CN111044162B - 一种温度自适应输出装置及设备 - Google Patents
一种温度自适应输出装置及设备 Download PDFInfo
- Publication number
- CN111044162B CN111044162B CN201911297432.2A CN201911297432A CN111044162B CN 111044162 B CN111044162 B CN 111044162B CN 201911297432 A CN201911297432 A CN 201911297432A CN 111044162 B CN111044162 B CN 111044162B
- Authority
- CN
- China
- Prior art keywords
- temperature
- value
- data
- sampling
- sampling moment
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K1/00—Details of thermometers not specially adapted for particular types of thermometer
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Control Of Temperature (AREA)
Abstract
本发明公开一种温度自适应输出装置及设备,包括温度序列记录模块,用于记录温度序列,所述温度序列记录有各个采样时刻的数据对,所述数据对包括采样时刻的影响因子数据和所述采样时刻对应的温度输出数据;温度预测模型修正模块,用于实时根据所述温度序列中的最近M个采样时刻的数据对修正温度预测模型;参数获取模块,用于获取所述当前采样时刻的影响因子的采样值和温度的采样值;预测模块,用于根据所述温度预测模型和所述当前采样时刻的影响因子的采样值预测当前采样时刻的温度预测值;输出模块,用于根据所述当前采样时刻的温度的采样值和所述温度预测值确定所述当前采样时刻的温度输出数据。本发明确保温度输出结果较为灵敏反应真实温度。
Description
技术领域
本发明涉及智能测量领域,尤其涉及一种温度自适应输出装置及设备。
背景技术
智能测量与我们的生活相关,并且在众多的智能产品,穿戴式设备中获得了越来越广泛的应用,从而为人们的生活提供了很多便利。与此同时,人们对于智能测量给出的结果的灵敏度要求也越来越高,并且对于其耗费资源的容忍力也越来越弱。
发明内容
为了解决现有技术中存在的技术问题,本发明实施例提供一种温度自适应输出装置及设备。
一种温度自适应输出装置,所述装置包括:
温度序列记录模块,用于记录温度序列,所述温度序列记录有各个采样时刻的数据对,所述数据对包括采样时刻的影响因子数据和所述采样时刻对应的温度输出数据;
温度预测模型修正模块,用于实时根据所述温度序列中的最近M个采样时刻的数据对修正温度预测模型;
参数获取模块,用于获取所述当前采样时刻的影响因子的采样值和温度的采样值;
预测模块,用于根据所述温度预测模型和所述当前采样时刻的影响因子的采样值预测当前采样时刻的温度预测值;
输出模块,用于根据所述当前采样时刻的温度的采样值和所述温度预测值确定所述当前采样时刻的温度输出数据。
优选的,还包括数据对压队模块,用于将所述当前采样时刻的影响因子的采样值和所述温度输出数据生成数据对,将所述数据对压入所述温度序列的尾部。
优选的,包括:
差值计算单元,用于获取所述当前采样时刻的温度的采样值和所述温度预测值的差值;
第一分支单元,用于若所述差值大于预设的目标阈值,基于预设温度修正算法对所述当前采样时刻的温度的采样值进行修正得到修正值,以所述修正值作为当前采样时刻的温度输出数据;
第二分支单元,用于若所述差值小于或等于预设的目标阈值,则将所述当前采样时刻的温度的采样值直接作为所述当前采样时刻的温度输出数据。
优选的,所述温度预测模型的输入神经元有一个,其可以接收温度序列中的最近M个数据对,所述输入神经元与各个传导分解神经元进行等值的数据传递,各个传到分解神经元按照可调节权值向叠加输出神经元进行数据传递。
优选的,每个传导神经元均由其唯一对应的编号;并且其激励函数为其中,n表示传导神经元编号。相应的,所述温度预测模型修正模块203根据所述所述温度序列中的最近M个采样时刻的数据对计算所述温度预测模型中的各个可调节权值。
优选的,调节权值根据公式w=(XTX)-1XTR计算,w,X,R分别表示可调节权值构成的向量,输入传导矩阵和输入因变量向量,其中输入传导矩阵为N*M矩阵,可以被表示为其中si(xj)表示第j个数据对中的影响因子值输入编号为i的神经元后得到的值,R为最近M个采样时刻的数据对中的温度输出数据构成的向量。
一种温度自适应输出设备,所述设备包括一种温度自适应输出装置。
本发明提供了一种温度自适应输出装置及设备。通过使用可以被实时修正的温度预测模型实现了温度修正算法的切换,从而确保温度输出结果能够较为灵敏的反应真实温度。
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和优点,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的介绍,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的前提下,还可以根据这些附图获得其它附图。
图1是本发明提供的一种温度自适应输出方法流程图;
图2是本发明提供的各个传导分解神经元设计方法流程图;
图3是本发明提供的根据所述当前采样时刻的温度的采样值和所述温度预测值确定所述当前采样时刻的温度输出数据流程图;
图4是本发明提供的一种温度自适应输出装置框图;
图5是本发明提供的一种用于实现本发明实施例所提供的方法的设备的硬件结构示意图。
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的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。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或服务器不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为了使本发明实施例公开的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明实施例进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本发明实施例,并不用于限定本发明实施例。
以下,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本实施例的描述中,除非另有说明,“多个”的含义是两个或两个以上。为了便于理解本发明实施例所述的技术方案及其产生的技术效果,本发明实施例首先对于相关专业名词进行解释:
本发明实施例提供一种温度自适应输出方法,如图1所示,所述方法可以包括:
S101.记录温度序列,所述温度序列记录有各个采样时刻的数据对,所述数据对包括采样时刻的影响因子数据和所述采样时刻对应的温度输出数据。
具体地,所述温度序列中各个采样时刻的间隔是相同的,所述影响因子可以为影响温度的至少一个因子,所述影响因子包括但不限于湿度、风速、紫外线强度、天气参数等。
S103.实时根据所述温度序列中的最近M个采样时刻的数据对修正温度预测模型。
具体地,本发明实施例公开一种温度预测模型,所述温度预测模型包括输入神经元、多个传导分解神经元、叠加输出神经元,所述输入神经元与各个传导分解神经元连接,各个所述传导分解神经元均与所述叠加输出神经元连接,每个传导分解神经元与所述叠加神经元的关联的可调节权重都可以被实时修正。
具体地,在一个可行的实施例中,所述温度预测模型的输入神经元有一个,其可以接收温度序列中的最近M个数据对,所述输入神经元与各个传导分解神经元进行等值的数据传递,各个传到分解神经元按照可调节权值向叠加输出神经元进行数据传递。
现有技术中各种神经网络训练过程中均需要进行多次的迭代收敛才能够达到逼近效果,从而导致了实时性不高,本发明实施例中对于各个传导分解神经元进行设计,达到不需迭代即可使得温度预测模型达到预测精度的目的。
具体地,本发明实施例中各个传导分解神经元设计方法,如图2所示,包括:
S1.为每个传导神经元编号。
具体地,所述实时根据所述温度序列中的最近M个采样时刻的数据对修正温度预测模型,包括:根据所述所述温度序列中的最近M个采样时刻的数据对计算所述温度预测模型中的各个可调节权值。
具体地,可调节权值根据公式w=(XTX)-1XTR计算,w,X,R分别表示可调节权值构成的向量,输入传导矩阵和输入因变量向量,其中输入传导矩阵为N*M矩阵,可以被表示为其中si(xj)表示第j个数据对中的影响因子值输入编号为i的神经元后得到的值,R为最近M个采样时刻的数据对中的温度输出数据构成的向量。
S105.获取所述当前采样时刻的影响因子的采样值和温度的采样值。
S107.根据所述温度预测模型和所述当前采样时刻的影响因子的采样值预测当前采样时刻的温度预测值。
在步骤S103中已经得到了可调节权重被修正后的温度预测模型,将影响因子的采样值输入所述温度预测模型即可得到当前采样时刻的温度预测值。
S109.根据所述当前采样时刻的温度的采样值和所述温度预测值确定所述当前采样时刻的温度输出数据。
进一步地,还将所述当前采样时刻的影响因子的采样值和所述温度输出数据生成数据对,将所述数据对压入所述温度序列的尾部。
具体地,所述根据所述当前采样时刻的温度的采样值和所述温度预测值确定所述当前采样时刻的温度输出数据,如图3所示,包括:
S1091.获取所述当前采样时刻的温度的采样值和所述温度预测值的差值。
S1093.若所述差值大于预设的目标阈值,基于预设温度修正算法对所述当前采样时刻的温度的采样值进行修正得到修正值,以所述修正值作为当前采样时刻的温度输出数据。
S1095.若所述差值小于或等于预设的目标阈值,则将所述当前采样时刻的温度的采样值直接作为所述当前采样时刻的温度输出数据。
本发明实施例中,若在当前时刻,温度的采样值与温度预测值差距较小,直接输出温度采样值即可,若温度采样值与温度预测值的差距较大,则说明可能由于温度传感器灵明度的原因,或其他未知原因导致了温度的采样值不足够准确,这种情况下有必要基于已有的温度序列中的各个温度输出数据对温度的采样值进行修正,并将修正结果作为当前采样时刻的温度输出数据,本发明实施例中通过使用可以被实时修正的温度预测模型实现了温度修正算法的切换,从而确保温度输出结果能够较为灵敏的反应真实温度。
进一步地,本发明实施例提供一种基于温度序列中的各个温度输出数据对当前采样时刻的温度的采样值进行修正的方法,所述方法包括:
S10.获取当前采样时刻的第一数据、第二数据和第三数据。
S30.根据所述第一数据、第二数据和第三数据得到修正值。
具体地,本发明实施例还公开获取某个采样时刻第一数据的获取方法为:
获取第n次采样数据与第n-1次采样时刻的第一数据的差值D1=|t(n)-t1(n-1)|,其中t(n)为第n次采样数据,t1(n-1)为第n-1次采样时刻的第一数据,n为采样次数;
比较所述差值与第一阈值,若所述差值大于所述第一阈值,则根据公式t1(n)=t1(n-1)×(1-A(L)×B(L))+t(n)×A(L)×B(L),其中,A(L)为低通滤波系数,B(L)为滞后系数计算第n次采样时刻的第一数据,否则,将第n次采样数据设置为第n次采样时刻的第一数据;
保存所述第n次采样时刻的第一数据。
具体地,本发明实施例还公开获取某个采样时刻第二数据的获取方法为:
根据公式:t2(n)=p(K)×(1+τ/c)×t1(n)-p(K)×t1(n-1)+t2(n-1)计算第n次采样时刻的第二数据,其中t2(n)为第n次采样时刻的第二数据,t1(n)为第n次采样时刻的第一数据,p(K)为频率扩展参数,τ为采样时间,c为温度传感器时间常数的倒数。
具体地,本发明实施例还公开获取某个采样时刻第三数据的获取方法为:
根据公式t3(n)=tout(n-1)×(1-A(L))+t2(n)×A(L)计算第n次采样时刻的第三数据,其中,A(L)为低通滤波系数,t3(n)为所述采样时刻的第三数据。
相应的,所述根据所述第一数据、第二数据和第三数据得到修正值,包括:
根据公式tout(n)=t(n)×(1-|t3(n)-t(n)|)+t3(n)×|t3(n)-t(n)|计算修正值。
本发明实施例还提供一种温度自适应输出装置,如图4所示,,所述方法包括:
温度序列记录模块201,用于记录温度序列,所述温度序列记录有各个采样时刻的数据对,所述数据对包括采样时刻的影响因子数据和所述采样时刻对应的温度输出数据;
温度预测模型修正模块203,用于实时根据所述温度序列中的最近M个采样时刻的数据对修正温度预测模型;
参数获取模块205,用于获取所述当前采样时刻的影响因子的采样值和温度的采样值;
预测模块207,用于根据所述温度预测模型和所述当前采样时刻的影响因子的采样值预测当前采样时刻的温度预测值;
输出模块209,用于根据所述当前采样时刻的温度的采样值和所述温度预测值确定所述当前采样时刻的温度输出数据。
具体地,还包括数据对压队模块2011,用于将所述当前采样时刻的影响因子的采样值和所述温度输出数据生成数据对,将所述数据对压入所述温度序列的尾部。
具体地,所述输出模块209,包括:
差值计算单元2091,用于获取所述当前采样时刻的温度的采样值和所述温度预测值的差值;
第一分支单元2093,用于若所述差值大于预设的目标阈值,基于预设温度修正算法对所述当前采样时刻的温度的采样值进行修正得到修正值,以所述修正值作为当前采样时刻的温度输出数据;
第二分支单元2095,用于若所述差值小于或等于预设的目标阈值,则将所述当前采样时刻的温度的采样值直接作为所述当前采样时刻的温度输出数据。
本发明实施例公开了一种温度预测模型,所述温度预测模型包括输入神经元、多个传导分解神经元、叠加输出神经元,所述输入神经元与各个传导分解神经元连接,各个所述传导分解神经元均与所述叠加输出神经元连接,每个传导分解神经元与所述叠加神经元的关联的可调节权重都可以被实时修正。
在一个优选的实施例中,所述温度预测模型的输入神经元有一个,其可以接收温度序列中的最近M个数据对,所述输入神经元与各个传导分解神经元进行等值的数据传递,各个传到分解神经元按照可调节权值向叠加输出神经元进行数据传递。
每个传导神经元均由其唯一对应的编号;并且其激励函数为 其中,n表示传导神经元编号。相应的,所述温度预测模型修正模块203根据所述所述温度序列中的最近M个采样时刻的数据对计算所述温度预测模型中的各个可调节权值。调节权值根据公式w=(XTX)-1XTR计算,w,X,R分别表示可调节权值构成的向量,输入传导矩阵和输入因变量向量,其中输入传导矩阵为N*M矩阵,可以被表示为其中si(xj)表示第j个数据对中的影响因子值输入编号为i的神经元后得到的值,R为最近M个采样时刻的数据对中的温度输出数据构成的向量。
具体地,本发明实施例所述一种温度自适应输出装置与方法实施例均基于相同发明构思。详情请参见方法实施例,在此不再赘述。
本发明实施例还提供了一种计算机存储介质,所述计算机存储介质可以存储有多条指令。所述指令可以适于由处理器加载并执行本发明实施例所述的一种温度自适应输出方法,所述方法请参考方法实施例。
进一步地,图5示出了一种用于实现本发明实施例所提供的方法的设备的硬件结构示意图,所述设备可以参与构成或包含本发明实施例所提供的装置或***。如图5所示,设备10可以包括一个或多个(图中采用102a、102b,……,102n来示出)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的存储器104、以及用于通信功能的传输装置106。除此以外,还可以包括:显示器、输入/输出接口(I/O接口)、通用串行总线(USB)端口(可以作为I/O接口的端口中的一个端口被包括)、网络接口、电源和/或相机。本领域普通技术人员可以理解,图5所示的结构仅为示意,其并不对上述电子装置的结构造成限定。例如,设备10还可包括比图5中所示更多或者更少的组件,或者具有与图5所示不同的配置。
应当注意到的是上述一个或多个处理器102和/或其他数据处理电路在本文中通常可以被称为“数据处理电路”。该数据处理电路可以全部或部分的体现为软件、硬件、固件或其他任意组合。此外,数据处理电路可为单个独立的处理模块,或全部或部分的结合到设备10(或移动设备)中的其他元件中的任意一个内。如本申请实施例中所涉及到的,该数据处理电路作为一种处理器控制(例如与接口连接的可变电阻终端路径的选择)。
存储器104可用于存储应用软件的软件程序以及模块,如本发明实施例中所述的方法对应的程序指令/数据存储装置,处理器102通过运行存储在存储器104内的软件程序以及模块,从而执行各种功能应用以及数据处理,即实现上述的一种温度自适应输出方法。存储器104可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器104可进一步包括相对于处理器102远程设置的存储器,这些远程存储器可以通过网络连接至设备10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括设备10的通信供应商提供的无线网络。在一个实例中,传输装置106包括一个网络适配器(NetworkInterfaceController,NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输装置106可以为射频(RadioFrequency,RF)模块,其用于通过无线方式与互联网进行通讯。
显示器可以例如触摸屏式的液晶显示器(LCD),该液晶显示器可使得用户能够与设备10(或移动设备)的用户界面进行交互。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置和服务器实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.一种温度自适应输出装置,其特征在于,所述装置包括:温度序列记录模块,用于记录温度序列,所述温度序列记录有各个采样时刻的数据对,所述数据对包括采样时刻的影响因子数据和所述采样时刻对应的温度输出数据;温度预测模型修正模块,用于实时根据所述温度序列中的最近M个采样时刻的数据对修正温度预测模型;参数获取模块,用于获取当前采样时刻的影响因子的采样值和温度的采样值;预测模块,用于根据所述温度预测模型和所述当前采样时刻的影响因子的采样值预测当前采样时刻的温度预测值;输出模块,用于根据所述当前采样时刻的温度的采样值和所述温度预测值确定所述当前采样时刻的温度输出数据;
所述温度预测模型的输入神经元有一个,其接收温度序列中的最近M个数据对,所述输入神经元与各个传导分解神经元进行等值的数据传递,各个传导 分解神经元按照可调节权值向叠加输出神经元进行数据传递;
2.根据权利要求1所述的装置,其特征在于:还包括数据对压队模块,用于将所述当前采样时刻的影响因子的采样值和所述温度输出数据生成数据对,将所述数据对压入所述温度序列的尾部。
3.根据权利要求1所述的装置,其特征在于,所述输出模块,包括:差值计算单元,用于获取所述当前采样时刻的温度的采样值和所述温度预测值的差值;第一分支单元,用于若所述差值大于预设的目标阈值,基于预设温度修正算法对所述当前采样时刻的温度的采样值进行修正得到修正值,以所述修正值作为当前采样时刻的温度输出数据;第二分支单元,用于若所述差值小于或等于预设的目标阈值,则将所述当前采样时刻的温度的采样值直接作为所述当前采样时刻的温度输出数据。
4.一种温度自适应输出设备,其特征在于,所述设备包括如权利要求1-3任一项所述的一种温度自适应输出装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911297432.2A CN111044162B (zh) | 2019-12-16 | 2019-12-16 | 一种温度自适应输出装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911297432.2A CN111044162B (zh) | 2019-12-16 | 2019-12-16 | 一种温度自适应输出装置及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111044162A CN111044162A (zh) | 2020-04-21 |
CN111044162B true CN111044162B (zh) | 2021-11-12 |
Family
ID=70236938
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911297432.2A Active CN111044162B (zh) | 2019-12-16 | 2019-12-16 | 一种温度自适应输出装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111044162B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112556878B (zh) * | 2020-12-07 | 2022-11-15 | 安徽仕联电气有限公司 | 一种高温回转炉温度监测预警*** |
CN114326868B (zh) * | 2022-03-17 | 2022-06-17 | 北京象帝先计算技术有限公司 | 芯片温度反馈方法、装置、存储介质及芯片温度控制方法 |
CN115219062A (zh) * | 2022-04-18 | 2022-10-21 | 广州汽车集团股份有限公司 | 一种设备的温度确定方法、装置、设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104050508A (zh) * | 2014-06-25 | 2014-09-17 | 哈尔滨工程大学 | 一种基于klms的自适应小波核神经网络跟踪控制方法 |
CN104881550A (zh) * | 2015-06-15 | 2015-09-02 | 清华大学 | 动力电池运行温度的自适应预测方法 |
WO2018060157A1 (fr) * | 2016-09-27 | 2018-04-05 | Electricite De France | Procédé d'auto-paramétrage auto-adaptatif d'un système de chauffage et de production d'eau chaude sanitaire |
CN109598371A (zh) * | 2018-11-21 | 2019-04-09 | 北京航空航天大学 | 一种飞行器载电子设备的温度预测方法及*** |
CN109685265A (zh) * | 2018-12-21 | 2019-04-26 | 积成电子股份有限公司 | 一种电力***短期电力负荷的预测方法 |
-
2019
- 2019-12-16 CN CN201911297432.2A patent/CN111044162B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104050508A (zh) * | 2014-06-25 | 2014-09-17 | 哈尔滨工程大学 | 一种基于klms的自适应小波核神经网络跟踪控制方法 |
CN104881550A (zh) * | 2015-06-15 | 2015-09-02 | 清华大学 | 动力电池运行温度的自适应预测方法 |
WO2018060157A1 (fr) * | 2016-09-27 | 2018-04-05 | Electricite De France | Procédé d'auto-paramétrage auto-adaptatif d'un système de chauffage et de production d'eau chaude sanitaire |
CN109598371A (zh) * | 2018-11-21 | 2019-04-09 | 北京航空航天大学 | 一种飞行器载电子设备的温度预测方法及*** |
CN109685265A (zh) * | 2018-12-21 | 2019-04-26 | 积成电子股份有限公司 | 一种电力***短期电力负荷的预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111044162A (zh) | 2020-04-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110956338A (zh) | 一种温度自适应输出方法及介质 | |
CN111044162B (zh) | 一种温度自适应输出装置及设备 | |
Fosque et al. | Evidence for quasicritical brain dynamics | |
CN109034365A (zh) | 深度学习模型的训练方法及装置 | |
CN112085184A (zh) | 量化参数调整方法、装置及相关产品 | |
CN113033722B (zh) | 传感器数据融合方法、装置、存储介质及计算设备 | |
CN108926338A (zh) | 基于深度学习的心率预测方法及装置 | |
CN107800572B (zh) | 一种基于神经网络升级设备的方法和装置 | |
CN114004425B (zh) | 物品流转信息预测模型生成方法、信息生成方法、装置 | |
KR20200034918A (ko) | 심층 신경망의 가중치에 대한 밸런싱된 프루닝을 제공하는 시스템 및 방법 | |
CN110796175A (zh) | 一种基于轻量卷积神经网络的脑电数据的在线分类方法 | |
WO2013130268A1 (en) | Web-based multi-sensor/instrument control system | |
CN110473042B (zh) | 用于获取信息的方法及装置 | |
Li et al. | Bandwidth based electrical-analogue battery modeling for battery modules | |
CN110890998A (zh) | 一种确定阈值的方法及装置 | |
CN115277261A (zh) | 基于工控网络病毒的异常机器智能识别方法、装置、设备 | |
CN108764348A (zh) | 基于多个数据源的数据采集方法及*** | |
CN110503181B (zh) | 用于生成多层神经网络的方法和装置 | |
CN111596006A (zh) | 一种大气在线监测仪的校准方法及监测仪 | |
CN111862081B (zh) | 图像评分方法、分数预测网络的训练方法、装置 | |
CN107861082B (zh) | 一种电子测量设备的校准间隔确定方法及装置 | |
Teodorescu | Sensors based on nonlinear dynamic systems—A survey | |
CN107729144B (zh) | 应用控制方法、装置、存储介质及电子设备 | |
Namboodiri et al. | Analytical calculation of errors in time and value perception due to a subjective time accumulator: A mechanistic model and the generation of Weber’s law | |
AbdelAty et al. | Optimal charging of fractional-order circuits with Cuckoo search |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20211027 Address after: 221000 Jiangsu Xuzhou Xinyi one belt, one road intelligent electrical and Industrial Park 10-1 Applicant after: Xinyi Huike Intelligent Technology Co.,Ltd. Address before: Room b613, floor 6, building B, No. 369, Internet of things street, Xixing street, Binjiang District, Hangzhou City, Zhejiang Province Applicant before: Hangzhou Xinhua Information Technology Co.,Ltd. |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |