于所述BP神经网络计算模型,根据当前碳排放量影响参数进行计算,得到相应反归一化的碳排放量计算值。
优选的,所述网络训练模型获取模块包括:
碳排放神经元计算数学模型构建单元,用于构建碳排放神经元计算数学模型其中,ωpq为神经元p到神经元q的权重值,xp(t)表示t时刻神经元q接收的来自神经元p的输入信息,f(x)为所述预设神经元传递函数;
输入层获取单元,用于基于BP神经网络,将所述训练样本中包含的各组归一化碳排放量影响参数作为所述BP神经网络的输入层向量X=(x1,x2,…,xi,…,xn)T,其中,xi为一组归一化碳排放量影响参数n个中的第i个;
隐层获取单元,用于基于所述碳排放神经元计算数学模型、所述训练样本中包含的各组归一化碳排放量影响参数对应的输入层向量X=(x1,x2,…,xi,…,xn)T,获取所述BP神经网络的隐层向量Y=(y1,y2,…,yj,…,ym)T,其中,yj为隐层m个神经元中的第j个神经元向量,vij为输入层第i个神经元到隐层第j个神经元的权重值;
输出层获取单元,用于基于所述隐层向量Y=(y1,y2,…,yj,…,ym)T和所述预设神经元传递函数f(x),计算所述各组归一化碳排放量影响参数对应的所述BP神经网络的输出层输出的碳排放量预算值其中,ωjk为隐层第j个神经元到输出层第k个神经元权重值,k的取值为1;
输出误差计算单元,用于根据所述训练样本中包含的各组归一化碳排放量数据,获取所述各组归一化碳排放量影响参数对应的实际碳排放量值b,并计算所述各组归一化碳排放量影响参数相应的输出误差e,e=1/2(b-a)2;
参数误差获取判断单元,用于取所述各组归一化碳排放量影响参数对应的输出误差e的平方和作为参数误差,并判断所述参数误差是否在预设误差允许范围内;若是,向第一控制单元发送第三执行信号;若否,向第二控制单元发送第四执行信号;
所述第一控制单元,用于接收所述第三执行信号,将所述BP神经网络确定为网络训练模型;
所述第二控制单元,用于接收所述第四执行信号,根据所述各组归一化碳排放量影响参数对应的输出误差e、所述输入层向量X=(x1,x2,…,xi,…,xn)T、所述隐层向量Y=(y1,y2,…,yj,…,ym)T和预设神经元传递函数f(x),计算所述各组归一化碳排放量影响参数对应的输入层第i个神经元到隐层第j个神经元的权重值修正量Δvij和隐层第j个神经元到输出层第k个神经元权重值修正量Δwjk,并对所述BP神经网络进行修正,将修正后的BP神经网络确定为网络训练模型。
优选的,所述第二控制单元包括:
第一计算单元,用于根据所述各组归一化碳排放量影响参数对应的输出误差e、所述输入层向量X=(x1,x2,…,xi,…,xn)T和预设神经元传递函数f(x),计算所述各组归一化碳排放量影响参数对应的输入层第i个神经元到隐层第j个神经元的权重值修正量Δvij,其中,为所述各组归一化碳排放量影响参数对应的输入层到隐层误差信号,η为预设学习率,η的取值为0到1之间的常数;
第二计算单元,用于根据所述各组归一化碳排放量影响参数对应的输出误差e、所述隐层向量Y=(y1,y2,…,yj,…,ym)T和预设神经元传递函数f(x),计算所述各组归一化碳排放量影响参数对应的隐层第j个神经元到输出层第k个神经元权重值修正量Δwjk,其中,为所述各组归一化碳排放量影响参数对应的隐层到输出层误差信号。
相较与现有技术,本发明实现的有益效果为:
以上本发明所提供的一种碳排放量计算方法及***,***通过获取预设的多组碳排放量影响参数下各自生成的碳排放量数据,将多组碳排放量影响参数和相应的碳排放量数据进行归一化处理,得到多组归一化数据;将多组归一化数据划分为训练样本和测试样本;基于训练样本和预设神经元传递函数对BP神经网络进行训练,获取网络训练模型;依据测试样本对网络训练模型进行测试,获取并判断测试结果是否在预设范围内;若否,返回执行基于训练样本和预设神经元传递函数f(x)对BP神经网络进行训练,获取网络训练模型这一步骤;若是,将网络训练模型确定为BP神经网络计算模型,并将测试结果反归一化;基于BP神经网络计算模型,根据当前碳排放量影响参数进行计算,得到相应反归一化的碳排放量计算值。基于上述碳排放量计算方法,提高了对碳排放量进行计算时结果的准确度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本发明实施例一公开的一种碳排放量计算方法的流程图;
图2为本发明实施例二公开的一种碳排放量计算方法的流程图;
图3为本发明实施例二公开的另一种碳排放量计算方法的流程图;
图4为本发明实施例三公开的一种碳排放量计算***的结构示意图;
图5为本发明实施例四公开的一种碳排放量计算***的结构示意图;
图6为本发明实施例四公开的另一种碳排放量计算***的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例一
本发明实施例公开的一种碳排放量计算方法,应用于碳排放量计算***,流程图如图1所示,碳排放量计算方法包括:
S101,获取预设的多组碳排放量影响参数下各自生成的碳排放量数据,将多组碳排放量影响参数和相应的碳排放量数据进行归一化处理,得到多组归一化数据;
在执行步骤S101的过程中,预设的碳排放量影响参数包括:机组负荷、一次风率、锅炉效率、过量空气系数、燃料中固定碳含量和挥发分含量和煤粉细度等,对多组数据进行归一化处理,即限制在[0,1]中。
S102,将多组归一化数据划分为训练样本和测试样本;
在执行步骤S102的过程中,优选的,将多组归一化数据随机划分为训练样本和测试样本。
S103,基于训练样本和预设神经元传递函数f(x)对BP神经网络进行训练,获取网络训练模型;
优选的,预设神经元传递函数f(x)为函数sigmoid;
S104,依据测试样本对网络训练模型进行测试,获取并判断测试结果是否在预设范围内;
S105,若否,返回执行基于训练样本和预设神经元传递函数f(x)对BP神经网络进行训练,获取网络训练模型这一步骤;
S106,若是,将网络训练模型确定为BP神经网络计算模型,并将测试结果反归一化;
S107,基于BP神经网络计算模型,根据当前碳排放量影响参数进行计算,得到相应反归一化的碳排放量计算值;
在执行步骤S107的过程中,基于已确定的BP神经网络计算模型,将当前碳排放量影响参数进行归一化处理,得到归一化当前碳排放量影响参数;将归一化当前碳排放量影响参数作为BP神经网络计算模型输入层向量,得到BP神经网络计算模型输出层输出结果,并对输出结果进行反归一化处理,将反归一化输出结果作为当前碳排放量影响参数相应的碳排放量计算值。
本发明实施例公开的碳排放量计算方法,通过获取预设的多组碳排放量影响参数下各自生成的碳排放量数据,将多组碳排放量影响参数和相应的碳排放量数据进行归一化处理,得到多组归一化数据;将多组归一化数据划分为训练样本和测试样本;基于训练样本和预设神经元传递函数对BP神经网络进行训练,获取网络训练模型;依据测试样本对网络训练模型进行测试,获取并判断测试结果是否在预设范围内;若否,返回执行基于训练样本和预设神经元传递函数f(x)对BP神经网络进行训练,获取网络训练模型这一步骤;若是,将网络训练模型确定为BP神经网络计算模型,并将测试结果反归一化;基于BP神经网络计算模型,根据当前碳排放量影响参数进行计算,得到相应反归一化的碳排放量计算值。
实施例二
基于上述本发明实施例一公开的一种碳排放量计算方法,如图1所示出的步骤S103中,基于训练样本和预设神经元传递函数f(x)对BP神经网络进行训练,获取网络训练模型的具体执行过程,如图2所示,包括如下步骤:
S201,构建碳排放神经元计算数学模型Yj;
在步骤S201中该碳排放神经元计算数学模型Yj具体为式(1);
其中,ωpq为神经元p到神经元q的权重值,xp(t)表示t时刻神经元q接收的来自神经元p的输入信息,f(x)为预设神经元传递函数;
S202,基于BP神经网络,将训练样本中包含的各组归一化碳排放量影响参数作为BP神经网络的输入层向量X=(x1,x2,…,xi,…,xn)T,其中,xi为一组归一化碳排放量影响参数n个中的第i个;
在执行步骤S202的过程中,将训练样本中的多组归一化碳排放量影响参数作为输入层向量同时输入BP神经网络中,其中,各组输入层向量记为X=(x1,x2,…,xi,…,xn)T,可选的,为给隐层神经元引入阈值令x0=0。
S203,基于碳排放神经元计算数学模型、训练样本中包含的各组归一化碳排放量影响参数对应的输入层向量X=(x1,x2,…,xi,…,xn)T,获取BP神经网络的隐层向量Y=(y1,y2,…,yj,…,ym)T,其中,yj为隐层m个神经元中的第j个神经元向量;
在步骤S203中该隐层m个神经元中的第j个神经元向量yj具体为式(2);
其中,vij为输入层第i个神经元到隐层第j个神经元的权重值;
在执行步骤S203的过程中,隐层向量Y=(y1,y2,…,yj,…,ym)T;可选的,为给输出层神经元引入阈值令y0=0;优选的,隐层m个神经元的获取方式为试凑法,选取网络训练误差和网络训练次数组合最优所对应的隐层神经元数目;优选的,隐层的数量为1个,这是因为增加隐层层数可以降低误差,提高精度,但同时也会使网络复杂化,从而增加网络权重值的训练时间。
S204,基于隐层向量Y=(y1,y2,…,yj,…,ym)T和预设神经元传递函数f(x),计算各组归一化碳排放量影响参数对应的BP神经网络的输出层输出的碳排放量预算值a;
在步骤S204中该碳排放量预算值a具体为式(3);
其中,ωjk为隐层第j个神经元到输出层第k个神经元权重值,k的取值为1;
S205,根据训练样本中包含的各组归一化碳排放量数据,获取各组归一化碳排放量影响参数对应的实际碳排放量值b,并计算各组归一化碳排放量影响参数相应的输出误差e,
在步骤S205中该各组归一化碳排放量影响参数相应的输出误差e具体为式(4);
e=1/2(b-a)2 (4);
S206,取各组归一化碳排放量影响参数对应的输出误差e的平方和作为参数误差,并判断参数误差是否在预设误差允许范围内;
S207,若是,将BP神经网络确定为网络训练模型;
S208,若否,根据各组归一化碳排放量影响参数对应的输出误差e、输入层向量X=(x1,x2,…,xi,…,xn)T、隐层向量Y=(y1,y2,…,yj,…,ym)T和预设神经元传递函数f(x),计算各组归一化碳排放量影响参数对应的输入层第i个神经元到隐层第j个神经元的权重值修正量Δvij和隐层第j个神经元到输出层第k个神经元权重值修正量Δwjk,并对BP神经网络进行修正,将修正后的BP神经网络确定为网络训练模型。
本发明实施例公开的碳排放量计算方法,根据训练样本和预设神经元传递函数f(x)对BP神经网络进行训练,获取所需的网络训练模型,在对碳排放量进行计算时保证了计算结果的准确度。
基于上述本发明实施例二公开的一种碳排放量计算方法,如图2所示出的步骤S208中,根据各组归一化碳排放量影响参数对应的输出误差e、输入层向量X=(x1,x2,…,xi,…,xn)T、隐层向量Y=(y1,y2,…,yj,…,ym)T和预设神经元传递函数f(x),计算各组归一化碳排放量影响参数对应的输入层第i个神经元到隐层第j个神经元的权重值修正量Δvij和隐层第j个神经元到输出层第k个神经元权重值修正量Δwjk的具体执行过程,如图3所示,包括如下步骤:
S301,根据各组归一化碳排放量影响参数对应的输出误差e、输入层向量X=(x1,x2,…,xi,…,xn)T和预设神经元传递函数f(x),计算各组归一化碳排放量影响参数对应的输入层第i个神经元到隐层第j个神经元的权重值修正量Δvij;
在步骤S301中该输入层第i个神经元到隐层第j个神经元的权重值修正量Δvij具体为式(5);
其中,为各组归一化碳排放量影响参数对应的输入层到隐层误差信号,η为预设学习率,η的取值为0到1之间的常数;
在执行步骤S301的过程中,优选的,预设神经元传递函数f(x)为函数sigmoid,相应的,该输入层第i个神经元到隐层第j个神经元的权重值修正量Δvij=-η(b-a)a(1-a)wijyj(1-yj)xi。
S302,根据各组归一化碳排放量影响参数对应的输出误差e、隐层向量Y=(y1,y2,…,yj,…,ym)T和预设神经元传递函数f(x),计算各组归一化碳排放量影响参数对应的隐层第j个神经元到输出层第k个神经元权重值修正量Δwjk;
在步骤S302中该隐层第j个神经元到输出层第k个神经元权重值修正量Δwjk具体为式(6);
其中,为各组归一化碳排放量影响参数对应的隐层到输出层误差信号;
在执行步骤S302的过程中,优选的,预设神经元传递函数f(x)为函数sigmoid,相应的,隐层第j个神经元到输出层第k个神经元权重值修正量Δwjk=-ηa(1-a)yj。
本发明实施例公开的碳排放量计算方法,选取测试样本对得到的网络训练模型进行测试,进一步保证了网络训练模型接近所需的BP神经网络计算模型,在对碳排放量进行计算时保证了计算结果的准确度。
实施例三
基于上述本发明各实施例提供的碳排放量计算方法,本实施例三则对应公开了执行上述碳排放量计算方法的碳排放量计算***,其结构示意图如图4所示,碳排放量计算***400包括:
归一化模块401,用于获取预设的多组碳排放量影响参数下各自生成的碳排放量数据,将多组碳排放量影响参数和相应的碳排放量数据进行归一化处理,得到多组归一化数据;
样本划分模块402,用于将多组归一化数据划分为训练样本和测试样本;
网络训练模型获取模块403,用于基于训练样本和预设神经元传递函数f(x)对BP神经网络进行训练,获取网络训练模型;
获取判断模块404,用于依据测试样本对网络训练模型进行测试,获取并判断测试结果是否在预设范围内;若否,向第一控制模块发送第一执行信号;若是,向第二控制模块发送第二执行信号;
第一控制模块405,用于接收第一执行信号,返回执行基于训练样本和预设神经元传递函数f(x)对BP神经网络进行训练,获取网络训练模型这一步骤;
第二控制模块406,用于接收第二执行信号,将网络训练模型确定为BP神经网络计算模型,并将测试结果反归一化;
计算模块407,用于基于BP神经网络计算模型,根据当前碳排放量影响参数进行计算,得到相应反归一化的碳排放量计算值。
本发明实施例公开的碳排放量计算***,包括:归一化模块,获取预设的多组碳排放量影响参数下各自生成的碳排放量数据,将多组碳排放量影响参数和相应的碳排放量数据进行归一化处理,得到多组归一化数据;样本划分模块,将多组归一化数据划分为训练样本和测试样本;网络训练模型获取模块,基于训练样本和预设神经元传递函数f(x)对BP神经网络进行训练,获取网络训练模型;获取判断模块,依据测试样本对网络训练模型进行测试,获取并判断测试结果是否在预设范围内;若否,向第一控制模块发送第一执行信号;若是,向第二控制模块发送第二执行信号;第一控制模块,接收第一执行信号,返回执行基于训练样本和预设神经元传递函数f(x)对BP神经网络进行训练,获取网络训练模型这一步骤;第二控制模块,接收第二执行信号,将网络训练模型确定为BP神经网络计算模型,并将测试结果反归一化;计算模块,基于BP神经网络计算模型,根据当前碳排放量影响参数进行计算,得到相应反归一化的碳排放量计算值。基于上述公开的碳排放量计算***,在对碳排放量进行计算时保证了计算结果的准确度。
实施例四
结合上述实施例三公开的碳排放量计算***,本实施例四还公开了一种碳排放量计算***,其结构示意图如图5所示,
其中,网络训练模型获取模块403包括:
碳排放神经元计算数学模型构建单元501,用于构建碳排放神经元计算数学模型其中,ωpq为神经元p到神经元q的权重值,xp(t)表示t时刻神经元q接收的来自神经元p的输入信息,f(x)为预设神经元传递函数;
输入层获取单元502,用于基于BP神经网络,将训练样本中包含的各组归一化碳排放量影响参数作为BP神经网络的输入层向量X=(x1,x2,…,xi,…,xn)T,其中,xi为一组归一化碳排放量影响参数n个中的第i个;
隐层获取单元503,用于基于碳排放神经元计算数学模型、训练样本中包含的各组归一化碳排放量影响参数对应的输入层向量X=(x1,x2,…,xi,…,xn)T,获取BP神经网络的隐层向量Y=(y1,y2,…,yj,…,ym)T,其中,yj为隐层m个神经元中的第j个神经元向量,vij为输入层第i个神经元到隐层第j个神经元的权重值;
输出层获取单元504,用于基于隐层向量Y=(y1,y2,…,yj,…,ym)T和预设神经元传递函数f(x),计算各组归一化碳排放量影响参数对应的BP神经网络的输出层输出的碳排放量预算值其中,ωjk为隐层第j个神经元到输出层第k个神经元权重值,k的取值为1;
输出误差计算单元505,用于根据训练样本中包含的各组归一化碳排放量数据,获取各组归一化碳排放量影响参数对应的实际碳排放量值b,并计算各组归一化碳排放量影响参数相应的输出误差e,e=1/2(b-a)2;
参数误差获取判断单元506,用于取各组归一化碳排放量影响参数对应的输出误差e的平方和作为参数误差,并判断参数误差是否在预设误差允许范围内;若是,向第一控制单元发送第三执行信号;若否,向第二控制单元发送第四执行信号;
第一控制单元507,用于接收第三执行信号,将BP神经网络确定为网络训练模型;
第二控制单元508,用于接收第四执行信号,根据各组归一化碳排放量影响参数对应的输出误差e、输入层向量X=(x1,x2,…,xi,…,xn)T、隐层向量Y=(y1,y2,…,yj,…,ym)T和预设神经元传递函数f(x),计算各组归一化碳排放量影响参数对应的输入层第i个神经元到隐层第j个神经元的权重值修正量Δvij和隐层第j个神经元到输出层第k个神经元权重值修正量Δwjk,并对BP神经网络进行修正,将修正后的BP神经网络确定为网络训练模型。
本发明实施例公开的碳排放量计算***,选取训练样本和神经元传递函数f(x)对BP神经网络进行训练,获取所需的网络训练模型,在对碳排放量进行计算时保证了计算结果的准确度。
结合上述实施例三公开的碳排放量计算***,本实施例四还公开了另一种碳排放量计算***,其结构示意图如图6所示,
其中,第二控制单元508包括:
第一计算单元601,用于根据各组归一化碳排放量影响参数对应的输出误差e、输入层向量X=(x1,x2,…,xi,…,xn)T和预设神经元传递函数f(x),计算各组归一化碳排放量影响参数对应的输入层第i个神经元到隐层第j个神经元的权重值修正量Δvij,其中,为各组归一化碳排放量影响参数对应的输入层到隐层误差信号,η为预设学习率,η的取值为0到1之间的常数;
第二计算单元602,用于根据各组归一化碳排放量影响参数对应的输出误差e、隐层向量Y=(y1,y2,…,yj,…,ym)T和预设神经元传递函数f(x),计算各组归一化碳排放量影响参数对应的隐层第j个神经元到输出层第k个神经元权重值修正量Δwjk,其中,为各组归一化碳排放量影响参数对应的隐层到输出层误差信号。
本发明实施例公开的碳排放量计算***,选取测试样本对得到的网络训练模型进行测试,进一步保证了网络训练模型接近所需的BP神经网络计算模型,在对碳排放量进行计算时保证了计算结果的准确度。
需要说明的是,本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备所固有的要素,或者是还包括为这些过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (8)
1.一种碳排放量计算方法,其特征在于,应用于碳排放量计算***,包括:
获取预设的多组碳排放量影响参数下各自生成的碳排放量数据,将所述多组碳排放量影响参数和相应的碳排放量数据进行归一化处理,得到多组归一化数据;
将所述多组归一化数据划分为训练样本和测试样本;
基于所述训练样本和预设神经元传递函数f(x)对BP神经网络进行训练,获取网络训练模型;
依据所述测试样本对所述网络训练模型进行测试,获取并判断测试结果是否在预设范围内;
若否,返回执行所述基于所述训练样本和预设神经元传递函数f(x)对BP神经网络进行训练,获取网络训练模型这一步骤;
若是,将所述网络训练模型确定为BP神经网络计算模型,并将所述测试结果反归一化;
基于所述BP神经网络计算模型,根据当前碳排放量影响参数进行计算,得到相应反归一化的碳排放量计算值。
2.根据权利要求1所述的方法,其特征在于,所述基于所述训练样本和预设神经元传递函数f(x)对BP神经网络进行训练,获取网络训练模型,包括:
构建碳排放神经元计算数学模型其中,ωpq为神经元p到神经元q的权重值,xp(t)表示t时刻神经元q接收的来自神经元p的输入信息,f(x)为所述预设神经元传递函数;
基于BP神经网络,将所述训练样本中包含的各组归一化碳排放量影响参数作为所述BP神经网络的输入层向量X=(x1,x2,…,xi,…,xn)T,其中,xi为一组归一化碳排放量影响参数n个中的第i个;
基于所述碳排放神经元计算数学模型、所述训练样本中包含的各组归一化碳排放量影响参数对应的输入层向量X=(x1,x2,…,xi,…,xn)T,获取所述BP神经网络的隐层向量Y=(y1,y2,…,yj,…,ym)T,其中,yj为隐层m个神经元中的第j个神经元向量,vij为输入层第i个神经元到隐层第j个神经元的权重值;
基于所述隐层向量Y=(y1,y2,…,yj,…,ym)T和所述预设神经元传递函数f(x),计算所述各组归一化碳排放量影响参数对应的所述BP神经网络的输出层输出的碳排放量预算值其中,ωjk为隐层第j个神经元到输出层第k个神经元权重值,k的取值为1;
根据所述训练样本中包含的各组归一化碳排放量数据,获取所述各组归一化碳排放量影响参数对应的实际碳排放量值b,并计算所述各组归一化碳排放量影响参数相应的输出误差e,e=1/2(b-a)2;
取所述各组归一化碳排放量影响参数对应的输出误差e的平方和作为参数误差,并判断所述参数误差是否在预设误差允许范围内;
若是,将所述BP神经网络确定为网络训练模型;
若否,根据所述各组归一化碳排放量影响参数对应的输出误差e、所述输入层向量X=(x1,x2,…,xi,…,xn)T、所述隐层向量Y=(y1,y2,…,yj,…,ym)T和预设神经元传递函数f(x),计算所述各组归一化碳排放量影响参数对应的输入层第i个神经元到隐层第j个神经元的权重值修正量Δvij和隐层第j个神经元到输出层第k个神经元权重值修正量Δwjk,并对所述BP神经网络进行修正,将修正后的BP神经网络确定为网络训练模型。
3.根据权利要求2所述的方法,其特征在于,所述隐层层数的取值范围为大于0的整数,具体为1。
4.根据权利要求2所述的方法,其特征在于,所述根据所述各组归一化碳排放量影响参数对应的输出误差e、所述输入层向量X=(x1,x2,…,xi,…,xn)T、所述隐层向量Y=(y1,y2,…,yj,…,ym)T和预设神经元传递函数f(x),计算所述各组归一化碳排放量影响参数对应的输入层第i个神经元到隐层第j个神经元的权重值修正量Δvij和隐层第j个神经元到输出层第k个神经元权重值修正量Δwjk,包括:
根据所述各组归一化碳排放量影响参数对应的输出误差e、所述输入层向量X=(x1,x2,…,xi,…,xn)T和预设神经元传递函数f(x),计算所述各组归一化碳排放量影响参数对应的输入层第i个神经元到隐层第j个神经元的权重值修正量Δvij,其中,为所述各组归一化碳排放量影响参数对应的输入层到隐层误差信号,η为预设学习率,η的取值为0到1之间的常数;
根据所述各组归一化碳排放量影响参数对应的输出误差e、所述隐层向量Y=(y1,y2,…,yj,…,ym)T和预设神经元传递函数f(x),计算所述各组归一化碳排放量影响参数对应的隐层第j个神经元到输出层第k个神经元权重值修正量Δwjk,其中,为所述各组归一化碳排放量影响参数对应的隐层到输出层误差信号。
5.根据权利要求2所述的方法,其特征在于,所述预设神经元传递函数f(x)为函数sigmoid,相应的,隐层权值修正量Δwjk=-ηa(1-a)yj,输出层权值修正量Δvij=-η(b-a)a(1-a)wijyj(1-yj)xi。
6.一种碳排放量计算***,其特征在于,包括:
归一化模块,用于获取预设的多组碳排放量影响参数下各自生成的碳排放量数据,将所述多组碳排放量影响参数和相应的碳排放量数据进行归一化处理,得到多组归一化数据;
样本划分模块,用于将所述多组归一化数据划分为训练样本和测试样本;
网络训练模型获取模块,用于基于所述训练样本和预设神经元传递函数f(x)对BP神经网络进行训练,获取网络训练模型;
获取判断模块,用于依据所述测试样本对所述网络训练模型进行测试,获取并判断测试结果是否在预设范围内;若否,向第一控制模块发送第一执行信号;若是,向第二控制模块发送第二执行信号;
所述第一控制模块,用于接收所述第一执行信号,返回执行所述基于所述训练样本和预设神经元传递函数f(x)对BP神经网络进行训练,获取网络训练模型这一步骤;
所述第二控制模块,用于接收所述第二执行信号,将所述网络训练模型确定为BP神经网络计算模型,并将所述测试结果反归一化;
计算模块,用于基于所述BP神经网络计算模型,根据当前碳排放量影响参数进行计算,得到相应反归一化的碳排放量计算值。
7.根据权利要求6所述的***,其特征在于,所述网络训练模型获取模块包括:
碳排放神经元计算数学模型构建单元,用于构建碳排放神经元计算数学模型其中,ωpq为神经元p到神经元q的权重值,xp(t)表示t时刻神经元q接收的来自神经元p的输入信息,f(x)为所述预设神经元传递函数;
输入层获取单元,用于基于BP神经网络,将所述训练样本中包含的各组归一化碳排放量影响参数作为所述BP神经网络的输入层向量X=(x1,x2,…,xi,…,xn)T,其中,xi为一组归一化碳排放量影响参数n个中的第i个;
隐层获取单元,用于基于所述碳排放神经元计算数学模型、所述训练样本中包含的各组归一化碳排放量影响参数对应的输入层向量X=(x1,x2,…,xi,…,xn)T,获取所述BP神经网络的隐层向量Y=(y1,y2,…,yj,…,ym)T,其中,yj为隐层m个神经元中的第j个神经元向量,vij为输入层第i个神经元到隐层第j个神经元的权重值;
输出层获取单元,用于基于所述隐层向量Y=(y1,y2,…,yj,…,ym)T和所述预设神经元传递函数f(x),计算所述各组归一化碳排放量影响参数对应的所述BP神经网络的输出层输出的碳排放量预算值其中,ωjk为隐层第j个神经元到输出层第k个神经元权重值,k的取值为1;
输出误差计算单元,用于根据所述训练样本中包含的各组归一化碳排放量数据,获取所述各组归一化碳排放量影响参数对应的实际碳排放量值b,并计算所述各组归一化碳排放量影响参数相应的输出误差e,e=1/2(b-a)2;
参数误差获取判断单元,用于取所述各组归一化碳排放量影响参数对应的输出误差e的平方和作为参数误差,并判断所述参数误差是否在预设误差允许范围内;若是,向第一控制单元发送第三执行信号;若否,向第二控制单元发送第四执行信号;
所述第一控制单元,用于接收所述第三执行信号,将所述BP神经网络确定为网络训练模型;
所述第二控制单元,用于接收所述第四执行信号,根据所述各组归一化碳排放量影响参数对应的输出误差e、所述输入层向量X=(x1,x2,…,xi,…,xn)T、所述隐层向量Y=(y1,y2,…,yj,…,ym)T和预设神经元传递函数f(x),计算所述各组归一化碳排放量影响参数对应的输入层第i个神经元到隐层第j个神经元的权重值修正量Δvij和隐层第j个神经元到输出层第k个神经元权重值修正量Δwjk,并对所述BP神经网络进行修正,将修正后的BP神经网络确定为网络训练模型。
8.根据权利要求7所述***,其特征在于,所述第二控制单元包括:
第一计算单元,用于根据所述各组归一化碳排放量影响参数对应的输出误差e、所述输入层向量X=(x1,x2,…,xi,…,xn)T和预设神经元传递函数f(x),计算所述各组归一化碳排放量影响参数对应的输入层第i个神经元到隐层第j个神经元的权重值修正量Δvij,其中,为所述各组归一化碳排放量影响参数对应的输入层到隐层误差信号,η为预设学习率,η的取值为0到1之间的常数;
第二计算单元,用于根据所述各组归一化碳排放量影响参数对应的输出误差e、所述隐层向量Y=(y1,y2,…,yj,…,ym)T和预设神经元传递函数f(x),计算所述各组归一化碳排放量影响参数对应的隐层第j个神经元到输出层第k个神经元权重值修正量Δwjk,其中,为所述各组归一化碳排放量影响参数对应的隐层到输出层误差信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610383017.9A CN105975799A (zh) | 2016-06-01 | 2016-06-01 | 一种碳排放量计算方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610383017.9A CN105975799A (zh) | 2016-06-01 | 2016-06-01 | 一种碳排放量计算方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105975799A true CN105975799A (zh) | 2016-09-28 |
Family
ID=57010692
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610383017.9A Pending CN105975799A (zh) | 2016-06-01 | 2016-06-01 | 一种碳排放量计算方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105975799A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106599533A (zh) * | 2016-11-11 | 2017-04-26 | 合肥飞友网络科技有限公司 | 一种计算航班不同舱位人均碳排放量的方法 |
CN107730425A (zh) * | 2017-09-11 | 2018-02-23 | 深圳市易成自动驾驶技术有限公司 | 碳排放量计算方法、装置及存储介质 |
CN108859477A (zh) * | 2018-07-05 | 2018-11-23 | 吉林工程技术师范学院 | 一种儿童文学书籍装订机及其控制方法 |
CN109118348A (zh) * | 2018-07-26 | 2019-01-01 | 深圳市易成自动驾驶技术有限公司 | 汽车碳税交易方法、云平台及计算机可读存储介质 |
CN109740301A (zh) * | 2019-03-14 | 2019-05-10 | 华北电力大学 | 一种基于bp神经网络的燃气机组碳排放量的核算方法 |
CN111882033A (zh) * | 2020-07-15 | 2020-11-03 | 南京航空航天大学 | 一种基于Keras的区域民航主被动碳排放预测方法 |
CN113640466A (zh) * | 2021-08-03 | 2021-11-12 | 广东电网有限责任公司 | 一种碳排放强度测量方法、设备及介质 |
CN113763184A (zh) * | 2021-08-26 | 2021-12-07 | 甘肃同兴智能科技发展有限责任公司 | 一种碳资产评估方法 |
CN113824800A (zh) * | 2021-11-23 | 2021-12-21 | 武汉超云科技有限公司 | 基于混合能源数据的大数据分析方法与装置 |
CN114330937A (zh) * | 2022-03-15 | 2022-04-12 | 广东工业大学 | 一种隐含碳排放量核算方法、设备及存储介质 |
CN115099522A (zh) * | 2022-07-19 | 2022-09-23 | 东南大学溧阳研究院 | 基于bp神经网络的专变用户有功无功碳排放预测方法 |
CN115115473A (zh) * | 2022-07-19 | 2022-09-27 | 东南大学溧阳研究院 | 基于bp神经网络的柴油发电机组碳排放量化计算方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6424919B1 (en) * | 2000-06-26 | 2002-07-23 | Smith International, Inc. | Method for determining preferred drill bit design parameters and drilling parameters using a trained artificial neural network, and methods for training the artificial neural network |
CN102032935A (zh) * | 2010-12-07 | 2011-04-27 | 杭州电子科技大学 | 城市排水汇流管网污水泵站流量的软测量方法 |
CN104484749A (zh) * | 2014-12-04 | 2015-04-01 | 广东电网有限责任公司电力科学研究院 | 用于燃煤电厂碳排放量预测方法和*** |
CN105242000A (zh) * | 2015-10-29 | 2016-01-13 | 广东电网有限责任公司电力科学研究院 | 一种燃煤电厂碳排放量的精确测量方法 |
-
2016
- 2016-06-01 CN CN201610383017.9A patent/CN105975799A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6424919B1 (en) * | 2000-06-26 | 2002-07-23 | Smith International, Inc. | Method for determining preferred drill bit design parameters and drilling parameters using a trained artificial neural network, and methods for training the artificial neural network |
CN102032935A (zh) * | 2010-12-07 | 2011-04-27 | 杭州电子科技大学 | 城市排水汇流管网污水泵站流量的软测量方法 |
CN104484749A (zh) * | 2014-12-04 | 2015-04-01 | 广东电网有限责任公司电力科学研究院 | 用于燃煤电厂碳排放量预测方法和*** |
CN105242000A (zh) * | 2015-10-29 | 2016-01-13 | 广东电网有限责任公司电力科学研究院 | 一种燃煤电厂碳排放量的精确测量方法 |
Non-Patent Citations (1)
Title |
---|
卫冬丽: "中国燃煤电厂二氧化碳排放量计算方法研究", 《中国优秀硕士学位论文全文数据库工程科技I辑》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106599533B (zh) * | 2016-11-11 | 2019-02-12 | 飞友科技有限公司 | 一种计算航班不同舱位人均碳排放量的方法 |
CN106599533A (zh) * | 2016-11-11 | 2017-04-26 | 合肥飞友网络科技有限公司 | 一种计算航班不同舱位人均碳排放量的方法 |
CN107730425A (zh) * | 2017-09-11 | 2018-02-23 | 深圳市易成自动驾驶技术有限公司 | 碳排放量计算方法、装置及存储介质 |
CN108859477A (zh) * | 2018-07-05 | 2018-11-23 | 吉林工程技术师范学院 | 一种儿童文学书籍装订机及其控制方法 |
CN109118348A (zh) * | 2018-07-26 | 2019-01-01 | 深圳市易成自动驾驶技术有限公司 | 汽车碳税交易方法、云平台及计算机可读存储介质 |
CN109740301A (zh) * | 2019-03-14 | 2019-05-10 | 华北电力大学 | 一种基于bp神经网络的燃气机组碳排放量的核算方法 |
CN111882033B (zh) * | 2020-07-15 | 2024-04-05 | 南京航空航天大学 | 一种基于Keras的区域民航主被动碳排放预测方法 |
CN111882033A (zh) * | 2020-07-15 | 2020-11-03 | 南京航空航天大学 | 一种基于Keras的区域民航主被动碳排放预测方法 |
CN113640466A (zh) * | 2021-08-03 | 2021-11-12 | 广东电网有限责任公司 | 一种碳排放强度测量方法、设备及介质 |
CN113763184A (zh) * | 2021-08-26 | 2021-12-07 | 甘肃同兴智能科技发展有限责任公司 | 一种碳资产评估方法 |
CN113824800B (zh) * | 2021-11-23 | 2022-02-11 | 武汉超云科技有限公司 | 基于混合能源数据的大数据分析方法与装置 |
CN113824800A (zh) * | 2021-11-23 | 2021-12-21 | 武汉超云科技有限公司 | 基于混合能源数据的大数据分析方法与装置 |
CN114330937A (zh) * | 2022-03-15 | 2022-04-12 | 广东工业大学 | 一种隐含碳排放量核算方法、设备及存储介质 |
CN115099522A (zh) * | 2022-07-19 | 2022-09-23 | 东南大学溧阳研究院 | 基于bp神经网络的专变用户有功无功碳排放预测方法 |
CN115115473A (zh) * | 2022-07-19 | 2022-09-27 | 东南大学溧阳研究院 | 基于bp神经网络的柴油发电机组碳排放量化计算方法 |
CN115099522B (zh) * | 2022-07-19 | 2023-04-18 | 东南大学溧阳研究院 | 基于bp神经网络的专变用户有功无功碳排放预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105975799A (zh) | 一种碳排放量计算方法及*** | |
CN102496069B (zh) | 基于模糊层次分析法的电缆多状态安全运行评估方法 | |
Mulia et al. | Hybrid ANN–GA model for predicting turbidity and chlorophyll-a concentrations | |
CN103353923B (zh) | 基于空间特征分析的自适应空间插值方法及其*** | |
CN106777984A (zh) | 一种基于密度聚类算法实现光伏阵列工作状态分析与故障诊断的方法 | |
CN108288231B (zh) | 一种分布式光伏接入对配电台区负荷特性影响的评估方法 | |
CN107688906A (zh) | 多方法融合的输电线路气象要素降尺度分析***及方法 | |
CN104729965B (zh) | 基于区间径向基函数神经网络的pm2.5浓度检测方法 | |
CN104915509B (zh) | 基于神经网络的大变形柔性体动态受力测量信息转换方法 | |
CN105678659A (zh) | 一种国防科技成果推广成熟度评价方法 | |
CN109165807A (zh) | 一种基于概率神经网络的电能质量综合评估方法 | |
CN109508498A (zh) | 基于bp人工神经网络的橡胶减振器配方设计***及方法 | |
CN107832789A (zh) | 基于平均影响值数据变换的特征加权k近邻故障诊断方法 | |
CN1987477B (zh) | 河道沉积物中重金属的连环拟合方法 | |
CN106155908A (zh) | 一种pas应用性能评估方法及*** | |
CN109376501B (zh) | 一种发电锅炉燃煤碳氧化因子在线软测量方法 | |
CN110263826A (zh) | 含噪声非线性过程故障检测模型的构建方法及其检测方法 | |
CN113657023A (zh) | 基于机器学习和深度学习结合的近地面臭氧浓度反演方法 | |
CN110245370A (zh) | 一种高面板堆石坝多目标力学参数反演方法 | |
CN105184496A (zh) | 矿井通风***健康指数综合评价方法 | |
CN103970129A (zh) | 控制阀粘滞检测方法 | |
CN107577896A (zh) | 基于混合Copula理论的风电场多机聚合等值方法 | |
CN105741184A (zh) | 一种变压器状态评估方法及装置 | |
CN101929684A (zh) | 混烧低热值煤气机组煤耗计算方法 | |
CN107656906A (zh) | 一种长期贮存复杂装备的质量状态评估方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160928 |