CN117637063B - 一种水质测量方法、装置、设备和存储介质 - Google Patents
一种水质测量方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN117637063B CN117637063B CN202410036526.9A CN202410036526A CN117637063B CN 117637063 B CN117637063 B CN 117637063B CN 202410036526 A CN202410036526 A CN 202410036526A CN 117637063 B CN117637063 B CN 117637063B
- Authority
- CN
- China
- Prior art keywords
- current iteration
- error
- training data
- value
- state value
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 81
- 238000000691 measurement method Methods 0.000 title claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 121
- 238000005259 measurement Methods 0.000 claims abstract description 58
- 239000010865 sewage Substances 0.000 claims abstract description 34
- 238000000034 method Methods 0.000 claims abstract description 32
- IJGRMHOSHXDMSA-UHFFFAOYSA-N nitrogen Substances N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims description 58
- 229910052757 nitrogen Inorganic materials 0.000 claims description 30
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 18
- 238000010606 normalization Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 11
- MMDJDBSEMBIJBB-UHFFFAOYSA-N [O-][N+]([O-])=O.[O-][N+]([O-])=O.[O-][N+]([O-])=O.[NH6+3] Chemical compound [O-][N+]([O-])=O.[O-][N+]([O-])=O.[O-][N+]([O-])=O.[NH6+3] MMDJDBSEMBIJBB-UHFFFAOYSA-N 0.000 claims description 10
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 10
- 239000001301 oxygen Substances 0.000 claims description 10
- 229910052760 oxygen Inorganic materials 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 10
- VHUUQVKOLVNVRT-UHFFFAOYSA-N Ammonium hydroxide Chemical compound [NH4+].[OH-] VHUUQVKOLVNVRT-UHFFFAOYSA-N 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 230000007246 mechanism Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 11
- 230000002159 abnormal effect Effects 0.000 description 10
- 238000013528 artificial neural network Methods 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000012360 testing method Methods 0.000 description 5
- 230000003044 adaptive effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 3
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 101100042909 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) SNO2 gene Proteins 0.000 description 2
- XOLBLPGZBRYERU-UHFFFAOYSA-N SnO2 Inorganic materials O=[Sn]=O XOLBLPGZBRYERU-UHFFFAOYSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012851 eutrophication Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000005375 photometry Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
Landscapes
- Activated Sludge Processes (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种水质测量方法、装置、设备和存储介质，方法包括：获取若干组训练数据并确定各训练数据的标签；通过训练数据迭代训练基准网络，根据基准网络输出的预测值和对应的标签计算误差值；基于相邻两次迭代得到的误差值计算误差状态值，若当前迭代的误差状态值满足预置条件，则通过当前迭代的误差值更新基准网络的网络参数，若当前迭代的误差状态值不满足预置条件，则不更新基准网络的网络参数，直至基准网络收敛，得到测量模型；通过测量模型对污水处理厂进行水质测量，得到污水处理厂的水质测量结果。本申请改善了现有技术无法有效提取原始数据集中的有效特征，导致测量结果准确性不高的技术问题。
Description
技术领域
本申请涉及水质测量技术领域，尤其涉及一种水质测量方法、装置、设备和存储介质。
背景技术
随着对生活环境的需求逐渐增加，污水排放标准也越来越严格。出水氨氮(effluent ammonia，SNHe)浓度和出水总氮(Total nitrogen，TN)浓度不仅是水质最重要的参数，也是污水处理工艺(污水处理厂)排放标准的核心指标，SNHe和TN不仅与过度排放引起的罚款有关，而且与水的富营养化程度密切相关。因此，加强对SNHe、TN的检测，有助于及时的发现并有效的解决水质富营养化问题。目前，出水氨氮和出水总氮的测量方法有很多，如紫外吸收光度法、氨氮测定、以及分步分别测出相关元素再相加等。虽然这些测量方法具有较高的测量精度，但它们繁琐、费时、费力以及需要在特殊的实验室进行测试，不能实时满足实时要求。
而基于数据驱动的软测量技术可以实现快速、准确的在线预测，可以克服化学方法和在线仪器测量的固有缺陷。常规的数据驱动方法数据表示能力较弱，因为基于基准网络的预测模型通常基于简单的基准网络结构来实现，它不能从污水处理厂收集的原始数据中提取出有效的特征，而在一些实际项目中，原始数据往往包含噪声和干扰。在这种情况下，数据集的有效特征将是确保基准网络模型能准确反映实际情况的关键，因此，缺少有效的特征往往会导致基准网络的性能变差。
发明内容
本申请提供了一种水质测量方法、装置、设备和存储介质，用于改善现有技术无法有效提取原始数据集中的有效特征，导致测量结果准确性不高的技术问题。
有鉴于此，本申请第一方面提供了一种水质测量方法，包括：
获取若干组训练数据并确定各训练数据的标签，所述训练数据包括硝态氮浓度、溶解氧溶度、进水总氮浓度、进水悬浮物浓度，标签为出水氨氮浓度或出水总氮浓度；
通过所述训练数据迭代训练基准网络，根据基准网络输出的预测值和对应的标签计算误差值；
基于相邻两次迭代得到的误差值计算误差状态值，若当前迭代的误差状态值满足预置条件，则通过当前迭代的误差值更新基准网络的网络参数，若当前迭代的误差状态值不满足预置条件，则不更新基准网络的网络参数，直至基准网络收敛，得到测量模型；
通过所述测量模型对污水处理厂进行水质测量，得到污水处理厂的水质测量结果。
可选的，所述方法还包括：
构建基准网络，所述基准网络包括输入层、隶属函数层、模糊规则层、归一化层和输出层；
所述通过所述训练数据迭代训练基准网络，包括：
将所述训练数据输入到基准网络的输入层中；
通过所述隶属函数层计算所述训练数据的隶属度；
通过所述模糊规则层对所述训练数据的隶属度进行模糊处理，得到所述训练数据的模糊特征；
通过所述归一化层对所述训练数据的模糊特征进行归一化处理，得到所述训练数据的归一化模糊特征；
通过所述输出层对所述训练数据的归一化模糊特征进行去模糊处理，输出所述训练数据的预测值。
可选的，所述基于相邻两次迭代得到的误差值计算误差状态值，包括：
计算当前迭代得到的误差值与上一迭代得到的误差值的偏差，得到当前迭代的第一误差状态值；
计算当前迭代的第一误差状态值与上一迭代的第一误差状态值的差值，得到当前迭代的第二误差状态值。
可选的，当前迭代的误差状态值是否满足预置条件的获取过程包括：
判断当前迭代的第一误差状态值和第二误差状态值是否均小于预置阈值，若是，则判定当前迭代的误差状态值满足预置条件，若否，则判定当前迭代的误差状态值不满足预置条件。
可选的，所述通过当前迭代的误差值更新基准网络的网络参数，包括：
根据当前迭代的误差值计算当前迭代的学习率；
通过当前迭代的学习率和梯度更新基准网络的网络参数。
可选的，所述根据当前迭代的误差值计算当前迭代的学习率，包括：
计算当前迭代的误差值的1范数和2范数；
基于预置条件参数对当前迭代的误差值的1范数和2范数进行加权求和，得到当前迭代的学习率。
可选的，所述通过所述测量模型对污水处理厂进行水质测量，得到污水处理厂的水质测量结果，包括：
采集污水处理厂的水质参数；
将所述水质参数输入到所述测量模型中进行出水氨氮浓度预测或出水总氮浓度预测，得到污水处理厂的水质测量结果。
本申请第二方面提供了一种水质测量装置，包括：
数据获取单元，用于获取若干组训练数据并确定各训练数据的标签，所述训练数据包括硝态氮浓度、溶解氧溶度、进水总氮浓度、进水悬浮物浓度，标签为出水氨氮浓度或出水总氮浓度；
训练单元，用于通过所述训练数据迭代训练基准网络，根据基准网络输出的预测值和对应的标签计算误差值；
参数更新单元，用于基于相邻两次迭代得到的误差值计算误差状态值，若当前迭代的误差状态值满足预置条件，则通过当前迭代的误差值更新基准网络的网络参数，若当前迭代的误差状态值不满足预置条件，则不更新基准网络的网络参数，直至基准网络收敛，得到测量模型；
测量单元，用于通过所述测量模型对污水处理厂进行水质测量，得到污水处理厂的水质测量结果。
本申请第三方面提供了一种电子设备，所述设备包括处理器以及存储器；
所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
所述处理器用于根据所述程序代码中的指令执行第一方面任一种所述的水质测量方法。
本申请第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质用于存储程序代码，所述程序代码被处理器执行时实现第一方面任一种所述的水质测量方法。
从以上技术方案可以看出，本申请具有以下优点：
本申请提供了一种水质测量方法，包括：获取若干组训练数据并确定各训练数据的标签，训练数据包括硝态氮浓度、溶解氧溶度、进水总氮浓度、进水悬浮物浓度，标签为出水氨氮浓度或出水总氮浓度；通过训练数据迭代训练基准网络，根据基准网络输出的预测值和对应的标签计算误差值；基于相邻两次迭代得到的误差值计算误差状态值，若当前迭代的误差状态值满足预置条件，则通过当前迭代的误差值更新基准网络的网络参数，若当前迭代的误差状态值不满足预置条件，则不更新基准网络的网络参数，直至基准网络收敛，得到测量模型；通过测量模型对污水处理厂进行水质测量，得到污水处理厂的水质测量结果。
本申请中，在通过训练数据迭代训练基准网络时，根据各迭代中的误差值获取误差状态值，通过误差状态值确定是否更新网络参数，对于误差状态值不满足预置条件时，则不更新网络参数，即对于异常数据或让基准网络性能变差的训练数据，不反向传播回去更新网络参数，从而达到对原始数据集进行有效特征提取和提高数据有效性的目的，有助于提高模型预测结果的准确性，改善了现有技术无法有效提取原始数据集中的有效特征，导致测量结果准确性不高的技术问题。
附图说明
为了更清楚地说明本申请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申请的一些实施例，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它的附图。
图1为本申请实施例提供的一种水质测量方法的一个流程示意图；
图2为本申请实施例提供的一种水质测量***的一个结构示意图；
图3为本申请实施例提供的一种事件定义示意图；
图4为本申请实施例提供的不同网络SNHe建模的RMSE曲线对比示意图；
图5为本申请实施例提供的SNHe建模中两种融合事件机制的网络触发情况示意图；
图6为本申请实施例提供的不同网络SNHe建模效果对比示意图；
图7为本申请实施例提供的不同网络针对SNHe的预测误差示意图；
图8为本申请实施例提供的不同网络TN建模的RMSE曲线对比示意图；
图9为本申请实施例提供的TN建模中两种融合事件机制的网络触发情况示意图；
图10为本申请实施例提供的不同网络TN建模效果对比示意图；
图11为本申请实施例提供的不同网络针对TN的预测误差示意图；
图12为本申请实施例提供的一种水质测量装置的一个结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
为了便于理解，请参阅图1，本申请实施例提供了一种水质测量方法，包括：
步骤101、获取若干组训练数据并确定各训练数据的标签。
本申请实施例中，训练数据包括硝态氮浓度、溶解氧溶度、进水总氮浓度、进水悬浮物浓度，标签为出水氨氮浓度或出水总氮浓度。可以从由国际水协会和欧盟联合开发的污水处理基准仿真1号模型(benchmark simulation model No.1，BSM1)中采集数据，采样时间可以为15分钟，总共采集14天。所采集的数据有图2Unit2中的硝态氮浓度(SNO2)，Unit3、Unit4以及Unit5中的溶解氧溶度(SO3、SO4、SO5)，进水总氮浓度(TNin)、进水悬浮物浓度(TSS)，出水氨氮浓度以及出水总氮浓度。
在获取出水氨氮软测量模型时，输入数据为：SNO2，SO3，SO4，SO5，TNin，TSS，输出数据(即标签)为：出水氨氮浓度；在获取出水总氮软测量模型时，输入数据同样为：SNO2，SO3，SO4，SO5，TNin，输出数据(即标签)为出水总氮浓度。确定输入输出数据后，可以对输入数据进行归一化处理。
步骤102、通过训练数据迭代训练基准网络，根据基准网络输出的预测值和对应的标签计算误差值。
构建基准网络，将训练数据输入到基准网络中对其进行迭代训练。需要说明的是，基准网络可以采用现有的卷积神经网络结构，本申请实施例中优选采用递归模糊神经网络(recursive fuzzy neural network，RFNN)作为基准网络，请参考图2，本申请实施例中的基准网络包括输入层(Input layer)、隶属函数层(Membership function layer)、模糊规则层(Rule layer)、归一化层(Normalization layer)和输出层(Output layer)，训练时，训练数据首先经过输入层，在输入层训练数据Xi＝[x1,x2,...,xn]T直接移动到下一层，xi为训练数据的第i个输入特征，输入特征包括硝态氮浓度、溶解氧溶度、进水总氮浓度、进水悬浮物浓度，n为训练数据的维数，即训练数据中输入特征的数量，在本申请实施例中，n＝5。
训练数据到达隶属函数层，在隶属函数层每个神经元代表一个语言变量值，隶属函数层用于计算训练数据的隶属度，在迭代过程中需要更新高斯隶属度函数的中心c和宽度σ，隶属函数层具体可表示为：
式中，μij(xi)为训练数据的第i个输入特征xi的隶属度；cij为第i个输入特征的第j个高斯隶属度函数的中心。
模糊规则层中每个神经元代表一条模糊规则，通过模糊规则层对训练数据的隶属度进行模糊处理，得到训练数据的模糊特征，模糊规则层可以表示为：
hi＝ψi(t-1)βi(t)
式中，ψi(xi)为输入特征xi的模糊特征，f为反馈函数，h为内部变量，Ψi(t-1)为模糊规则层在第t-1次迭代过程的输出，βi(t)为递归链路在第t-1次迭代过程的反馈权重；
通过归一化层对训练数据的模糊特征进行归一化处理，得到训练数据的归一化模糊特征，归一化层可以表示为：
式中，αi(xi)为输入特征xi的归一化模糊特征，u表示模糊规则的数目；
输出层也为去模糊层，通过输出层对训练数据的归一化模糊特征进行去模糊处理，输出训练数据的预测值，输出层可以表示为：
式中，yi为训练数据Xi对应的出水氨氮浓度预测值或出水总氮浓度预测值，ωi为第i条模糊规则的输出权重。
根据基准网络输出的预测值yi和对应的标签计算误差值ei，在一些示例实施例中，可以通过计算预测值与标签的差值得到误差值，即/>
步骤103、基于相邻两次迭代得到的误差值计算误差状态值，若当前迭代的误差状态值满足预置条件，则通过当前迭代的误差值更新基准网络的网络参数，若当前迭代的误差状态值不满足预置条件，则不更新基准网络的网络参数，直至基准网络收敛，得到测量模型。
计算当前迭代得到的误差值与上一迭代得到的误差值的偏差，得到当前迭代的第一误差状态值。具体的，定义一个变量γ，用来评估训练过程中误差减小的趋势，具体通过计算当前迭代t的各训练数据的误差值的平均值，得到当前迭代t的平均误差，然后计算当前迭代的平均误差与上一迭代t-1的平均误差的差值，得到当前迭代t的第一误差状态值γ(t)，即：
γ(t)＝MSE(t)-MSE(t-1)
式中，yi(t)为第t次迭代的第i个训练数据的标签，为第t次迭代的第i个训练数据的预测值，/>为第t次迭代的第i个训练数据的误差值，MSE(t)为第t次迭代的平均误差，MSE(t-1)为第t-1次迭代的平均误差，N为当前迭代输入的训练数据的数量；
计算当前迭代t的第一误差状态值γ(t)与上一迭代t-1的第一误差状态值γ(t-1)的差值，得到当前迭代t的第二误差状态值κ(t)，即κ(t)＝γt)-γ(t-1)，第二误差状态值κ(t)为误差下降趋势。
判断当前迭代的第一误差状态值γ(t)和第二误差状态值κ(t)是否均小于预置阈值，若是，则判定当前迭代的误差状态值满足预置条件，若否，则判定当前迭代的误差状态值不满足预置条件。
具体的，假设(γ(t),κ(t))为一种基于误差状态的事件，基准网络在训练过程中，所有发生的事件可以被定义为：
从图3中可以发现，当事件1(Event1)发生时，意味着误差越来越大，并且误差有上升趋势；当事件2(Event2)发生时，意味着此时正处于误差波动状态，忽大忽小；当事件3(Event3)发生时，意味着此时误差越来越小，并且误差下降趋势越来越不明显；当事件4(Event4)发生时，同事件3一样，意味着误差越来越小，并且误差下降趋势越来越明显。
从图3中可以发现，当事件4发生时，此时的训练数据更加有效，这说明需要更新此时的网络参数。其他事件发生时，可能此时的训练数据是无效的，提取到的特征是无效特征，因此不进行权重更新，即对于异常数据或者让网络性能变差的训练数据，不反向传播回去更新网络，也即相当于剔除异常数据，从而达到对原始数据集进行有效特征提取和提高数据有效性的目的。也就是说，当事件1、事件2、事件3发生时，不更新此时的网络参数，当事件4发生生，更新此时的网络参数。本申请实施例提出的事件驱动触发机制，能够作为一个特征提取器，对于让网络精度变差的数据，简称异常数据，不反向传播回去更新网络参数，从而提高网络预测精度。
训练数据经过上述五层之后，神经网络的前向传播就结束，后面需用误差反向传播回去，传统方法是采样基于梯度下降的误差反向传播算法(EBP)，然而该算法收敛速度较慢，容易陷入局部最优，很难得到最优解，导致模型预测结果准确性不高且训练时间长。列文伯格-马夸特(Levenberg-Marquardt，LM)算法作为一种典型的二阶算法，具有梯度下降法和牛顿法的优点，该算法具有收敛速度快，精度高等特点，本申请实施例对LM算法中的学习率进行改进，以进一步提高模型预测精度。
本申请实施例中，基准网络的所有网络参数Ω(如中心c、宽度σ、反馈权重β以及输出权重ω的)的更新公式可以表示为：
其中，Q(t)为第t次迭代的伪海森矩阵，g(t)为第t次迭代的梯度向量，λ(t)为第t次迭代的学习率。
λ(t)的取值将影响最终的水质测量效果，为了加快递归模糊神经网络的学习速度，本申请实施例对学习率进行改进，根据当前迭代的误差值计算当前迭代的学习率，具体的，计算当前迭代的误差值的1范数和2范数；基于预置条件参数对当前迭代的误差值的1范数和2范数进行加权求和，得到当前迭代的学习率，即：
式中，θ为调节参数，可以将其设置为0.3，为第t次迭代的误差向量，p为第t次迭代批量输入的训练数据的数量，在该学习率中，通过引入1范数和2范数作为惩罚因子来提高模型的自适应学习能力，从而达到误差较大时以较大的步长进行学习，误差小时，以较小的步长进行学习。
当基准网络的迭代训练次数达到最大迭代次数或误差值低于误差阈值或误差值收敛于某一数值附近，则判定基准网络收敛，得到训练好的测量模型。
在训练结束后，可以从污水处理基准仿真1号模型中获取测试数据，将测试数据输入到训练好的测量模型中，得到测试数据的水质测量结果，然后可以采用均方根误差(RMSE)，平均绝对误差(MAPE)以及准确率(Accuracy)来评价测量效果，其中，RMSE、MAPE和Accuracy的计算公式为：
式中，ei为第i个测试数据的误差值。
本申请实施例通过对比实验验证本申请所提方法的优越性，通过普通的基于EBP的模糊神经网络(FNN_EBP)对出水氨氮浓度、出水总氮浓度进行软测量，再将事件驱动触发机制加入FNN_EBP网络，组合成基于事件驱动的EBP模糊神经网络(EFNN_EBP)验证事件驱动触发机制的有效性；用改进的自适应递归神经网络(ARFNN)对出水氨氮浓度、出水总氮浓度进行软测量，同样再将事件驱动触发机制加入ARFNN网络，组成基于事件驱动的ARFNN网络(EARFNN)。即通过对比FNN_EBP，EFNN_EBP，ARFNN，EARFNN四种网络的软测量结果，来验证融合了改进的自适应LM算法和事件驱动机制的EARFNNN模型的优越性。具体结果请参考图4～图11，本申请实施例提出的事件驱动触发机制，能够作为一个特征提取器，对于让网络精度变差的数据，简称异常数据，不反向传播回去更新网络参数，从而使网络精度更高，图5和图9为分别对出水氨氮浓度和出水总氮浓度训练时的事件触发情况，再通过FNN_EBP与EFNN_EBP对比，ARFNN与EARFNN对比，可以看出事件驱动触发机制能够有效提高软测量的精确度，降低误差。
本申请实施例提出的改进后的自适应LM算法，收敛速度比传统的EBP算法更快，图4和图8明显反映出了这一点。ARFNN与事件驱动触发机制结合组成EARFNN模型，虽然牺牲了部分收敛速度，但能保证每次迭代之后，精度都会提高，不会像ARFNN中出现越训练精度低的情况，从而保证了EARFNN模型综合表现要优于ARFNN。
通过上述的对比实验，可以得出，ARFNN在针对出水氨氮浓度和出水总氮浓度的软测量中，精度最高，且RMSE和MAPE综合最优，即本申请实施例提出的融合了事件驱动触发机制和自适应LM的EARFNN模型在软测量中具有一定的竞争力。
本申请实施例，针对现有技术无法从数据集中提取有效特征所导致的测量结果准确性不高的问题，采用基于事件驱动的触发机制，该机制可以有效提取原始数据中的有效特征，对于异常数据或者让网络性能变差的数据，不反向传播回去更新网络，即相当于剔除该异常数据，从而达到对原始数据集进行有效特征提取和提高数据有效性的目的；针对现有的神经网络采用误差反向传播方法进行网络优化所存在的收敛速度慢，容易陷入局部最优，导致测量结果精度不高的问题，本申请实施例采用改进的列文伯格-马夸特方法替代误差反向传播方法，通过在学习率中引入1范数和2范数作为惩罚因子来提高模型的自适应学习能力，从而达到误差较大时以较大的步长学习，误差小时，以较小的步长学习，从而提高网络收敛速度，避免陷入局部最优，从而提高测量结果精度。
步骤104、通过测量模型对污水处理厂进行水质测量，得到污水处理厂的水质测量结果。
采集污水处理厂的水质参数，包括硝态氮浓度、溶解氧溶度、进水总氮浓度、进水悬浮物浓度；将水质参数输入到测量模型中进行出水氨氮浓度预测或出水总氮浓度预测，得到污水处理厂的水质测量结果。
本申请实施例中，在通过训练数据迭代训练基准网络时，根据各迭代中的误差值获取误差状态值，通过误差状态值确定是否更新网络参数，对于误差状态值不满足预置条件时，则不更新网络参数，即对于异常数据或让基准网络性能变差的训练数据，不反向传播回去更新网络参数，从而达到对原始数据集进行有效特征提取和提高数据有效性的目的，有助于提高模型预测结果的准确性，改善了现有技术无法有效提取原始数据集中的有效特征，导致测量结果准确性不高的技术问题。
以上为本申请提供的一种水质测量方法的一个实施例，以下为本申请提供的一种水质测量装置的一个实施例。
请参考图12，本申请实施例提供的一种水质测量装置，包括：
数据获取单元，用于获取若干组训练数据并确定各训练数据的标签，训练数据包括硝态氮浓度、溶解氧溶度、进水总氮浓度、进水悬浮物浓度，标签为出水氨氮浓度或出水总氮浓度；
训练单元，用于通过训练数据迭代训练基准网络，根据基准网络输出的预测值和对应的标签计算误差值；
参数更新单元，用于基于相邻两次迭代得到的误差值计算误差状态值，若当前迭代的误差状态值满足预置条件，则通过当前迭代的误差值更新基准网络的网络参数，若当前迭代的误差状态值不满足预置条件，则不更新基准网络的网络参数，直至基准网络收敛，得到测量模型；
测量单元，用于通过测量模型对污水处理厂进行水质测量，得到污水处理厂的水质测量结果。
作为进一步地改进，装置还包括：
网络构建单元，用于构建基准网络，基准网络包括输入层、隶属函数层、模糊规则层、归一化层和输出层；
训练单元，具体用于：
将训练数据输入到基准网络的输入层中；
通过隶属函数层计算训练数据的隶属度；
通过模糊规则层对训练数据的隶属度进行模糊处理，得到训练数据的模糊特征；
通过归一化层对训练数据的模糊特征进行归一化处理，得到训练数据的归一化模糊特征；
通过输出层对训练数据的归一化模糊特征进行去模糊处理，输出训练数据的预测值；
根据基准网络输出的预测值和对应的标签计算误差值。
作为进一步地改进，测量单元，具体用于：
采集污水处理厂的水质参数；
将水质参数输入到测量模型中进行出水氨氮浓度预测或出水总氮浓度预测，得到污水处理厂的水质测量结果。
本申请实施例中，在通过训练数据迭代训练基准网络时，根据各迭代中的误差值获取误差状态值，通过误差状态值确定是否更新网络参数，对于误差状态值不满足预置条件时，则不更新网络参数，即对于异常数据或让基准网络性能变差的训练数据，不反向传播回去更新网络参数，从而达到对原始数据集进行有效特征提取和提高数据有效性的目的，有助于提高模型预测结果的准确性，改善了现有技术无法有效提取原始数据集中的有效特征，导致测量结果准确性不高的技术问题。
本申请实施例还提供了一种电子设备，设备包括处理器以及存储器；
存储器用于存储程序代码，并将程序代码传输给处理器；
处理器用于根据程序代码中的指令执行前述方法实施例中的水质测量方法。
本申请实施例还提供了一种计算机可读存储介质，计算机可读存储介质用于存储程序代码，程序代码被处理器执行时实现前述方法实施例中的水质测量方法。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)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，以便这里描述的本申请的实施例例如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、***、产品或设备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。
应当理解，在本申请中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：只存在A，只存在B以及同时存在A和B三种情况，其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以通过一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(英文全称：Read-OnlyMemory，英文缩写：ROM)、随机存取存储器(英文全称：Random Access Memory，英文缩写：RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (5)
1.一种水质测量方法，其特征在于，包括：
获取若干组训练数据并确定各训练数据的标签，所述训练数据包括硝态氮浓度、溶解氧溶度、进水总氮浓度、进水悬浮物浓度，标签为出水氨氮浓度或出水总氮浓度；
通过所述训练数据迭代训练基准网络，根据基准网络输出的预测值和对应的标签计算误差值；
基于相邻两次迭代得到的误差值计算误差状态值，若当前迭代的误差状态值满足预置条件，则通过当前迭代的误差值更新基准网络的网络参数，若当前迭代的误差状态值不满足预置条件，则不更新基准网络的网络参数，直至基准网络收敛，得到测量模型；
通过所述测量模型对污水处理厂进行水质测量，得到污水处理厂的水质测量结果；
所述方法还包括：
构建基准网络，所述基准网络包括输入层、隶属函数层、模糊规则层、归一化层和输出层；
所述通过所述训练数据迭代训练基准网络，包括：
将所述训练数据输入到基准网络的输入层中；
通过所述隶属函数层计算所述训练数据的隶属度；
通过所述模糊规则层对所述训练数据的隶属度进行模糊处理，得到所述训练数据的模糊特征；
通过所述归一化层对所述训练数据的模糊特征进行归一化处理，得到所述训练数据的归一化模糊特征；
通过所述输出层对所述训练数据的归一化模糊特征进行去模糊处理，输出所述训练数据的预测值；
所述基于相邻两次迭代得到的误差值计算误差状态值，包括：
计算当前迭代得到的误差值与上一迭代得到的误差值的偏差，得到当前迭代的第一误差状态值；
计算当前迭代的第一误差状态值与上一迭代的第一误差状态值的差值，得到当前迭代的第二误差状态值；
当前迭代的误差状态值是否满足预置条件的获取过程包括：
判断当前迭代的第一误差状态值和第二误差状态值是否均小于预置阈值，若是，则判定当前迭代的误差状态值满足预置条件，若否，则判定当前迭代的误差状态值不满足预置条件；
所述通过当前迭代的误差值更新基准网络的网络参数，包括：
根据当前迭代的误差值计算当前迭代的学习率；
通过当前迭代的学习率和梯度更新基准网络的网络参数，基准网络的网络参数的更新公式为：
其中，Ω(t+1)为基准网络更新后的网络参数，网络参数包括中心c、宽度σ、反馈权重β以及输出权重ω；Q(t)为第t次迭代的伪海森矩阵，g(t)为第t次迭代的梯度向量，λ(t)为第t次迭代的学习率；Event4表示当前迭代t的误差状态值满足预置条件，Otherwise表示当前迭代t的误差状态值不满足预置条件；
所述根据当前迭代的误差值计算当前迭代的学习率，包括：
计算当前迭代的误差值的1范数和2范数；
基于预置条件参数对当前迭代的误差值的1范数和2范数进行加权求和，得到当前迭代的学习率。
2.根据权利要求1所述的水质测量方法，其特征在于，所述通过所述测量模型对污水处理厂进行水质测量，得到污水处理厂的水质测量结果，包括：
采集污水处理厂的水质参数；
将所述水质参数输入到所述测量模型中进行出水氨氮浓度预测或出水总氮浓度预测，得到污水处理厂的水质测量结果。
3.一种水质测量装置，其特征在于，包括：
数据获取单元，用于获取若干组训练数据并确定各训练数据的标签，所述训练数据包括硝态氮浓度、溶解氧溶度、进水总氮浓度、进水悬浮物浓度，标签为出水氨氮浓度或出水总氮浓度；
训练单元，用于通过所述训练数据迭代训练基准网络，根据基准网络输出的预测值和对应的标签计算误差值；
参数更新单元，用于基于相邻两次迭代得到的误差值计算误差状态值，若当前迭代的误差状态值满足预置条件，则通过当前迭代的误差值更新基准网络的网络参数，若当前迭代的误差状态值不满足预置条件，则不更新基准网络的网络参数，直至基准网络收敛，得到测量模型；
测量单元，用于通过所述测量模型对污水处理厂进行水质测量，得到污水处理厂的水质测量结果；
装置还包括：
网络构建单元，用于构建基准网络，基准网络包括输入层、隶属函数层、模糊规则层、归一化层和输出层；
训练单元，具体用于：
将训练数据输入到基准网络的输入层中；
通过隶属函数层计算训练数据的隶属度；
通过模糊规则层对训练数据的隶属度进行模糊处理，得到训练数据的模糊特征；
通过归一化层对训练数据的模糊特征进行归一化处理，得到训练数据的归一化模糊特征；
通过输出层对训练数据的归一化模糊特征进行去模糊处理，输出训练数据的预测值；
根据基准网络输出的预测值和对应的标签计算误差值；
所述基于相邻两次迭代得到的误差值计算误差状态值，包括：
计算当前迭代得到的误差值与上一迭代得到的误差值的偏差，得到当前迭代的第一误差状态值；
计算当前迭代的第一误差状态值与上一迭代的第一误差状态值的差值，得到当前迭代的第二误差状态值；
当前迭代的误差状态值是否满足预置条件的获取过程包括：
判断当前迭代的第一误差状态值和第二误差状态值是否均小于预置阈值，若是，则判定当前迭代的误差状态值满足预置条件，若否，则判定当前迭代的误差状态值不满足预置条件；
所述通过当前迭代的误差值更新基准网络的网络参数，包括：
根据当前迭代的误差值计算当前迭代的学习率；
通过当前迭代的学习率和梯度更新基准网络的网络参数，基准网络的网络参数的更新公式为：
其中，Ω(t+1)为基准网络更新后的网络参数，网络参数包括中心c、宽度σ、反馈权重β以及输出权重ω；Q(t)为第t次迭代的伪海森矩阵，g(t)为第t次迭代的梯度向量，λ(t)为第t次迭代的学习率；Event4表示当前迭代t的误差状态值满足预置条件，Otherwise表示当前迭代t的误差状态值不满足预置条件；
所述根据当前迭代的误差值计算当前迭代的学习率，包括：
计算当前迭代的误差值的1范数和2范数；
基于预置条件参数对当前迭代的误差值的1范数和2范数进行加权求和，得到当前迭代的学习率。
4.一种电子设备，其特征在于，所述设备包括处理器以及存储器；
所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
所述处理器用于根据所述程序代码中的指令执行权利要求1-2任一项所述的水质测量方法。
5.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质用于存储程序代码，所述程序代码被处理器执行时实现权利要求1-2任一项所述的水质测量方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410036526.9A CN117637063B (zh) | 2024-01-10 | 2024-01-10 | 一种水质测量方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410036526.9A CN117637063B (zh) | 2024-01-10 | 2024-01-10 | 一种水质测量方法、装置、设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117637063A CN117637063A (zh) | 2024-03-01 |
| CN117637063B true CN117637063B (zh) | 2024-05-31 |
Family
ID=90020227
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410036526.9A Active CN117637063B (zh) | 2024-01-10 | 2024-01-10 | 一种水质测量方法、装置、设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117637063B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108469507A (zh) * | 2018-03-13 | 2018-08-31 | 北京工业大学 | 一种基于自组织rbf神经网络的出水bod软测量方法 |
| CN109272037A (zh) * | 2018-09-17 | 2019-01-25 | 江南大学 | 一种应用于红外火焰识别的自组织ts型模糊网络建模方法 |
| US10678196B1 (en) * | 2020-01-27 | 2020-06-09 | King Abdulaziz University | Soft sensing of a nonlinear and multimode processes based on semi-supervised weighted Gaussian regression |
| CN111354423A (zh) * | 2020-02-29 | 2020-06-30 | 北京工业大学 | 一种基于多元时间序列分析的自组织递归模糊神经网络的出水氨氮浓度预测方法 |
| CN112599205A (zh) * | 2020-12-28 | 2021-04-02 | 清华大学 | 事件驱动的污水处理过程出水总磷软测量模型设计方法 |
| CN112949894A (zh) * | 2020-12-10 | 2021-06-11 | 北京工业大学 | 一种基于简化型长短期记忆神经网络的出水bod预测方法 |
| CN112967763A (zh) * | 2021-03-08 | 2021-06-15 | 北京北排水环境发展有限公司 | 基于模糊神经网络的出水总磷预测方法、电子设备及介质 |
| CN113866375A (zh) * | 2021-09-17 | 2021-12-31 | 华南师范大学 | 出水含氮物智能在线监测方法和*** |
| KR20220005955A (ko) * | 2020-07-07 | 2022-01-14 | 주식회사 위코테크 | 머신 런닝 플랫폼 기반 지능형 수처리 공정 관리 시스템 |
| CN116187422A (zh) * | 2023-02-09 | 2023-05-30 | 平安壹钱包电子商务有限公司 | 神经网络的参数更新方法及相关设备 |
| WO2023236260A1 (zh) * | 2022-06-09 | 2023-12-14 | 苏州大学 | 基于复数值加速算法的短期风速预测方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6950813B2 (en) * | 2001-04-23 | 2005-09-27 | Hrl Laboratories, Llc | Fuzzy inference network for classification of high-dimensional data |
| CN110647037B (zh) * | 2019-09-23 | 2022-03-15 | 北京工业大学 | 一种基于二型模糊神经网络的污水处理过程协同控制方法 |
| CN112183719B (zh) * | 2020-09-15 | 2024-02-02 | 北京工业大学 | 一种基于多目标优化-模糊神经网络的出水总氮智能检测方法 |
| US20230018960A1 (en) * | 2021-07-16 | 2023-01-19 | SparkCognition, Inc. | Systems and methods of assigning a classification to a state or condition of an evaluation target |
-
2024
- 2024-01-10 CN CN202410036526.9A patent/CN117637063B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108469507A (zh) * | 2018-03-13 | 2018-08-31 | 北京工业大学 | 一种基于自组织rbf神经网络的出水bod软测量方法 |
| CN109272037A (zh) * | 2018-09-17 | 2019-01-25 | 江南大学 | 一种应用于红外火焰识别的自组织ts型模糊网络建模方法 |
| US10678196B1 (en) * | 2020-01-27 | 2020-06-09 | King Abdulaziz University | Soft sensing of a nonlinear and multimode processes based on semi-supervised weighted Gaussian regression |
| CN111354423A (zh) * | 2020-02-29 | 2020-06-30 | 北京工业大学 | 一种基于多元时间序列分析的自组织递归模糊神经网络的出水氨氮浓度预测方法 |
| KR20220005955A (ko) * | 2020-07-07 | 2022-01-14 | 주식회사 위코테크 | 머신 런닝 플랫폼 기반 지능형 수처리 공정 관리 시스템 |
| CN112949894A (zh) * | 2020-12-10 | 2021-06-11 | 北京工业大学 | 一种基于简化型长短期记忆神经网络的出水bod预测方法 |
| CN112599205A (zh) * | 2020-12-28 | 2021-04-02 | 清华大学 | 事件驱动的污水处理过程出水总磷软测量模型设计方法 |
| CN112967763A (zh) * | 2021-03-08 | 2021-06-15 | 北京北排水环境发展有限公司 | 基于模糊神经网络的出水总磷预测方法、电子设备及介质 |
| CN113866375A (zh) * | 2021-09-17 | 2021-12-31 | 华南师范大学 | 出水含氮物智能在线监测方法和*** |
| WO2023236260A1 (zh) * | 2022-06-09 | 2023-12-14 | 苏州大学 | 基于复数值加速算法的短期风速预测方法 |
| CN116187422A (zh) * | 2023-02-09 | 2023-05-30 | 平安壹钱包电子商务有限公司 | 神经网络的参数更新方法及相关设备 |
Non-Patent Citations (6)
| Title |
|---|
| Trend Feature-Based Anomaly Monitoring of Infrequently Measured KPIs in Wastewater Treatment Process;Lu Zhang;IEEE Transactions on Industrial Informatics;20221025;全文 * |
| 南方某污水处理厂提标改造工艺运行优化;周亚梁;黄东月;;中国给水排水;20200417(第08期);全文 * |
| 基于ANFIS模型的水质COD预测研究;连亮亮;冯海林;方益明;杜晓晨;姜培坤;;计算机时代;20171215(第12期);全文 * |
| 基于消除不确定性的模糊聚类方法的模糊神经网络;王萌;肖创柏;;微电子学与计算机;20181205(第12期);全文 * |
| 基于神经网络在线学习的脱硝***入口氮氧化物预测;金秀章;张少康;;河北大学学报(自然科学版);20180725(第04期);全文 * |
| 模糊神经网络在水质评价中的应用研究;康彩丽;;忻州师范学院学报;20190430(第02期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117637063A (zh) | 2024-03-01 |
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 | |
| CN112508243B (zh) | 电力信息***多故障预测网络模型的训练方法及装置 | |
| CN113723007B (zh) | 基于drsn和麻雀搜索优化的设备剩余寿命预测方法 | |
| CN111738520A (zh) | 一种融合孤立森林与长短期记忆网络的***负载预测方法 | |
| CN111178486B (zh) | 一种基于种群演化的超参数异步并行搜索方法 | |
| CN108399434B (zh) | 基于特征提取的高维时间序列数据的分析预测方法 | |
| CN112765894B (zh) | 一种基于k-lstm的铝电解槽状态预测方法 | |
| CN114363195A (zh) | 面向时间和频谱残差卷积网络的网络流量预测预警方法 | |
| CN116346639A (zh) | 一种网络流量预测方法、***、介质、设备及终端 | |
| CN111931983A (zh) | 一种降水量预测方法及*** | |
| CN112766603A (zh) | 一种交通流量预测方法、***、计算机设备及存储介质 | |
| CN111784061A (zh) | 一种电网工程造价预测模型的训练方法、装置和设备 | |
| Briand et al. | Modeling and managing risk early in software development | |
| CN115277354A (zh) | 一种面向指挥控制网络管理***的故障检测方法 | |
| CN113409072A (zh) | 一种经验模态分解和分布式gru神经网络及价格预测方法 | |
| Rad et al. | GP-RVM: Genetic programing-based symbolic regression using relevance vector machine | |
| CN116384244A (zh) | 一种基于物理增强神经网络的电磁场预测方法 | |
| CN116542701A (zh) | 一种基于cnn-lstm组合模型的碳价预测方法及*** | |
| CN114386686A (zh) | 一种基于改进lstm的流域水质短期预测方法 | |
| 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*** | |
| CN117637063B (zh) | 一种水质测量方法、装置、设备和存储介质 | |
| CN117972343A (zh) | 一种基于哈密顿蒙特卡罗的电压暂降概率评估方法及*** | |
| CN110244690B (zh) | 一种多变量工业过程故障辨识方法及*** | |
| CN111028086A (zh) | 基于聚类与lstm网络的增强指数跟踪方法 | |
| CN116205135A (zh) | 基于数据分解和神经网络的so2排放预测方法及*** |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |