CN114037551A - 池塘养殖pH值缺失数据插补方法 - Google Patents
池塘养殖pH值缺失数据插补方法 Download PDFInfo
- Publication number
- CN114037551A CN114037551A CN202111347638.9A CN202111347638A CN114037551A CN 114037551 A CN114037551 A CN 114037551A CN 202111347638 A CN202111347638 A CN 202111347638A CN 114037551 A CN114037551 A CN 114037551A
- Authority
- CN
- China
- Prior art keywords
- data
- representing
- lstm
- model
- improved lstm
- 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
- 238000000034 method Methods 0.000 title claims abstract description 26
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 32
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims description 10
- 238000005070 sampling Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 claims description 3
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 3
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 229910052760 oxygen Inorganic materials 0.000 claims description 3
- 239000001301 oxygen Substances 0.000 claims description 3
- 238000012731 temporal analysis Methods 0.000 claims description 3
- 238000000700 time series analysis Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 10
- 230000006403 short-term memory Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000008439 repair process 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Agronomy & Crop Science (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Animal Husbandry (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Complex Calculations (AREA)
Abstract
本发明提供一种池塘养殖pH值缺失数据插补方法,包括步骤:S1:数据预处理;S2:建立一改进LSTM模型;S3:利用所述改进LSTM模型建立一基于改进LSTM的pH值插补模型;S4:对所述基于改进LSTM的pH值插补模型进行评价。本发明的一种池塘养殖pH值缺失数据插补方法,利用已有的水质数据和气象数据,利用改进LSTM方法构造池塘pH值插补模型,实现pH值缺失数据插补。
Description
技术领域
本发明涉及数据插补方法领域,尤其涉及一种池塘养殖pH值缺失数据插补方法。
背景技术
目前尚缺乏一种利用已有的水质数据和气象数据实现pH值缺失数据插补的方法。
发明内容
针对上述现有技术中的不足,本发明提供一种池塘养殖pH值缺失数据插补方法,利用已有的水质数据和气象数据,利用改进LSTM方法构造池塘pH值插补模型,实现pH值缺失数据插补。
为了实现上述目的,本发明提供一种池塘养殖pH值缺失数据插补方法,包括步骤:
S1:数据预处理;
S2:建立一改进LSTM模型;
S3:利用所述改进LSTM模型建立一基于改进LSTM的pH值插补模型;
S4:对所述基于改进LSTM的pH值插补模型进行评价。
优选地,所述S1步骤进一步包括步骤:
S11:固定至少一水质传感器的采样频率,通过构建池塘养殖物联网***,获取气象站的气象数据和所述水质传感器的水质数据;
S12:对缺失值少于等于2个采样时间间隔的所述气象数据和所述水质数据采用线性插值的方法进行修复;
S13:对于异常值采用进行检测和修复;
S14:对所述气象数据和所述水质数据进行归一化处理。
优选地,所述S14步骤中通过公式(1)对数据进行归一化处理:
其中,xi表示特定时间长度索引i处的特征向量,min表示数据中的最小值,max表示数据中的最大值。
优选地,所述改进LSTM模型的输入是可变长度序列x={xi},其中xi为特定时间长度索引i处的特征向量,则时间索引t处的隐藏状态更新如下:
int=σ(Wxinxt+Whinht-1+bin)
ft=σ(Wxfxt+Whfht-1+bf)
ot=σ(Wxoxt+Whoht-1+bo)
其中,int表示时间索引t处的输入门,ft表示时间索引t处的遗忘门,ot表示时间索引t处的输出门;ct表示时间索引t处的单元向量;σ表示sigmoid函数;表示元素乘法;第一参数W和第二参数b将级联映射到隐藏状态的大小;ht表示模型输出的隐藏状态;Wxin表示输入门输入权重;xt表示t时刻输入门输入;Whin表示输入层隐藏状态权重;bin表示输入门偏置;Wxf表示遗忘层输入权重;Whf表示遗忘门隐藏状态权重;bf表示表示遗忘门偏置;Wxc表示时间索引处隐藏状态权重;Whc表示时间索引隐藏状态权重;bc表示时间索引处偏置;Wxo表示输出门输入权重;Who表示输出门隐藏状态权重;bo表示输出门偏置;
所述改进LSTM模型的解码器负责递归生成输出序列y={y1,y2,...,ym},在LSTM层的顶部添加一个具有线性激活函数的完全连接层,以生成具有连续值的预测;对于所述解码器,在时间索引t处的估值yt计算如下:
yt=Linear(W[st,ct]+b)
st=LSTM(yt-1,st-1,ct)
其中,st是解码器在时间索引t处的隐藏状态,ct是编码器传递的隐藏状态的加权和,[st,ct]是解码器隐藏状态和上下文向量的串联;LSTM(Long ShortTerm Memory)表示利用LSTM网络进行解码运算;Linear表示基于递归的全连接运算。
优选地,所述S3步骤进一步包括步骤:
S31:通过构建池塘养殖物联网***,获取气象站的气象数据和水质传感器的水质数据;
S32:对所述气象数据和所述水质数据按照时间序列分析要求进行标准化和归一化预处理;
S33:利用当前所述气象数据和所述水质数据构建一训练集和一测试集;
S34:利用所述训练集对所述改进LSTM模型进行训练直至所述改进LSTM模型的输出达到目标准确率,获得所述基于改进LSTM的pH值插补模型;
S35:利用所述测试集验证所述基于改进LSTM的pH值插补模型的精度,并验证所述基于改进LSTM的pH值插补模型的有效性。
优选地,所述S4步骤中采用均方根误差、平均绝对误差和平均绝对百分误差对所述基于改进LSTM的pH值插补模型进行评价。
优选地,所述均方根误差RMSE、平均绝对误差MAE和平均绝对百分误差MAPE满足公式:
优选地,所述改进LSTM模型使用pytouch神经网络框架;
所述改进LSTM模型的编码器隐含层数量为1;
所述改进LSTM模型的解码器隐含层数量为2;
所述改进LSTM模型的每层LSTM隐藏单元数量为20;
所述改进LSTM模型的丢失率为0.2;
所述改进LSTM模型的优化器采用Adam;
所述改进LSTM模型的损失函数采用MSE;
所述改进LSTM模型的皮尺寸为60。
本发明由于采用了以上技术方案,使其具有以下有益效果:
本发明通过建立基于改进LSTM的pH值插补模型,利用已有的水质数据和气象数据,实现pH值缺失数据插补。
附图说明
图1为本发明实施例的池塘养殖pH值缺失数据插补方法的流程图;
图2为本发明实施例的改进LSTM模型的网络结构示意图;
图3为本发明实施例的建立基于改进LSTM的pH值插补模型的流程图。
具体实施方式
下面根据附图图1~图3,给出本发明的较佳实施例,并予以详细描述,使能更好地理解本发明的功能、特点。
请参阅图1~图3,本发明实施例的一种池塘养殖pH值缺失数据插补方法,包括步骤:
S1:数据预处理;
S1步骤进一步包括步骤:
S11:固定至少一水质传感器的采样频率,通过构建池塘养殖物联网***,获取气象站的气象数据和水质传感器的水质数据;
S12:对缺失值少于等于2个采样时间间隔的气象数据和水质数据采用线性插值的方法进行修复;
S13:对于异常值采用进行检测和修复;
S14:对气象数据和水质数据进行归一化处理。
S14步骤中通过公式(1)对数据进行归一化处理:
其中,xi表示特定时间长度索引i处的特征向量,min表示数据中的最小值,max表示数据中的最大值。
在实际采样过程种,固定了传感器采样频率,保证采集的水质数据和气象数据具有相同的分布特征;针对传感器网络,受信号干扰、网络延迟以及人为因素影响,难免会出现随机数据缺失、异常等状况,为了保证数据修复时间序列的完整性,对缺失值少于等于2个采样时间间隔的数据采用线性插值方法进行修复,对于异常值进行检测和修复。最后采用公式(1)对数据进行归一化处理。
S2:建立一改进LSTM模型;
改进LSTM模型的输入是可变长度序列x={xi},其中xi为特定时间长度索引i处的特征向量,则时间索引t处的隐藏状态更新如下:
int=σ(Wxinxt+Whinht-1+bin)
ft=σ(Wxfxt+Whfht-1+bf)
ot=σ(Wxoxt+Whoht-1+bo)
其中,it表示时间索引t处的输入门,ft表示时间索引t处的遗忘门,ot表示时间索引t处的输出门;ct表示时间索引t处的单元向量;σ表示sigmoid函数;表示元素乘法;第一参数W和第二参数b将级联映射到隐藏状态的大小;ht表示表示模型输出的隐藏状态;Wxin表示输入门输入权重;xt表示t时刻输入门输入;Whin表示输入层隐藏状态权重;bin表示输入门偏置;Wxf表示遗忘层输入权重;Whf表示遗忘门隐藏状态权重;bf表示表示遗忘门偏置;Wxc表示时间索引处隐藏状态权重;Whc表示时间索引隐藏状态权重;bc表示时间索引处偏置;Wxo表示输出门输入权重;Who表示输出门隐藏状态权重;bo表示输出门偏置;
改进LSTM模型的解码器负责递归生成输出序列y={y1,y2,...,ym},在LSTM层的顶部添加一个具有线性激活函数的完全连接层,以生成具有连续值的预测;对于解码器,在时间索引t处的估值yt计算如下:
yt=Linear(W[st,ct]+b)
st=LSTM(yt-1,st-1,ct)
其中,st是解码器在时间索引t处的隐藏状态,ct是编码器传递的隐藏状态的加权和,[st,ct]是解码器隐藏状态和上下文向量的串联;LSTM(Long ShortTerm Memory)表示利用LSTM网络进行解码运算;Linear表示基于递归的全连接运算。
S3:利用改进LSTM模型建立一基于改进LSTM的pH值插补模型;
S3步骤进一步包括步骤:
S31:通过构建池塘养殖物联网***,获取气象站的气象数据和水质传感器的水质数据;
S32:对气象数据和水质数据按照时间序列分析要求进行标准化和归一化预处理;
S33:利用当前气象数据和水质数据构建一训练集和一测试集;
S34:利用训练集对改进LSTM模型进行训练直至改进LSTM模型的输出达到目标准确率,获得基于改进LSTM的pH值插补模型;
S35:利用测试集验证基于改进LSTM的pH值插补模型的精度,并验证基于改进LSTM的pH值插补模型的有效性。
S4:对基于改进LSTM的pH值插补模型进行评价。
S4步骤中采用均方根误差、平均绝对误差和平均绝对百分误差对基于改进LSTM的pH值插补模型进行评价。
均方根误差RMSE、平均绝对误差MAE和平均绝对百分误差MAPE满足公式:
改进LSTM模型参数
改进LSTM模型的结构也需要确定。超参数包括隐藏层的数量、每层中隐藏的LSTM单元的数量、丢失率、损失函数等。
本实施例中,改进LSTM模型使用pytouch神经网络框架实现和优化;
改进LSTM模型的编码器隐含层数量为1;
改进LSTM模型的解码器隐含层数量为2;
改进LSTM模型的每层LSTM隐藏单元数量为20;
改进LSTM模型的丢失率为0.2;
改进LSTM模型的优化器采用Adam;
改进LSTM模型的损失函数采用MSE;
改进LSTM模型的皮尺寸为60。
均方误差是一个数学上表现良好的函数,可平滑微分且易于计算梯度。因此,选择MSE作为训练SSIM的损失函数。
以上结合附图实施例对本发明进行了详细说明,本领域中普通技术人员可根据上述说明对本发明做出种种变化例。因而,实施例中的某些细节不应构成对本发明的限定,本发明将以所附权利要求书界定的范围作为本发明的保护范围。
Claims (8)
1.一种池塘养殖pH值缺失数据插补方法,包括步骤:
S1:数据预处理;
S2:建立一改进LSTM模型;
S3:利用所述改进LSTM模型建立一基于改进LSTM的pH值插补模型;
S4:对所述基于改进LSTM的pH值插补模型进行评价。
2.根据权利要求1所述的池塘养殖pH值缺失数据插补方法,其特征在于,所述S1步骤进一步包括步骤:
S11:固定至少一水质传感器的采样频率,通过构建池塘养殖物联网***,获取气象站的气象数据和所述水质传感器的水质数据;
S12:对缺失值少于等于2个采样时间间隔的所述气象数据和所述水质数据采用线性插值的方法进行修复;
S13:对于异常值采用进行检测和修复;
S14:对所述气象数据和所述水质数据进行归一化处理。
4.根据权利要求3所述的池塘养殖pH值缺失数据插补方法,其特征在于,所述改进LSTM模型的输入是可变长度序列x={xi},其中xi为特定时间长度索引i处的特征向量,则时间索引t处的隐藏状态更新如下:
int=σ(Wxinxt+Whinht-1+bin)
ft=σ(Wxfxt+Whfht-1+bf)
ot=σ(Wxoxt+Whoht-1+bo)
其中,int表示时间索引t处的输入门,ft表示时间索引t处的遗忘门,ot表示时间索引t处的输出门;ct表示时间索引t处的单元向量;σ表示sigmoid函数;表示元素乘法;第一参数W和第二参数b将级联映射到隐藏状态的大小,其中;ht表示模型输出的隐藏状态;Wxin表示输入门输入权重;xt表示t时刻输入门输入;Whin表示输入层隐藏状态权重;bin表示输入门偏置;Wxf表示遗忘层输入权重;Whf表示遗忘门隐藏状态权重;bf表示表示遗忘门偏置;Wxc表示时间索引处隐藏状态权重;Whc表示时间索引隐藏状态权重;bc表示时间索引处偏置;Wxo表示输出门输入权重;Who表示输出门隐藏状态权重;bo表示输出门偏置;
所述改进LSTM模型的解码器负责递归生成输出序列y={y1,y2,...,ym},在LSTM层的顶部添加一个具有线性激活函数的完全连接层,以生成具有连续值的预测;对于所述解码器,在时间索引t处的估值yt计算如下:
yt=Linear(W[st,ct]+b)
st=LSTM(yt-1,st-1,ct)
其中,st是解码器在时间索引t处的隐藏状态,ct是编码器传递的隐藏状态的加权和,[st,ct]是解码器隐藏状态和上下文向量的串联;LSTM表示利用LSTM网络进行解码运算;Linear表示基于递归的全连接运算。
5.根据权利要求1所述的池塘养殖pH值缺失数据插补方法,其特征在于,所述S3步骤进一步包括步骤:
S31:通过构建池塘养殖物联网***,获取气象站的气象数据和水质传感器的水质数据;
S32:对所述气象数据和所述水质数据按照时间序列分析要求进行标准化和归一化预处理;
S33:利用当前所述气象数据和所述水质数据构建一训练集和一测试集;
S34:利用所述训练集对所述改进LSTM模型进行训练直至所述改进LSTM模型的输出达到目标准确率,获得所述基于改进LSTM的pH值插补模型;
S35:利用所述测试集验证所述基于改进LSTM的pH值插补模型的精度,并验证所述基于改进LSTM的pH值插补模型的有效性。
6.根据权利要求1所述的池塘养殖pH值缺失数据插补方法,其特征在于,所述S4步骤中采用均方根误差、平均绝对误差和平均绝对百分误差对所述基于改进LSTM的pH值插补模型进行评价。
8.根据权利要求1所述的池塘养殖pH值缺失数据插补方法,其特征在于,所述改进LSTM模型使用pytouch神经网络框架;
所述改进LSTM模型的编码器隐含层数量为1;
所述改进LSTM模型的解码器隐含层数量为2;
所述改进LSTM模型的每层LSTM隐藏单元数量为20;
所述改进LSTM模型的丢失率为0.2;
所述改进LSTM模型的优化器采用Adam;
所述改进LSTM模型的损失函数采用MSE;
所述改进LSTM模型的皮尺寸为60。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111347638.9A CN114037551A (zh) | 2021-11-15 | 2021-11-15 | 池塘养殖pH值缺失数据插补方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111347638.9A CN114037551A (zh) | 2021-11-15 | 2021-11-15 | 池塘养殖pH值缺失数据插补方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114037551A true CN114037551A (zh) | 2022-02-11 |
Family
ID=80144385
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111347638.9A Pending CN114037551A (zh) | 2021-11-15 | 2021-11-15 | 池塘养殖pH值缺失数据插补方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114037551A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108090558A (zh) * | 2018-01-03 | 2018-05-29 | 华南理工大学 | 一种基于长短期记忆网络的时间序列缺失值自动填补方法 |
US20190129819A1 (en) * | 2017-10-26 | 2019-05-02 | International Business Machines Corporation | Missing Values Imputation of Sequential Data |
WO2019208998A1 (ko) * | 2018-04-27 | 2019-10-31 | 한국과학기술원 | 재귀적 신경망에서 시계열 데이터의 데이터 누락 및 노이즈에 강건한 gru 기반의 셀 구조 설계 |
CN111131424A (zh) * | 2019-12-18 | 2020-05-08 | 武汉大学 | 一种基于emd和多变量lstm相结合的服务质量预测方法 |
CN112215422A (zh) * | 2020-10-13 | 2021-01-12 | 北京工业大学 | 基于季节性分解的长短时记忆网络水质动态预警方法 |
CN112418406A (zh) * | 2020-12-09 | 2021-02-26 | 甘肃靖远航天风力发电有限公司 | 基于ssa-lstm模型的风电塔筒倾角缺失数据补齐方法 |
CN112687349A (zh) * | 2020-12-25 | 2021-04-20 | 广东海洋大学 | 一种降低辛烷值损失模型的构建方法 |
-
2021
- 2021-11-15 CN CN202111347638.9A patent/CN114037551A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190129819A1 (en) * | 2017-10-26 | 2019-05-02 | International Business Machines Corporation | Missing Values Imputation of Sequential Data |
CN108090558A (zh) * | 2018-01-03 | 2018-05-29 | 华南理工大学 | 一种基于长短期记忆网络的时间序列缺失值自动填补方法 |
WO2019208998A1 (ko) * | 2018-04-27 | 2019-10-31 | 한국과학기술원 | 재귀적 신경망에서 시계열 데이터의 데이터 누락 및 노이즈에 강건한 gru 기반의 셀 구조 설계 |
CN111131424A (zh) * | 2019-12-18 | 2020-05-08 | 武汉大学 | 一种基于emd和多变量lstm相结合的服务质量预测方法 |
CN112215422A (zh) * | 2020-10-13 | 2021-01-12 | 北京工业大学 | 基于季节性分解的长短时记忆网络水质动态预警方法 |
CN112418406A (zh) * | 2020-12-09 | 2021-02-26 | 甘肃靖远航天风力发电有限公司 | 基于ssa-lstm模型的风电塔筒倾角缺失数据补齐方法 |
CN112687349A (zh) * | 2020-12-25 | 2021-04-20 | 广东海洋大学 | 一种降低辛烷值损失模型的构建方法 |
Non-Patent Citations (1)
Title |
---|
陈英义;程倩倩;方晓敏;于辉辉;李道亮;: "主成分分析和长短时记忆神经网络预测水产养殖水体溶解氧", 农业工程学报, no. 17, 31 August 2018 (2018-08-31), pages 16 - 18 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110852515B (zh) | 基于混合长短时记忆神经网络的水质指标预测方法 | |
CN113609955B (zh) | 一种基于深度学习和数字孪生的三相逆变器参数辨识方法 | |
CN108876021B (zh) | 一种中长期径流预报方法及*** | |
CN111967688A (zh) | 一种基于卡尔曼滤波器与卷积神经网络的电力负荷预测方法 | |
CN113554466B (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
CN111931983B (zh) | 一种降水量预测方法及*** | |
CN114358435A (zh) | 双阶段时空注意力机制的污染源-水质预测模型权重影响计算方法 | |
CN116187203A (zh) | 一种流域水质预测方法、***、电子设备及存储介质 | |
CN112086100B (zh) | 基于量化误差熵的多层随机神经网络的城市噪音识别方法 | |
CN113447879A (zh) | 基于多应力影响的电能表计量误差预测方法、***及装置 | |
CN113850320A (zh) | 基于改进支持向量机回归算法的变压器故障检测方法 | |
CN112215495B (zh) | 一种基于长短时记忆神经网络的污染源贡献度计算方法 | |
CN113988415A (zh) | 一种中长期电力负荷预测方法 | |
CN113159395A (zh) | 一种基于深度学习的污水处理厂进水流量预测方法及*** | |
CN116303786B (zh) | 一种基于多维数据融合算法的区块链金融大数据管理*** | |
CN112132324A (zh) | 一种基于深度学习模型的超声波水表数据修复方法 | |
CN114037551A (zh) | 池塘养殖pH值缺失数据插补方法 | |
CN116226620A (zh) | 一种基于svm和lstm的次同步振荡模态辨识方法 | |
CN115907204A (zh) | 麻雀搜索算法优化bp神经网络的林木蒸腾耗水预测方法 | |
CN112329535B (zh) | 基于cnn的电力***低频振荡模态特征的快速辨识方法 | |
CN113919388A (zh) | 一种融合信号频谱幅值调制和深度学习的机电装备故障诊断方法及装置 | |
CN114036846A (zh) | 池塘养殖溶解氧缺失数据插补方法 | |
CN112307918A (zh) | 一种基于模糊神经网络的变压器直流偏磁的诊断方法 | |
CN111126659A (zh) | 一种电力负荷预测方法及*** | |
CN115048868B (zh) | 基于时序神经网络的动态测量***不确定度的评定方法 |
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 |