CN110705794A - 一种基于支持向量机算法预测窗户状态的方法 - Google Patents
一种基于支持向量机算法预测窗户状态的方法 Download PDFInfo
- Publication number
- CN110705794A CN110705794A CN201910951737.4A CN201910951737A CN110705794A CN 110705794 A CN110705794 A CN 110705794A CN 201910951737 A CN201910951737 A CN 201910951737A CN 110705794 A CN110705794 A CN 110705794A
- Authority
- CN
- China
- Prior art keywords
- vector machine
- support vector
- sample set
- machine model
- training
- 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
- 238000012706 support-vector machine Methods 0.000 title claims abstract description 57
- 238000000034 method Methods 0.000 title claims abstract description 38
- 230000007613 environmental effect Effects 0.000 claims abstract description 13
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims abstract description 8
- 229910002092 carbon dioxide Inorganic materials 0.000 claims abstract description 4
- 239000001569 carbon dioxide Substances 0.000 claims abstract description 4
- 230000005855 radiation Effects 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 52
- 239000013598 vector Substances 0.000 claims description 26
- 238000005192 partition Methods 0.000 claims description 6
- 230000009977 dual effect Effects 0.000 claims description 4
- 238000006073 displacement reaction Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000004083 survival effect Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 3
- 238000004364 calculation method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
Images
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"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/08—Construction
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Artificial Intelligence (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于支持向量机算法预测窗户状态的方法。该方法包含步骤1:根据获取的环境参数数据构建样本集,其中,所述环境参数数据包括室内空气温湿度、室内二氧化碳浓度、室外空气温湿度、风速、风向、PM2.5浓度、太阳辐射度及同一时刻下对应的窗户状态;步骤2:将样本集随机划分为训练样本集和预测样本集;步骤3:根据所述训练样本集对支持向量机模型进行训练,得到支持向量机模型的最优分类超平面,进而得到训练好的支持向量机模型;步骤4:将预测样本集输入到训练好的支持向量机模型中得出最后的分类预测结果,步骤5:对比实际窗户状态,检验预测结果。本发明提供的基于支持向量机算法预测窗户状态的方法,预测效果较好,运行速度快。
Description
技术领域
本发明涉及信息技术领域,特别是涉及一种基于支持向量机算法预测窗户状态的方法。
背景技术
目前暂无将支持向量机技术应用于预测窗户状态的技术。与专业背景相关的,现有将支持向量机用于建筑冷负荷和建筑能耗预测的相关研究。现有用于预测窗户状态研究的算法有:逻辑回归算法,马尔科夫算法,BP神经网络算法,深度学习算法,高斯分布算法及贝叶斯网络算法。逻辑回归和马尔科夫算法相较于后四种机器学习算法来说预测准确率较低;BP神经网络和高斯算法在目前发表文献中预测准确率在70%-80%,低于本算法;深度学习和贝叶斯网络算法预测准确率高于90%,但是依赖于大量训练数据,与小样本量数据集不匹配。
发明内容
本发明提供一种基于支持向量机算法预测窗户状态的方法,该算法对于小样本量数据集(10000条数据量左右)的预测准确率较高,预测准确率在90%左右。
为实现上述目的,本发明提供了如下方案:
一种基于支持向量机算法预测窗户状态的方法,包含以下步骤:
步骤1:根据获取的环境参数数据构建样本集,其中,所述环境参数数据包括室内空气温湿度、室内二氧化碳浓度、室外空气温湿度、风速、风向、PM2.5浓度、太阳辐射度及同一时刻下对应的窗户状态;
步骤2:将样本集随机划分为训练样本集和预测样本集;
步骤3:根据所述训练样本集对支持向量机模型进行训练,得到支持向量机模型的最优分类超平面,进而得到训练好的支持向量机模型;
步骤4:将预测样本集输入到训练好的支持向量机模型中得出最后的分类预测结果;
步骤5:对比实际窗户状态,检验预测结果。
可选的,所述步骤3:根据所述训练样本集对支持向量机模型进行训练,得到支持向量机模型的最优分类超平面,进而得到训练好的支持向量机模型,具体包括:
根据训练样本集计算得到将不同类别样本分开的划分超平面:ωTxi+b=0(1),窗户的开关状态采用正、负(+1,-1)来区分,将训练样本集中窗户状态为开所对应的环境参数数据划分为正样本,将训练样本集中窗户状态为关所对应的环境参数数据划分为负样本,正样本满足公式ωTxi+b≥+1(2),负样本满足公式ωTxi+b≤-1(3),当ωTxi+b=+1时,则为正平面,当ωTxi+b=-1时,则为负平面,其中,落在正负两个平面上的训练样本点为支持向量,正负支持向量之间的距离为其中,x1,x2分别是使公式(2)和(3)等号成立时的点,则正负支持向量之间的距离为寻找最大异类支持向量之间的距离问题转化为寻找最小||ω||,等价于最小化||ω||2,得到公式
引入拉格朗日乘子法得到对偶问题:
其中,ω是决定超平面方向的法向量,ω=(w1;w2;...;wd),b是决定超平面与原点之间距离的位移项,xi是样本及其属性所在自变量,α为拉格朗日乘子,m为属性数量,φ(x)为将x映射后的特征向量。
可选的,所述支持向量机模型中包括核函数,所述核函数的选取包含以下步骤:
从核函数库中选择支持向量机模型的核函数,其中核函数库有线性核函数、多项式核函数、高斯核函数、拉普拉斯核函数、sigmoid核函数、径向基核函数以及多种核函数的线性组合,默认选择支持向量机模型的核函数为径向基核函数;
径向基核函数的表达式为k(xi,xj)=exp(-γ||xi-xj||2),γ>0,其中,有两个参数必须要考虑:c为惩罚系数,通用在所有SVM内核,可以对训练样本的误分类进行有价转换,较大的c旨在正确地分类所有训练样本;g为上式中的gamma,定义了单一训练样本的影响性,过大的g会让其他样本受到影响。理论上,分别将参数c和g分别在(0,+∞)和(0,1)范围内逐个进行取值,得到参数c和g的最优值。
可选的,所述步骤4:将预测样本集输入到训练好的支持向量机模型中得出最后的分类预测结果,具体包括:
当预测样本集满足公式ωTxi+b≥+1,则判定窗户状态为开;
当预测样本集满足公式ωTxi+b≤-1,则判定窗户状态为关。
该技术与现有技术相比,具有如下有益效果:
本发明提供的一种基于支持向量机算法预测窗户状态的方法,支持向量机算法具有以下优点:通用性:能够在很广的各种函数集中构造函数;准确率:在适当样本量下,有较高预测准确率;鲁棒性:不需要微调;有效性:是有效解决实际问题的最好方法之一;计算简单:方法的实现只需要利用简单的平台和优化技术;理论完善:基于VC推广性理论的框架。
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一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例基于支持向量机算法预测窗户状态的方法的流程图;
图2为本发明实施支持向量机算法结构图;
图3为本发明实施例支持向量与划分平面示意图。
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。
本发明提供一种基于支持向量机算法预测窗户状态的方法,该算法对于小样本量数据集(10000条数据量左右)的预测准确率较高,预测准确率在90%左右。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明实施例基于支持向量机算法预测窗户状态的方法的流程图,如图1所示,一种基于支持向量机算法预测窗户状态的方法,包含以下步骤:
步骤1:根据获取的环境参数数据构建样本集,其中,所述环境参数数据包括室内空气温湿度、室内二氧化碳浓度、室外空气温湿度、风速、风向、PM2.5浓度、太阳辐射度及同一时刻下对应的窗户状态;
步骤2:将样本集随机划分为训练样本集和预测样本集:其中随机选取75%(可调比例)的样本集中的真实数据作为模型训练数据用于训练模型,剩余25%作为预测数据用于评价模型预测准确率。
步骤3:根据所述训练样本集对支持向量机模型进行训练,得到支持向量机模型的最优分类超平面,进而得到训练好的支持向量机模型;
步骤4:将预测样本集输入到训练好的支持向量机模型中得出最后的分类预测结果;
步骤5:对比实际窗户状态,检验预测结果。
所述步骤3:根据所述训练样本集对支持向量机模型进行训练,得到支持向量机模型的最优分类超平面,进而得到训练好的支持向量机模型,具体包括:
支持向量机的基本思想和目的是将训练样本集在样本空间中找到一个可以将不同类别样本分开的划分超平面。具体运用于开窗模型,适用于区分不同样本类别,其中包括:开窗状态(+1)和关窗状态(-1);划分超平面则是用来区分这两种状态的临界平面。样本空间中的划分超平面可以用线性方程(1)来描述:
ωTxi+b=0 (1)
其中:ω是决定超平面方向的法向量,ω=(w1;w2;...;wd);b是决定超平面与原点之间距离的位移项。
由于仅涉及两种分类状态,因此用正、负(+1,-1)来区分。那么对于分类为正、负的样本应分别满足方程(2)和公式(3):
ωTxi+b≥+1 (2)
ωTxi+b≤-1 (3)
落在这两个平面上(使等号成立)的训练样本点被称为支持向量(supportvector)。当ωTxi+b=+1则为正平面,ωTxi+b=-1则为负平面。
正负支持向量(即正负平面)与划分超平面的距离(正负平面之间的距离)越大,样本的区分度就越高。正负支持向量之间的距离如方程(4)所示:
其中,x1,x2分别是使方程(2)和(3)等号成立时的点,所以该距离可以用方程(5)表示:
由此,寻找最大异类支持向量之间的距离问题被转化为寻找最小||ω||的问题,这等价于最小化||ω||2。于是,问题转化为方程(6):
这是支持向量机的基本型。
接下来,为进一步求解,引入拉格朗日乘子法得到其“对偶问题”(演算过程不在此赘述),用于更高效的求解。其对偶问题是:
其中,α为拉格朗日乘子,m为属性数量,φ(x)为将x映射后的特征向量。
在以上求解过程中,会遇到高维甚至无穷维特征空间中内积的计算(即φ(xi)Tφ(xj))。此处,我们通常使用“核函数”来显示模型最优解(即使正负平面距离最大的解),以此避免不必要的高强度计算。
图2为本发明实施支持向量机算法结构图,如图2所示,支持向量机模型是使用预测组数据调节图中K函数(即核函数),使得预测输出Y(开/关)尽可能大程度上接近真实窗户状态。其中,输入数据可以连续变量和分类变量。每一项变量都需要分别带入求得的每一个核函数中,共同作用,得到输出结果(窗户状态)。偏置b则为上文所设平面公式中的参数。K就是支持向量机中的核函数。也就是说,在支持向量x(i)和输入空间抽取的向量x之间的内积核实支持向量机学习算法的关键。核函数的选择是支持向量机的最大变数,若选择不合适,则意味着将样本映射到了一个不合适的特征空间,很可能会导致模型性能不佳。常用的核函数有:线性核函数、多项式核函数、高斯核函数、拉普拉斯核函数、sigmoid核函数、径向基核函数以及多种核函数的线性组合。由于窗户状态预测问题为二分类问题,所以选择适用于二分类问题的径向基(RadialBasis Function,RBF)核函数。
k(xi,xj)=exp(-γ||xi-xj||2),γ>0 (8)
其中,有两个参数必须要考虑:c为惩罚系数,通用在所有SVM内核,可以对训练样本的误分类进行有价转换,较大的c旨在正确地分类所有训练样本;g为上式中的gamma,定义了单一训练样本的影响性,加大的g会让其他样本受到影响。理论上,分别将参数c和g分别在(0,+∞)和(0,1)范围内逐个进行取值,得到参数c和g的最优值。训练模型并调节模型中的参数(核函数中的可调节参数c、g),得到使模型预测效果最佳的参数(每一次建模需要重新寻找使模型表现最优的参数)。训练模型并调节模型中的参数(核函数中的可调节参数c、g),得到使模型预测效果最佳的参数(每一次建模需要重新寻找使模型表现最优的参数)。
根据以上步骤和条件即可求得所求的ω,b,得到所需超平面。
图3为本发明实施例支持向量与划分平面示意图,如图3所示,输入预测组环境参数(同上),得到预测窗户状态。如果有真实对应的窗户状态,则可以得到模型准确率,若没有则得到预测窗户状态。当预测样本满足公式ωTxi+b≥+1,则判定窗户状态为开;当预测样本满足公式ωTxi+b≤-1,则判定窗户状态为关。
本发明提供的一种基于支持向量机算法预测窗户状态的方法,支持向量机算法具有以下优点:通用性:能够在很广的各种函数集中构造函数;准确率:在适当样本量下,有较高预测准确率;鲁棒性:不需要微调;有效性:是有效解决实际问题的最好方法之一;计算简单:方法的实现只需要利用简单的平台和优化技术;理论完善:基于VC推广性理论的框架。本发明提供一种基于支持向量机算法预测窗户状态的方法,可以容纳较多相关环境参数,且自变量可为连续值及分类变量,模型预测准确率在90%左右,能较好的用于模拟建筑窗户在不同环境参数下的状态。
本说明书中各个实施例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部分互相参见即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (4)
1.一种基于支持向量机算法预测窗户状态的方法,其特征在于,包含以下步骤:
步骤1:根据获取的环境参数数据构建样本集,其中,所述环境参数数据包括室内空气温湿度、室内二氧化碳浓度、室外空气温湿度、风速、风向、PM2.5浓度、太阳辐射度及同一时刻下对应的窗户状态;
步骤2:将样本集随机划分为训练样本集和预测样本集;
步骤3:根据所述训练样本集对支持向量机模型进行训练,得到支持向量机模型的最优分类超平面,进而得到训练好的支持向量机模型;
步骤4:将预测样本集输入到训练好的支持向量机模型中得出最后的分类预测结果;
步骤5:对比实际窗户状态,检验预测结果。
2.根据权利要求1所述的基于支持向量机算法预测窗户状态的方法,其特征在于,所述步骤3:根据所述训练样本集对支持向量机模型进行训练,得到支持向量机模型的最优分类超平面,进而得到训练好的支持向量机模型,具体包括:
根据训练样本集计算得到将不同类别样本分开的划分超平面:ωTxi+b=0(1),窗户的开关状态采用正、负(+1,-1)来区分,将训练样本集中窗户状态为开所对应的环境参数数据划分为正样本,将训练样本集中窗户状态为关所对应的环境参数数据划分为负样本,正样本满足公式ωTxi+b≥+1 (2),负样本满足公式ωTxi+b≤-1 (3),当ωTxi+b=+1时,则为正平面,当ωTxi+b=-1时,则为负平面,其中,落在正负两个平面上的训练样本点为支持向量,正负支持向量之间的距离为其中,x1,x2分别是使公式(2)和(3)等号成立时的点;正负支持向量之间的距离为寻找最大异类支持向量之间的距离问题可转化为寻找最小||ω||,等价于最小化||ω||2,得到公式
引入拉格朗日乘子法得到对偶问题:
αi≥0,i=1,2,...,m.
其中,ω是决定超平面方向的法向量,ω=(w1;w2;...;wd),b是决定超平面与原点之间距离的位移项,xi是样本及其属性所在自变量,α为拉格朗日乘子,m为属性数量,φ(x)为将x映射后的特征向量。
3.根据权利要求2所述的基于支持向量机算法预测窗户状态的方法,其特征在于,所述支持向量机模型中包括核函数,所述核函数的选取包含以下步骤:
从核函数库中选择支持向量机模型的核函数,其中核函数库有线性核函数、多项式核函数、高斯核函数、拉普拉斯核函数、sigmoid核函数、径向基核函数以及多种核函数的线性组合,默认选择支持向量机模型的核函数为径向基核函数;
径向基核函数的表达式为k(xi,xj)=exp(-γ||xi-xj||2),γ>0,其中,有两个参数必须要考虑:c为惩罚系数,通用在所有SVM内核,可以对训练样本的误分类进行有价转换,较大的c旨在正确地分类所有训练样本;g为上式中的gamma,定义了单一训练样本的影响性,过大的g会让其他样本受到影响。理论上,分别将参数c和g分别在(0,+∞)和(0,1)范围内逐个进行取值,得到参数c和g的最优值。
4.根据权利要求1所述的基于支持向量机算法预测窗户状态的方法,其特征在于,所述步骤4:将预测样本集输入到训练好的支持向量机模型中得出最后的分类预测结果,具体包括:
当预测样本集满足公式ωTxi+b≥+1,则判定窗户状态为开;
当预测样本集满足公式ωTxi+b≤-1,则判定窗户状态为关。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910951737.4A CN110705794A (zh) | 2019-10-09 | 2019-10-09 | 一种基于支持向量机算法预测窗户状态的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910951737.4A CN110705794A (zh) | 2019-10-09 | 2019-10-09 | 一种基于支持向量机算法预测窗户状态的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110705794A true CN110705794A (zh) | 2020-01-17 |
Family
ID=69199180
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910951737.4A Pending CN110705794A (zh) | 2019-10-09 | 2019-10-09 | 一种基于支持向量机算法预测窗户状态的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110705794A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112381051A (zh) * | 2020-11-30 | 2021-02-19 | 闽江师范高等专科学校 | 基于改进支持向量机核函数的植物叶片分类方法及*** |
CN112926276A (zh) * | 2021-01-27 | 2021-06-08 | 天津大学 | 一种高速两栖车海豚运动稳定性智能控制方法 |
CN113610007A (zh) * | 2021-08-09 | 2021-11-05 | 重庆医科大学 | 一种鼻腔取样物检测装置 |
CN117217353A (zh) * | 2023-07-27 | 2023-12-12 | 华能核能技术研究院有限公司 | 基于支持向量机的高温气冷堆石墨粉尘量预测方法及*** |
CN117909852A (zh) * | 2024-03-19 | 2024-04-19 | 山东省地矿工程勘察院(山东省地质矿产勘查开发局八〇一水文地质工程地质大队) | 一种用于水工环生态数据分析的监测数据状态划分方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108182339A (zh) * | 2018-03-20 | 2018-06-19 | 北京工业大学 | 一种基于高斯分布的窗户状态预测方法及*** |
CN108320061A (zh) * | 2018-03-20 | 2018-07-24 | 北京工业大学 | 一种基于神经网络的窗户状态预测方法及*** |
CN108712809A (zh) * | 2018-05-18 | 2018-10-26 | 浙江工业大学 | 一种基于神经网络的光环境智能控制方法 |
CN110132346A (zh) * | 2019-04-03 | 2019-08-16 | 天津大学 | 一种基于实时监测数据的开关窗指示***及方法 |
-
2019
- 2019-10-09 CN CN201910951737.4A patent/CN110705794A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108182339A (zh) * | 2018-03-20 | 2018-06-19 | 北京工业大学 | 一种基于高斯分布的窗户状态预测方法及*** |
CN108320061A (zh) * | 2018-03-20 | 2018-07-24 | 北京工业大学 | 一种基于神经网络的窗户状态预测方法及*** |
CN108712809A (zh) * | 2018-05-18 | 2018-10-26 | 浙江工业大学 | 一种基于神经网络的光环境智能控制方法 |
CN110132346A (zh) * | 2019-04-03 | 2019-08-16 | 天津大学 | 一种基于实时监测数据的开关窗指示***及方法 |
Non-Patent Citations (1)
Title |
---|
王红军等: "支持向量机理论在设备状态趋势预测上的应用研究", 《兰州理工大学学报》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112381051A (zh) * | 2020-11-30 | 2021-02-19 | 闽江师范高等专科学校 | 基于改进支持向量机核函数的植物叶片分类方法及*** |
CN112381051B (zh) * | 2020-11-30 | 2023-12-19 | 闽江师范高等专科学校 | 基于改进支持向量机核函数的植物叶片分类方法及*** |
CN112926276A (zh) * | 2021-01-27 | 2021-06-08 | 天津大学 | 一种高速两栖车海豚运动稳定性智能控制方法 |
CN113610007A (zh) * | 2021-08-09 | 2021-11-05 | 重庆医科大学 | 一种鼻腔取样物检测装置 |
CN113610007B (zh) * | 2021-08-09 | 2024-04-16 | 重庆医科大学 | 一种鼻腔取样物检测装置 |
CN117217353A (zh) * | 2023-07-27 | 2023-12-12 | 华能核能技术研究院有限公司 | 基于支持向量机的高温气冷堆石墨粉尘量预测方法及*** |
CN117909852A (zh) * | 2024-03-19 | 2024-04-19 | 山东省地矿工程勘察院(山东省地质矿产勘查开发局八〇一水文地质工程地质大队) | 一种用于水工环生态数据分析的监测数据状态划分方法 |
CN117909852B (zh) * | 2024-03-19 | 2024-05-24 | 山东省地矿工程勘察院(山东省地质矿产勘查开发局八〇一水文地质工程地质大队) | 一种用于水工环生态数据分析的监测数据状态划分方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110705794A (zh) | 一种基于支持向量机算法预测窗户状态的方法 | |
CN106600059B (zh) | 基于改进rbf神经网络的智能电网短期负荷预测方法 | |
CN111148118B (zh) | 基于时间序列的流量预测和载波关断方法和*** | |
US10438130B2 (en) | Computer-implemented system and method for relational time series learning | |
CN112101430B (zh) | 用于图像目标检测处理的锚框生成方法及轻量级目标检测方法 | |
WO2021089013A1 (zh) | 空间图卷积网络的训练方法、电子设备及存储介质 | |
CN106778838A (zh) | 一种预测空气质量的方法 | |
CN113469426A (zh) | 基于改进bp神经网络的光伏输出功率预测方法及*** | |
CN111079978B (zh) | 基于逻辑回归和增强学习的煤与瓦斯突出预测的方法 | |
CN112149883A (zh) | 基于fwa-bp神经网络的光伏功率预测方法 | |
CN114154557A (zh) | 癌症组织分类方法、装置、电子设备及存储介质 | |
Wang et al. | A hyperparameter optimization algorithm for the LSTM temperature prediction model in data center | |
CN113821025A (zh) | 一种神经网络优化启发函数的移动机器人路径规划方法 | |
CN110163437B (zh) | 基于DPK-means的日前光伏发电功率预测方法 | |
Mir et al. | Improving data clustering using fuzzy logic and PSO algorithm | |
KR20080078292A (ko) | 영역 밀도 표현에 기반한 점진적 패턴 분류 방법 | |
Iuliano | Adaptive sampling strategies for surrogate-based aerodynamic optimization | |
Salih et al. | Jaya: an evolutionary optimization technique for obtaining the optimal Dthr value of evolving clustering method (ECM) | |
Liwei | Predictive analysis of machine learning error classification based on bayesian network | |
CN112801356A (zh) | 一种基于ma-lssvm的电力负荷预测方法 | |
Chen | Brain Tumor Prediction with LSTM Method | |
CN112308160A (zh) | 一种k—均值聚类人工智能优化算法 | |
CN110782950A (zh) | 基于偏好网格和莱维飞行的多目标粒子群算法的肿瘤关键基因识别方法 | |
Qi et al. | Analysis and Prediction of Energy Consumption in Neural Networks Based on Machine Learning | |
CN113850028B (zh) | 基于堆叠异构残差网络的换流阀冷却方式分类方法及装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200117 |
|
RJ01 | Rejection of invention patent application after publication |