CN115759437A - 基于hgs的bp神经网络污水指标预测方法 - Google Patents

基于hgs的bp神经网络污水指标预测方法 Download PDF

Info

Publication number
CN115759437A
CN115759437A CN202211482168.1A CN202211482168A CN115759437A CN 115759437 A CN115759437 A CN 115759437A CN 202211482168 A CN202211482168 A CN 202211482168A CN 115759437 A CN115759437 A CN 115759437A
Authority
CN
China
Prior art keywords
neural network
individual
fitness
population
optimal
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.)
Granted
Application number
CN202211482168.1A
Other languages
English (en)
Other versions
CN115759437B (zh
Inventor
储修如
李洪飞
张鹏达
胡岩
刘康璇
王冬
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
TIANJIN MUNICIPAL WATER Ltd CONSERVANCY
Original Assignee
TIANJIN MUNICIPAL WATER Ltd CONSERVANCY
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by TIANJIN MUNICIPAL WATER Ltd CONSERVANCY filed Critical TIANJIN MUNICIPAL WATER Ltd CONSERVANCY
Priority to CN202211482168.1A priority Critical patent/CN115759437B/zh
Publication of CN115759437A publication Critical patent/CN115759437A/zh
Application granted granted Critical
Publication of CN115759437B publication Critical patent/CN115759437B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A20/00—Water conservation; Efficient water supply; Efficient water use
    • Y02A20/152—Water filtration

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种基于HGS的BP神经网络污水指标预测方法，包括：步骤S1：构建初始BP神经网络；步骤S2：利用HGS算法对初始BP神经网络的网络结构和网络参数进行优化，获得适应度最优的种群个体向量；步骤S3：利用获得的适应度最优的个体向量对BP神经网络结构和参数进行优化获得最优的BP神经网络模型，利用最优的BP神经网络模型对待测污水数据进行预测并获得预测结果。本发明利用HGS算法对BP神经网络进行优化，提出的基于HGS的BP神经网络污水水质指标预测方法具有结构简单、性能稳定的特点，相比于传统的BP神经网络对数据量的需求更低，能够实现在低数据量情况下水质中的COD、氨氮、总磷、总氮四个水质指标的高精度预测。

Description

基于HGS的BP神经网络污水指标预测方法
技术领域
本发明创造属于污水指标大数据预测与分析领域，尤其是涉及一种基于HGS的BP神经网络污水指标预测方法。
背景技术
我国对污水进出水水质指标作出了严格的要求，因此对污水处理过程中的水质关键指标实时监测至关重要，而当前我国污水处理站对部分水质指标仍以人工加检测设备等传统水质检测手段为主，缺乏良好的实时性。此外，传统方法也不具备对未来一段时间内水质指标的长期预测能力。
由于污水处理是一个非常复杂的非线性***，存在着大滞后、强耦合等特点，难以通过工艺机理分析建立可靠有效的预测模型，而神经网络、机器学习等智能算法不依赖机理模型，能够通过已有的数据主动学习，非线性逼近能力强大，因而可以应用于污水处理***建模预测研究中。
反向传播神经网络(Back-propagation neural networks,BPNN)作为目前最常用的机器学习算法之一，已经广泛地应用于多个领域。在污水指标预测领域，BP神经网络利用大量的数据以训练的方式建立输入-输出之间的映射关系，可以有效地实现多指标实时预测。然而传统的BP神经网络在训练过程中容易陷入局部最优解的问题，导致训练后的网络性能不理想，尤其是当训练数据量不足，指标预测太多的情况下，BP神经网络的误差较大。
饥饿游戏搜索(Hunger Games Search,HGS)是一种新型智能优化算法，该算法是根据动物饥饿驱动活动和行为而设计的，具有结构简单、寻优能力强、收敛速度快等特点，具有特殊的稳定性特征，性能非常具有竞争性，可以更有效地实现有约束和无约束问题的解决。
发明内容
有鉴于此，本发明创造旨在提出一种基于HGS的BP神经网络污水指标预测方法，通过饥饿游戏搜索算法(HGS)来优化BP神经网络结构和参数，建立HGS-BPNN算法，借助HGS算法易收敛，且收敛精度高，以及逃脱局部最优解的能力强的特点，找到更优的全局最优解以获得预测能力更好的BP神经网络模型，从而能够实现在低数据量情况下水质指标的成功预测。
为达到上述目的，本发明创造的技术方案是这样实现的：一种基于HGS的BP神经网络污水指标预测方法，包括以下步骤：
步骤S1：构建初始BP神经网络；
步骤S2：利用HGS算法对初始BP神经网络的网络结构和网络参数进行优化，获得适应度最优的种群个体向量；
步骤S3：利用获得的适应度最优的个体向量对BP神经网络结构和参数进行优化获得最优的BP神经网络模型，利用最优的BP神经网络模型对待测污水数据进行预测并获得预测结果。
进一步的，为了满足污水处理站污水主要指标预测的需要，所述步骤S1中，本发明设置初始神经网络为3层结构，其中输入层神经元个数m，输出层神经元个数n，隐藏层神经元个数s由公式(1)确定；
Figure BDA0003962137870000021
其中，函数floor()表示向下取整。
进一步的，所述步骤S2具体包括：
步骤S2.1初始化种群个体和参数初始化；其中，初始化种群个体包括初始化种群个体数量N和种群个体向量
Figure BDA0003962137870000031
初始化参数包括：数据样本个数K、最大迭代次数Maxiter、总饥饿度SHungry、初始饥饿度hungry；
步骤S2.2利用适应度函数对每个种群个体的适应度进行计算；其中，适应度函数RMSD为利用对应的种群个体向量优化的神经网络的输出与实际数据的偏差：
Figure BDA0003962137870000032
其中，k＝1,2,……,K，YPred(k)为神经网络的输出值，YTure(k)为实际数据值；
步骤S2.3将计算获得的种群个体的适应度从小到大排序，其中适应度最优的个体适应度为bF，最差的个体适应度为wF；若bF优于全局最优适应度值BF，则将BF更新为bF，并将该个体向量保存为个体最佳向量；若wF差于全局最差适应度值WF，则将WF更新为wF；然后，根据公式(3)～(5)计算种群个体饥饿度hungry(i)；
Figure BDA0003962137870000033
Figure BDA0003962137870000034
Figure BDA0003962137870000035
其中，i＝1,2,……，N，AllFitness(i)表示每个个体的适应度值，r和r6为[0,1]之间的随机数，UB和LB分别表示搜索空间的上限和下限；LH为H的下界；
步骤S2.4根据公式(6)和公式(7)计算种群个体饥饿度权重
Figure BDA0003962137870000036
和
Figure BDA0003962137870000041
Figure BDA0003962137870000042
Figure BDA0003962137870000043
其中，SHungry表示所有个体的饥饿度总和，r3、r4、r5为[0,1]之间的随机数；l为设置的常数；
步骤S2.5根据公式(8)～(10)，计算出每个个体的新位置，更新个体向量；
Figure BDA0003962137870000044
E＝sech(|AllFitness(i)-BF|) (9)
Figure BDA0003962137870000045
其中，
Figure BDA0003962137870000046
表示当前个体向量，randn表示满足标准正态分布的随机数，t为当前迭代次数，
Figure BDA0003962137870000047
表示全局最优个体向量，
Figure BDA0003962137870000048
是介于[-a，a]的随机数，sech是一个双曲线函数，
Figure BDA0003962137870000049
a＝2*(1-t/Maxiter)，r1、r2和rand均为[0,1]之间的随机数；
步骤S2.6判断迭代次数是否达到最大迭代次数，若是则结束迭代，并对更新后的个体向量计算适应度，获得适应度最优的个体向量；否则返回步骤S2.2重复迭代计算。
进一步的，种群个体向量中必须包含所有待优化的信息，对于本发明需要优化数据主要分为两类，一类是网络结构；另一类是在指定网络结构下的最优初始权重,因此，所述步骤S2.1中初始化种群个体向量包括：定义种群个体向量
Figure BDA0003962137870000051
并随机产生N个种群个体向量；其中，定义种群个体向量为一个p维向量，第一维表示神经网络隐藏层数量；第二维到第四维表示神经网络各隐藏层神经元数量s∈[1,13]；第四维以后表示各层之间的权重和偏置。
进一步的，所述步骤S2.2中，适应度函数是一个多输入单输出的函数，其函数值是每一个个体对环境的适应程度。本发明HGS算法的适应度函数的输入是个体向量和BP神经网络训练的基本参数如学习率和最大迭代次数；适应度函数的主体是由个体向量解析出的网络结构和初始参数以及BP神经网络基本参数定义的BP神经网络；输出是由个体向量优化的BP神经网络的输出与实际数据的偏差RMSD。
进一步的，为了实现数据的实时处理，本发明还使用一个定时器，该定时器会每隔一段时间扫描数据源文件夹(用于保存下位机采集数据的文件夹)文件数量。如果文件数量增加，则说明下位机传感器采集了新的数据，于是将新采集的数据输入已经训练好的神经网络模型进行预测。最后将预测的结果按照命名规则存放本地指定文件夹中。
相对于现有技术，本发明创造所述的一种基于HGS的BP神经网络污水指标预测方法具有以下优势：
(1)本发明所述污水指标预测方法在BP神经网络的基础上加入了HGS这一先进的优化算法，实现了BP神经网络算法中隐藏层等大量参数的自适应优化设置，提高了算法运算效率，能够找到全局最优解，获得预测能力更好的BP神经网络模型，提高了预测精度。
(2)本发明提出的HGS-BPNN污水指标预测方法相比于传统的BPNN方法需要的训练数据量更少，实现在低数据量情况下的污水指标预测，并且在保证精度的情况下实现的多个污水预测指标输出，有利于污水处理过程中减少人工干预，降低污水处理站的运行成本，提高污水处理站的智能化程度。
(3)本发明的预测方法通过设置定时器，能够实现自动扫描判断新采集的数据，并将新采集的数据输入神经网络模型进行预测及保存，实现了数据的实时处理，以及自动实现污水水质指标预测。
附图说明
构成本发明创造的一部分的附图用来提供对本发明创造的进一步理解，本发明创造的示意性实施例及其说明用于解释本发明创造，并不构成对本发明创造的不当限定。
图1为本发明实施例所述的基于HGS的BP神经网络污水指标预测方法技术路线图；
图2为本发明实施例所述的基于HGS的BP神经网络污水指标预测方法流程图；
图3为HGS-BPNN与PSO-BPNN两种优化算法收敛曲线图；
图4为HGS-BPNN与PSO-BPNN两种优化算法预测结果图；其中图4(a)-图4(d)HGS-BPNN预测结果,图4(e)-图4(h)PSO-BPNN预测结果。
具体实施方式
需要说明的是，在不冲突的情况下，本发明创造中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明创造。
本发明所用的数据来源于污水处理站实测数据，通过PH值、浊度、电导率、URP、UV254、UV280六个水质指标来预测COD、氨氮、总磷、总氮这四个水质指标，实现“6输入4输出”的多目标预测。如图1-2所示，本发明建立的基于HGS的BP神经网络污水指标预测方法主要由HGS算法和BPNN算法构成，其中HGS算法用于寻找BP神经网络最优网络结构和网络参数，BPNN算法则应用HGS算法得到的网络结构和参数进行模型的训练，从而得到一个优化后的神经网络模型,最后运用训练好的模型对新数据进行预测并保存预测结果。具体包括以下步骤：
步骤S1：构建初始BP神经网络；
为了满足污水处理站污水主要指标预测的需要，本发明实施例设定初始BP神经网络为3层结构，神经网络输入层神经元个数m为6，输出神经元个数n为4，并且两者不参与HGS优化；神经网络的隐藏层数量(待优化量)为1，隐藏层神经元个数s由公式(1)确定；
Figure BDA0003962137870000071
其中，函数floor()表示向下取整。这里取a＝5,此时隐藏层神经元个数为8。
步骤S2：利用HGS算法对初始BP神经网络的网络结构和网络参数进行优化，获得适应度最优的种群个体向量；
步骤S3：利用获得的适应度最优的个体向量对BP神经网络结构和参数进行优化获得最优的BP神经网络模型，利用最优的BP神经网络模型对待测污水数据进行预测并获得预测结果。
进一步的，所述步骤S2具体包括：
步骤S2.1初始化种群个体和参数初始化；其中，初始化种群个体包括初始化种群个体数量N和种群个体向量
Figure BDA0003962137870000072
初始化参数包括：数据样本个数K、最大迭代次数Maxiter、总饥饿度SHungry、初始饥饿度hungry；
种群个体向量中必须包含所有待优化的信息，本发明需要优化数据主要分为两类，一类是网络结构；另一类是在指定网络结构下的最优初始权重,因此，定义种群个体向量
Figure BDA0003962137870000073
为一个p维向量，第一维表示神经网络隐藏层数量；第二维到第四维表示神经网络各隐藏层神经元数量s∈[1,13]；第四维以后表示各层之间的权重和偏置，并随机产生N个种群个体向量；
步骤S2.2利用适应度函数对每个种群个体的适应度进行计算；其中，本发明HGS算法的适应度函数是一个多输入单输出的函数，输入是个体向量和BP神经网络训练的基本参数如学习率和最大迭代次数；函数主体是由个体向量解析出的网络结构和初始参数以及BP神经网络基本参数定义的BP神经网络；输出是由个体向量优化的BP神经网络的输出与实际数据的偏差RMSD：
Figure BDA0003962137870000081
其中，k＝1,2,……,K，YPred(k)为神经网络的输出值，YTure(k)为实际数据值；
步骤S2.3将计算获得的种群个体的适应度从小到大排序，其中适应度最优的个体适应度为bF，最差的个体适应度为wF；若bF优于全局最优适应度值BF，则将BF更新为bF，并将该个体向量保存为个体最佳向量；若wF差于全局最差适应度值WF，则将WF更新为wF；然后，根据公式(3)～(5)计算种群个体饥饿度hungry(i)；
Figure BDA0003962137870000082
Figure BDA0003962137870000083
Figure BDA0003962137870000084
其中，i＝1,2,……，N，AllFitness(i)表示每个个体的适应度值，r和r6为[0,1]之间的随机数，UB和LB分别表示搜索空间的上限和下限；LH为H的下界；
步骤S2.4根据公式(6)和公式(7)计算种群个体饥饿度权重
Figure BDA0003962137870000091
和
Figure BDA0003962137870000092
Figure BDA0003962137870000093
Figure BDA0003962137870000094
其中，SHungry表示所有个体的饥饿度总和，r3、r4、r5为[0,1]之间的随机数；l为设置的常数；
步骤S2.5根据公式(8)～(10)，更新个体向量；
Figure BDA0003962137870000095
E＝sech(|AllFitness(i)-BF|) (9)
Figure BDA0003962137870000096
其中，
Figure BDA0003962137870000097
表示当前个体向量，randn表示满足标准正态分布的随机数，t为当前迭代次数，
Figure BDA0003962137870000098
表示全局最优个体向量，
Figure BDA0003962137870000099
是介于[-a，a]的随机数，sech是一个双曲线函数，
Figure BDA00039621378700000910
a＝2*(1-t/Maxiter)，r1、r2和rand均为[0,1]之间的随机数；
步骤S2.6判断迭代次数是否达到最大迭代次数，若是则结束迭代，并对更新后的个体向量计算适应度，获得适应度最优的个体向量；否则返回步骤S2.2重复迭代计算。
为了实现数据的实时处理，本发明还使用一个定时器，该定时器会每隔一段时间扫描数据源文件夹(用于保存下位机采集数据的文件夹)文件数量。如果文件数量增加，则说明下位机传感器采集了新的数据，于是将新采集的数据输入已经训练好的神经网络模型进行预测。最后将预测的结果按照命名规则存放本地指定文件夹中。
图3所示为HGS优化算法性能分析，通过比较PSO优化算法和HGS算法的收敛曲线，可以看出HGS优化速度快，优化得到的适应度函数的输出结果比PSO算法获得的结果更优。
预测的结果分析:图4(a)-(d)为HGS-BP神经网络预测结果；图4(e)-(h)为PSO-BP神经网络预测结果。通过图4(a)和4(e)的对比可以发现，两者都能很好的预测污水中COD含量的趋势，但是HGS-BPNN算法的预测结果与污水中实测COD含量更接近；图4(b)与图4(f)对比可知本发明在每个样本点氨氮预测结果与真实结果最为接近；图4(c)与图4(g)对比可知虽然HGS-BPNN方法总磷含量在样本点6预测精度低于PSO-BPNN方法，但是整体精度优于PSO-BPNN方法；由图4(d)与图4(h)对比可知HGS-BPNN能够更好的预测污水中总氮含量的变化趋势，同时预测精度也比PSO-BPNN方法高。
通过本发明实施例，利用HGS算法对BP神经网络进行优化，相比于传统的BP神经网络，基于HGS的BP神经网络污水水质指标预测方法对数据量的需求更低，能够实现在低数据量情况下水质中的COD、氨氮、总磷、总氮四个水质指标的高精度预测。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，所述的程序可以存储于一计算机可读取存储介质中，所述的存储介质，如ROM/RAM、磁盘、光盘等。
以上所揭露的仅为本发明一种较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。

Claims (8)

1.基于HGS的BP神经网络污水指标预测方法，其特征在于：包括以下步骤：
步骤S1：构建初始BP神经网络；
步骤S2：利用HGS算法对初始BP神经网络的网络结构和网络参数进行优化，获得适应度最优的种群个体向量；
步骤S3：利用获得的适应度最优的种群个体向量对BP神经网络结构和网络参数进行优化获得最优的BP神经网络模型，利用最优的BP神经网络模型对待测污水数据进行预测并获得预测结果。
2.根据权利要求1所述的方法，其特征在于，所述步骤S1中设置初始BP神经网络为3层结构，其中输入层神经元个数m，输出层神经元个数n，隐藏层神经元个数s由公式(1)确定；
Figure FDA0003962137860000011
其中，函数floor()表示向下取整。
3.根据权利要求2所述的方法，其特征在于，初始BP神经网络中输入层神经元个数m为6，输出层神经元个数n为4，q取值为5，隐藏层神经元个数s为8。
4.根据权利要求1所述的方法，其特征在于，所述步骤S2具体包括：
步骤S2.1初始化种群个体和参数初始化；其中，初始化种群个体包括初始化种群个体数量N和种群个体向量
Figure FDA0003962137860000012
初始化参数包括：数据样本个数K、最大迭代次数Maxiter、总饥饿度SHungry、初始饥饿度hungry；
步骤S2.2利用适应度函数RMSD对每个种群个体的适应度进行计算；
步骤S2.3将计算获得的种群个体的适应度从小到大排序，其中适应度最优的个体适应度为bF，最差的个体适应度为wF；若bF优于全局最优适应度值BF，则将BF更新为bF，并将该个体向量保存为个体最佳向量；若wF差于全局最差适应度值WF，则将WF更新为wF；然后，根据公式计算种群个体饥饿度hungry(i)；
Figure FDA0003962137860000021
Figure FDA0003962137860000022
Figure FDA0003962137860000023
其中，i＝1,2,……，N，AllFitness(i)表示每个个体的适应度值，r和r6为[0,1]之间的随机数，UB和LB分别表示搜索空间的上限和下限；LH为H的下界；
步骤S2.4计算种群个体饥饿度权重
Figure FDA0003962137860000024
和
Figure FDA0003962137860000025
Figure FDA0003962137860000026
Figure FDA0003962137860000027
其中，SHungry表示所有个体的饥饿度总和，r3、r4、r5为[0,1]之间的随机数；l为设置的常数；
步骤S2.5根据种群个体饥饿度权重更新个体向量；
Figure FDA0003962137860000028
E＝sech(|AllFitness(i)-BF|) (9)
Figure FDA0003962137860000029
其中，
Figure FDA00039621378600000210
表示当前个体向量，randn表示满足标准正态分布的随机数，t为当前迭代次数，
Figure FDA00039621378600000211
表示全局最优个体向量，
Figure FDA00039621378600000212
是介于[-a，a]的随机数，sech是一个双曲线函数，
Figure FDA00039621378600000213
a＝2*(1-t/Maxiter)，r1、r2和rand均为[0,1]之间的随机数；
步骤S2.6判断迭代次数是否达到最大迭代次数，若是则结束迭代，并对更新后的个体向量计算适应度，获得适应度最优的种群个体向量；否则返回步骤S2.2重复迭代计算。
5.根据权利要求4所述的方法，其特征在于，所述步骤S2.1中初始化种群个体向量包括：定义种群个体向量
Figure FDA0003962137860000031
并随机产生N个种群个体向量；
其中，定义种群个体向量为一个p维向量，第一维表示神经网络隐藏层数量；第二维到第四维表示神经网络各隐藏层神经元数量s∈[1,13]；第四维以后表示各层之间的权重和偏置。
6.根据权利要求4所述的方法，其特征在于，所述步骤S2.2中，适应度函数RMSD为利用对应的种群个体向量优化的神经网络的输出与实际数据的偏差：
Figure FDA0003962137860000032
其中，k＝1,2,……,K，YPred(k)为神经网络的输出值，YTure(k)为实际数据值。
7.根据权利要求1所述的方法，其特征在于，还包括定时器，定时器用于每隔一段时间扫描并获得数据源文件夹中的文件数量；如果文件数量增加，则表示采集了新的数据，则将新采集的数据输入已经优化后的BP神经网络进行预测。
8.根据权利要求1所述的方法，其特征在于，所述步骤S3中对待测污水数据进行预测包括：根据PH值、浊度、电导率、URP、UV254、UV280六个水质指标来预测COD、氨氮、总磷、总氮四个水质指标，实现“6输入4输出”的多目标预测。
CN202211482168.1A 2022-11-24 2022-11-24 基于hgs的bp神经网络污水指标预测方法 Active CN115759437B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211482168.1A CN115759437B (zh) 2022-11-24 2022-11-24 基于hgs的bp神经网络污水指标预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211482168.1A CN115759437B (zh) 2022-11-24 2022-11-24 基于hgs的bp神经网络污水指标预测方法

Publications (2)

Publication Number Publication Date
CN115759437A true CN115759437A (zh) 2023-03-07
CN115759437B CN115759437B (zh) 2024-03-01

Family

ID=85337621

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211482168.1A Active CN115759437B (zh) 2022-11-24 2022-11-24 基于hgs的bp神经网络污水指标预测方法

Country Status (1)

Country Link
CN (1) CN115759437B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113743011A (zh) * 2021-08-31 2021-12-03 华中科技大学 一种基于pso-bp神经网络的设备寿命预测方法和***
CN114037163A (zh) * 2021-11-10 2022-02-11 南京工业大学 一种基于动态权重pso优化bp神经网络的污水处理出水质量预警方法
US20220082545A1 (en) * 2020-09-15 2022-03-17 Beijing University Of Technology Total Nitrogen Intelligent Detection Method Based on Multi-objective Optimized Fuzzy Neural Network
CN115271167A (zh) * 2022-06-23 2022-11-01 合肥工业大学 基于bp神经网络的轮胎硫化质量rfv指标预测方法和***

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220082545A1 (en) * 2020-09-15 2022-03-17 Beijing University Of Technology Total Nitrogen Intelligent Detection Method Based on Multi-objective Optimized Fuzzy Neural Network
CN113743011A (zh) * 2021-08-31 2021-12-03 华中科技大学 一种基于pso-bp神经网络的设备寿命预测方法和***
CN114037163A (zh) * 2021-11-10 2022-02-11 南京工业大学 一种基于动态权重pso优化bp神经网络的污水处理出水质量预警方法
CN115271167A (zh) * 2022-06-23 2022-11-01 合肥工业大学 基于bp神经网络的轮胎硫化质量rfv指标预测方法和***

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
YANG YUTAO等: "Hunger games search: Visions, conception, implementation, deep analysis, perspectives, and towards performance shifts", EXPERT SYSTEMS WITH APPLICATIONS, vol. 177 *
江敏;钱磊;苏学满;: "基于PSO优化的灰色神经网络预测算法的研究", 宁夏师范学院学报, no. 03, pages 54 - 60 *

Also Published As

Publication number Publication date
CN115759437B (zh) 2024-03-01

Similar Documents

Publication Publication Date Title
Liu et al. Inferring gene regulatory networks using the improved Markov blanket discovery algorithm
CN110110862A (zh) 一种基于适应性模型的超参数优化方法
CN110032755B (zh) 多工况下城市污水处理过程多目标优化方法
CN113611356B (zh) 一种基于自监督图表征学习的药物重定位预测方法
CN116542382A (zh) 基于混合优化算法的污水处理溶解氧浓度预测方法
CN112131402A (zh) 一种基于蛋白质家族聚类的ppi知识图谱表示学习方法
Bi et al. A genetic algorithm-assisted deep learning approach for crop yield prediction
CN115329096A (zh) 一种基于图神经网络的交互式知识追踪方法
CN112765902A (zh) 基于TentFWA-GD的RBF神经网络软测量建模方法及其应用
CN113722980A (zh) 海洋浪高预测方法、***、计算机设备、存储介质、终端
CN111832817A (zh) 基于mcp罚函数的小世界回声状态网络时间序列预测方法
CN102521654A (zh) Rna遗传算法的超临界水氧化反应动力学模型参数估计方法
CN114707692A (zh) 基于混合神经网络的湿地出水氨氮浓度预测方法及***
CN101893852A (zh) 一种复杂工业过程的多目标建模方法
CN115759437B (zh) 基于hgs的bp神经网络污水指标预测方法
CN110705704A (zh) 一种基于相关性分析的神经网络自组织遗传进化算法
CN116662893A (zh) 一种基于改进的樽海鞘算法优化svm的水质预测方法
CN113704570B (zh) 基于自监督学习式进化的大规模复杂网络社区检测方法
Pachuau et al. Segmentation of composite signal into harmonic Fourier expansion using genetic algorithm
Li et al. Integrating expert knowledge for Bayesian network structure learning based on intuitionistic fuzzy set and Genetic Algorithm
CN114357869A (zh) 一种基于数据关系学习和预测的多目标优化代理模型设计方法及***
Furze et al. Mathematical methods to quantify and characterise the primary elements of trophic systems
CN112270336A (zh) 一种ga-bp工况识别方法及***
CN116844645B (zh) 一种基于多视角分层超图的基因调控网络推断方法
CN117912573B (zh) 基于深度学习的多层次生物分子网络构建方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
CB02 Change of applicant information
CB02 Change of applicant information

Address after: No.29 Zhujiang Road, Hexi District, Tianjin

Applicant after: Tianjin Water Conservancy Engineering Group Co.,Ltd.

Address before: No.29 Zhujiang Road, Hexi District, Tianjin

Applicant before: TIANJIN MUNICIPAL WATER LIMITED CONSERVANCY

SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant