国产精品1024永久观看,大尺度欧美暖暖视频在线观看,亚洲宅男精品一区在线观看,欧美日韩一区二区三区视频,2021中文字幕在线观看

  • <option id="fbvk0"></option>
    1. <rt id="fbvk0"><tr id="fbvk0"></tr></rt>
      <center id="fbvk0"><optgroup id="fbvk0"></optgroup></center>
      <center id="fbvk0"></center>

      <li id="fbvk0"><abbr id="fbvk0"><dl id="fbvk0"></dl></abbr></li>

      一種基于互補型模糊神經(jīng)網(wǎng)絡(luò)的能源用量預(yù)測方法和裝置的制造方法

      文檔序號:10535462閱讀:1010來源:國知局
      一種基于互補型模糊神經(jīng)網(wǎng)絡(luò)的能源用量預(yù)測方法和裝置的制造方法
      【專利摘要】本發(fā)明提供了一種基于互補型模糊神經(jīng)網(wǎng)絡(luò)的能源用量預(yù)測方法和裝置,其中所述方法包括:獲取待測試能源對應(yīng)的用能歷史數(shù)據(jù);將所述用能歷史數(shù)據(jù)進行分類規(guī)整;對所述規(guī)整后的用能歷史數(shù)據(jù)進行灰色處理,篩選出有效歷史數(shù)據(jù);將所述有效歷史數(shù)據(jù)進行歸一化處理;將歸一化后的數(shù)據(jù)進行模糊處理;將模糊處理后的數(shù)據(jù)輸入模糊神經(jīng)網(wǎng)絡(luò)模型中,由所述模糊神經(jīng)網(wǎng)絡(luò)模型預(yù)測出所述模糊處理后的數(shù)據(jù)對應(yīng)的能源用量預(yù)值;對所述能源用量預(yù)值進行反歸一化處理;將反歸一化處理結(jié)果進行白化處理,得到目標預(yù)測值,并輸出所述目標預(yù)測值。通過本發(fā)明提供的基于互補型模糊神經(jīng)網(wǎng)絡(luò)的能源用量預(yù)測方案,能夠提升能源用量預(yù)測結(jié)果的準確性。
      【專利說明】
      一種基于互補型模糊神經(jīng)網(wǎng)絡(luò)的能源用量預(yù)測方法和裝置
      技術(shù)領(lǐng)域
      [0001] 本發(fā)明涉及能源用量預(yù)測技術(shù)領(lǐng)域,特別是涉及一種基于互補型模糊神經(jīng)網(wǎng)絡(luò)的 能源用量預(yù)測方法和裝置。
      【背景技術(shù)】
      [0002] 在能源管理系統(tǒng)、智能用能系統(tǒng)中,由于用能(煤、天然氣、石油等能源)數(shù)據(jù)突變、 數(shù)據(jù)統(tǒng)計缺失、數(shù)據(jù)影響因素繁多等因素,用能數(shù)據(jù)預(yù)測一直都是一個難題。
      [0003] 目前,常用的對大型工業(yè)領(lǐng)域的用能數(shù)據(jù)進行預(yù)測方法為:模糊預(yù)測法以及人工 神經(jīng)網(wǎng)絡(luò)法。
      [0004] 模糊預(yù)測法雖然可以處理不精確的、模糊的現(xiàn)象,但是該方法學(xué)習(xí)能力差,需要人 為選擇計算參數(shù)、確定歷史用能數(shù)據(jù)的隸屬度,最終導(dǎo)致預(yù)測的用能數(shù)據(jù)可靠性差。
      [0005] 人工精神網(wǎng)絡(luò)法雖擁有較強的自主學(xué)習(xí)能力,但是該算法對數(shù)據(jù)的模糊處理能力 弱運算速度慢,不僅如此,該方法完全憑借人的經(jīng)驗來確定計算參數(shù),所確定的計算參數(shù)的 可靠性差,最終導(dǎo)致預(yù)測的用能數(shù)據(jù)可靠性差。
      [0006] 可見,現(xiàn)有的能源預(yù)測方法在大型的工業(yè)領(lǐng)域,由于用能數(shù)據(jù)量大、突變干擾較 多,因此,所預(yù)測出的用能數(shù)據(jù)的可靠性差。

      【發(fā)明內(nèi)容】

      [0007] 本發(fā)明提供了一種基于互補型模糊神經(jīng)網(wǎng)絡(luò)的能源用量預(yù)測方法和裝置,以解決 現(xiàn)有的用能數(shù)據(jù)預(yù)測方案所預(yù)測出的用能數(shù)據(jù)可靠性差的問題。
      [0008] 為了解決上述問題,本發(fā)明公開了一種基于互補型模糊神經(jīng)網(wǎng)絡(luò)的能源用量預(yù)測 方法,包括:獲取待測試能源對應(yīng)的用能歷史數(shù)據(jù);將所述用能歷史數(shù)據(jù)進行分類規(guī)整;對 所述規(guī)整后的用能歷史數(shù)據(jù)進行灰色處理,篩選出有效歷史數(shù)據(jù);將所述有效歷史數(shù)據(jù)進 行歸一化處理;將歸一化后的數(shù)據(jù)進行模糊處理;將模糊處理后的數(shù)據(jù)輸入模糊神經(jīng)網(wǎng)絡(luò) 模型中,由所述模糊神經(jīng)網(wǎng)絡(luò)模型預(yù)測出所述模糊處理后的數(shù)據(jù)對應(yīng)的能源用量預(yù)值;對 所述能源用量預(yù)值進行反歸一化處理;將反歸一化處理結(jié)果進行白化處理,得到目標預(yù)測 值,并輸出所述目標預(yù)測值。
      [0009] 優(yōu)選地,所述將所述用能歷史數(shù)據(jù)進行分類規(guī)整的步驟包括:通過隸屬函數(shù)對所 述用能歷史數(shù)據(jù)進行分類規(guī)整。
      [0010] 優(yōu)選地,所述對所述規(guī)整后的用能歷史數(shù)據(jù)進行灰色處理的步驟包括:對所述歷 史數(shù)據(jù)中、各數(shù)據(jù)序列中的數(shù)據(jù)進行依次累加,生成新數(shù)據(jù)序列;將新數(shù)據(jù)序列中各數(shù)據(jù)依 次進行后減運算,生成目標數(shù)據(jù)序列,將所述目標數(shù)據(jù)序列確定為有效歷史數(shù)據(jù)。
      [0011]優(yōu)選地,所述將歸一化后的數(shù)據(jù)進行模糊處理的步驟包括:確定歸一化后的數(shù)據(jù) 中的最大值以及最小值;將最大值與最小值之間的數(shù)值劃分成多個數(shù)值區(qū)間;其中,每個數(shù) 值區(qū)間對應(yīng)一個模糊子集;將歸一化后的各數(shù)據(jù)分別劃分至對應(yīng)的數(shù)值區(qū)間中,每個模糊 子集中包含多個歸一化后的數(shù)據(jù)。
      [0012] 優(yōu)選地,所述模糊神經(jīng)網(wǎng)絡(luò)模型確定所述模糊處理后的數(shù)據(jù)對應(yīng)的能源用量預(yù)測 值的步驟包括:所述模糊神經(jīng)網(wǎng)絡(luò)模型依據(jù)存儲的數(shù)據(jù)表確定相關(guān)指標;依據(jù)模糊處理后 的數(shù)據(jù)的相關(guān)屬性確定重要指標、以及各重要指標所占權(quán)重;依據(jù)確定的重要指標、以及各 重要指標所占權(quán)重構(gòu)建本次預(yù)測模型,依據(jù)生成的預(yù)測模型對所述數(shù)據(jù)對應(yīng)的能源用量進 行預(yù)測。
      [0013] 優(yōu)選地,在所述確定所述模糊處理后的數(shù)據(jù)對應(yīng)的能源用量預(yù)值的步驟之后,所 述方法還包括:確定所述能源用量預(yù)值對應(yīng)的信息熵;依據(jù)所述信息熵對所述神經(jīng)網(wǎng)絡(luò)模 型中的相關(guān)指標對應(yīng)的參數(shù)進行修改、優(yōu)化,以實現(xiàn)神經(jīng)網(wǎng)絡(luò)模型的自學(xué)習(xí)。
      [0014] 為了解決上述問題,本發(fā)明還公開了一種基于互補型模糊神經(jīng)網(wǎng)絡(luò)的能源用量預(yù) 測裝置,包括:獲取模塊,用于獲取待測試能源對應(yīng)的用能歷史數(shù)據(jù);規(guī)整模塊,用于將所述 用能歷史數(shù)據(jù)進行分類規(guī)整;篩選模塊,用于對所述規(guī)整后的用能歷史數(shù)據(jù)進行灰色處理, 篩選出有效歷史數(shù)據(jù);歸一化模塊,用于將所述有效歷史數(shù)據(jù)進行歸一化處理;模糊處理模 塊,用于將歸一化后的數(shù)據(jù)進行模糊處理;輸入模塊,用于將模糊處理后的數(shù)據(jù)輸入模糊神 經(jīng)網(wǎng)絡(luò)模型中,由所述模糊神經(jīng)網(wǎng)絡(luò)模型預(yù)測出所述模糊處理后的數(shù)據(jù)對應(yīng)的能源用量預(yù) 值;處理模塊,用于對所述能源用量預(yù)值進行反歸一化處理;輸出模塊,用于將反歸一化處 理結(jié)果進行白化處理,得到目標預(yù)測值,并輸出所述目標預(yù)測值。
      [0015] 優(yōu)選地,所述規(guī)整模塊具體用于:通過隸屬函數(shù)對所述用能歷史數(shù)據(jù)進行分類規(guī) 整。
      [0016] 優(yōu)選地,所述篩選模塊包括:累加模塊,用于對所述歷史數(shù)據(jù)中、各數(shù)據(jù)序列中的 數(shù)據(jù)進行依次累加,生成新數(shù)據(jù)序列;后減模塊,用于將新數(shù)據(jù)序列中各數(shù)據(jù)依次進行后減 運算,生成目標數(shù)據(jù)序列,將所述目標數(shù)據(jù)序列確定為有效歷史數(shù)據(jù)。
      [0017] 優(yōu)選地,所述模糊處理模塊具體用于:確定歸一化后的數(shù)據(jù)中的最大值以及最小 值;將最大值與最小值之間的數(shù)值劃分成多個數(shù)值區(qū)間;其中,每個數(shù)值區(qū)間對應(yīng)一個模糊 子集;將歸一化后的各數(shù)據(jù)分別劃分至對應(yīng)的數(shù)值區(qū)間中,每個模糊子集中包含多個歸一 化后的數(shù)據(jù)。
      [0018] 優(yōu)選地,所述模糊神經(jīng)網(wǎng)絡(luò)模型確定所述模糊處理后的數(shù)據(jù)對應(yīng)的能源用量預(yù)值 時:所述模糊神經(jīng)網(wǎng)絡(luò)模型依據(jù)存儲的數(shù)據(jù)表確定相關(guān)指標;依據(jù)模糊處理后的數(shù)據(jù)的相 關(guān)屬性確定重要指標、以及各重要指標所占權(quán)重;依據(jù)確定的重要指標、以及各重要指標所 占權(quán)重構(gòu)建本次預(yù)測模型,依據(jù)生成的預(yù)測模型對所述數(shù)據(jù)對應(yīng)的能源用量進行預(yù)測。
      [0019] 優(yōu)選地,所述裝置還包括:信息熵確定模塊,用于在確定所述模糊處理后的數(shù)據(jù)對 應(yīng)的能源用量預(yù)值之后,確定所述能源用量預(yù)值對應(yīng)的信息熵;自學(xué)習(xí)模塊,用于依據(jù)所述 信息熵對所述神經(jīng)網(wǎng)絡(luò)模型中的相關(guān)指標對應(yīng)的參數(shù)進行修改、優(yōu)化,以實現(xiàn)神經(jīng)網(wǎng)絡(luò)模 型的自學(xué)習(xí)。
      [0020] 與現(xiàn)有技術(shù)相比,本發(fā)明具有以下優(yōu)點:
      [0021] 本發(fā)明提供的基于互補型模糊神經(jīng)網(wǎng)絡(luò)的能源用量預(yù)測方案,一方面,通過將所 述用能歷史數(shù)據(jù)進行分類規(guī)整,對所述規(guī)整后的用能歷史數(shù)據(jù)進行灰色處理,篩選出有效 歷史數(shù)據(jù),排除突變、異常的數(shù)據(jù),能夠降低用能數(shù)據(jù)突變、數(shù)據(jù)異常數(shù)據(jù)干擾導(dǎo)致的預(yù)測 偏差,因此,能夠提升能源用量預(yù)測結(jié)果的準確性。另一方面,將篩選出的有效歷史數(shù)據(jù)歸 一化后進行模糊處理,能夠降低模糊神經(jīng)網(wǎng)絡(luò)的運算量,提升運算速度??梢?,本發(fā)明實施 例的提供的能源用量預(yù)測方案,不僅能夠提升預(yù)測時的運算速度,還能夠提升預(yù)測結(jié)果的 準確性、可靠性。
      【附圖說明】
      [0022]圖1是根據(jù)本發(fā)明實施例一的一種基于互補型模糊神經(jīng)網(wǎng)絡(luò)的能源用量預(yù)測方法 的步驟流程圖;
      [0023]圖2是根據(jù)本發(fā)明實施例二的一種基于互補型模糊神經(jīng)網(wǎng)絡(luò)的能源用量預(yù)測方法 步驟流程圖;
      [0024]圖3是隸屬函數(shù)曲線圖;
      [0025]圖4是根據(jù)本發(fā)明實施例三的一種基于互補型模糊神經(jīng)網(wǎng)絡(luò)的能源用量預(yù)測裝置 的結(jié)構(gòu)框圖;
      [0026]圖5是根據(jù)本發(fā)明實施例四的一種基于互補型模糊神經(jīng)網(wǎng)絡(luò)的能源用量預(yù)測裝置 的結(jié)構(gòu)框圖。
      【具體實施方式】
      [0027]為使本發(fā)明的上述目的、特征和優(yōu)點能夠更加明顯易懂,下面結(jié)合附圖和具體實 施方式對本發(fā)明作進一步詳細的說明。
      [0028] 實施例一
      [0029]參照圖1,示出了根據(jù)本發(fā)明實施例一的一種基于互補型模糊神經(jīng)網(wǎng)絡(luò)的能源用 量預(yù)測方法的步驟流程圖。
      [0030] 本實施例中基于互補型模糊神經(jīng)網(wǎng)絡(luò)的能源用量預(yù)測方法的步驟包括:
      [0031] 步驟S102:獲取待測試能源對應(yīng)的用能歷史數(shù)據(jù)。
      [0032]用能歷史數(shù)據(jù)為該能源歷史使用情況對應(yīng)的數(shù)據(jù),例如:待測試能源為煤炭,那 么,用能歷史數(shù)據(jù)則為企業(yè)在一定時間內(nèi)針對該煤炭的用量。用能歷史數(shù)據(jù)為待測試能源 一定時間內(nèi)的歷史用量相關(guān)數(shù)據(jù),例如:一定時間可以為一個月、一周、或者三天等,本發(fā)明 實施例對此不作具體限制。
      [0033]步驟S104:將用能歷史數(shù)據(jù)進行分類規(guī)整。
      [0034] 用能歷史數(shù)據(jù)中可以包括一個能量參數(shù),也可以包括多個能量參數(shù)。
      [0035] 本發(fā)明實施例中,需要將同屬于一個能量參數(shù)的歷史數(shù)據(jù)進行分類規(guī)整,進行分 類規(guī)整時,可以采用歷史數(shù)據(jù)形成一個數(shù)據(jù)域,然后將數(shù)據(jù)域中各個數(shù)據(jù)作為隸屬函數(shù)的 隸屬度來構(gòu)建隸屬函數(shù),以排除突變、異常的數(shù)據(jù)。
      [0036]步驟S106:對規(guī)整后的用能歷史數(shù)據(jù)進行灰色處理,篩選出有效歷史數(shù)據(jù)。
      [0037]在對數(shù)據(jù)進行灰色處理時,需要依據(jù)預(yù)先建立的灰色模型?;疑P屯ㄟ^對原始 數(shù)據(jù)進行生成處理,弱化數(shù)據(jù)的隨機因素,生成規(guī)律性較強的數(shù)據(jù)序列,進而建立相應(yīng)的微 分方程預(yù)測系統(tǒng)的發(fā)展趨勢。在具體實現(xiàn)過程中,根據(jù)用能特點建立灰色模型主要步驟如 下:(1)對樣本數(shù)據(jù)進行一次累加生成新的數(shù)據(jù)序列;(2)檢驗生成序列是否滿足準光滑性 和準指數(shù)規(guī)律;(3)構(gòu)建時間響應(yīng)方程;(4)進行最小二乘參數(shù)估計,確定時間響應(yīng)方程。 [0038]步驟S108:將有效歷史數(shù)據(jù)進行歸一化處理。
      [0039]本發(fā)明實施例中,為了充分發(fā)揮模糊神經(jīng)網(wǎng)絡(luò)的預(yù)測功能,提高其預(yù)測精度,需對 輸入模型前的有效歷史數(shù)據(jù)進行預(yù)處理,根據(jù)設(shè)定好的能源數(shù)據(jù)處理規(guī)則對有效歷史數(shù)據(jù) 進行歸一化處理。
      [0040] 對于歸一化處理的具體方法參見相關(guān)技術(shù)即可,本發(fā)明實施例中對此不作具體限 制。
      [0041] 步驟S110:將歸一化后的數(shù)據(jù)進行模糊處理。
      [0042] 將數(shù)據(jù)進行最大值、最小值區(qū)間模糊化,每一劃分區(qū)間對應(yīng)一個模糊子集,也即, 將歸一化后的數(shù)據(jù)劃分成多個模糊子集。
      [0043]例如:歸一化后的數(shù)據(jù)數(shù)量為150個,按照數(shù)據(jù)的大小劃分高、中、低三個區(qū)間,每 個區(qū)間對應(yīng)一個閾值范圍,將150個數(shù)據(jù)分別劃分至其對應(yīng)的區(qū)間中,最終生成三個模糊子 集。
      [0044]步驟S112:將模糊處理后的數(shù)據(jù)輸入模糊神經(jīng)網(wǎng)絡(luò)模型中,由模糊神經(jīng)網(wǎng)絡(luò)模型 預(yù)測出模糊處理后的數(shù)據(jù)對應(yīng)的能源用量預(yù)值。
      [0045] 對于模糊神經(jīng)網(wǎng)絡(luò)模型的建立參見現(xiàn)有相關(guān)技術(shù)即可,本發(fā)明實施例中對此不作 具體限制。
      [0046] 模糊神經(jīng)模型確定數(shù)據(jù)對應(yīng)的能源預(yù)值時,首先從眾多參數(shù)中選擇適合各模糊子 集對應(yīng)的重要指標即參數(shù),然后依據(jù)確定的重要指標構(gòu)建適用于模糊子集的計算模型,最 終確定出能源用量預(yù)值。
      [0047] 步驟S114:對能源用量預(yù)值進行反歸一化處理。
      [0048]在步驟S108中對歷史數(shù)據(jù)進行了歸一化處理,本步驟中為了還原數(shù)據(jù),則需要對 能源用量預(yù)值進行反歸一化處理。
      [0049]例如:在步驟S108中將每個數(shù)據(jù)均除以數(shù)值A(chǔ),則在本步驟中進行返歸一化處理 時,則需將得到的能源用量預(yù)值乘以數(shù)值A(chǔ),以實現(xiàn)反歸一化處理。
      [0050] 步驟S116:將反歸一化處理結(jié)果進行白化處理,得到目標預(yù)測值,并輸出目標預(yù)測 值。
      [0051] 由于步驟S106中對歷史數(shù)據(jù)進行了灰色處理,因此,本步驟中需對反歸一化后的 處理結(jié)果采用灰色處理相適應(yīng)的規(guī)則進行白化處理,以得到目標預(yù)測值。
      [0052]通過本發(fā)明實施例提供的基于互補型模糊神經(jīng)網(wǎng)絡(luò)的能源用量預(yù)測方法,一方 面,通過將用能歷史數(shù)據(jù)進行分類規(guī)整,對規(guī)整后的用能歷史數(shù)據(jù)進行灰色處理,篩選出有 效歷史數(shù)據(jù),排除突變、異常的數(shù)據(jù),能夠降低用能數(shù)據(jù)突變、數(shù)據(jù)異常數(shù)據(jù)干擾導(dǎo)致的預(yù) 測偏差,因此,能夠提升能源用量預(yù)測結(jié)果的準確性。另一方面,將篩選出的有效歷史數(shù)據(jù) 歸一化后進行模糊處理,能夠降低模糊神經(jīng)網(wǎng)絡(luò)的運算量,提升運算速度。可見,本發(fā)明實 施例的提供的能源用量預(yù)測方法,不僅能夠提升預(yù)測時的運算速度,還能夠提升預(yù)測結(jié)果 的準確性、可靠性。
      [0053] 實施例二
      [0054]參照圖2,示出了根據(jù)本發(fā)明實施例二的一種基于互補型模糊神經(jīng)網(wǎng)絡(luò)的能源用 量預(yù)測方法的步驟流程圖。
      [0055] 本實施例中基于互補型模糊神經(jīng)網(wǎng)絡(luò)的能源用量預(yù)測方法的具體步驟包括:
      [0056] 步驟S202:獲取待測試能源對應(yīng)的用能歷史數(shù)據(jù)。
      [0057] 獲取待測試能源對應(yīng)的用能歷史數(shù)據(jù)后,通過隸屬函數(shù)對所述用能歷史數(shù)據(jù)進行 分類規(guī)整。具體地,將用能歷史數(shù)據(jù)進行分類規(guī)整,形成一個數(shù)據(jù)域,用X表示:
      [0058] 將X作為數(shù)據(jù)論域,映射A(x):X- [0,1 ]確定了一個X上的模糊子集A,A(x)稱為A的 隸屬函數(shù),其中,隸屬函數(shù)如圖3所示。
      [0059] ▽$€尤4&)£[0,1]稱為1屬于4的隸屬度。
      [0060] A(x)=0x完全不屬于A;0<A(x)<lx部分屬于A。
      [0061] 通過對用能歷史數(shù)據(jù)進行分類規(guī)整,可以排除突變、異常的數(shù)據(jù)。
      [0062] 步驟S204:對用能歷史數(shù)據(jù)進行規(guī)則化處理。
      [0063]進行規(guī)則化處理即對規(guī)整后的用能歷史數(shù)據(jù)進行灰色處理,篩選出有效歷史數(shù) 據(jù)。
      [0064]建立灰色模型,將數(shù)據(jù)進行灰色處理。灰色模型GM(1,1)通過對原始數(shù)據(jù)進行生成 處理,弱化數(shù)據(jù)的隨機因素,生成規(guī)律性較強的數(shù)據(jù)序列,進而建立相應(yīng)的微分方程預(yù)測系 統(tǒng)的發(fā)展趨勢。根據(jù)用能特點,建立GM(1,1)模型主要步驟如下:(1)對樣本數(shù)據(jù)進行一次累 加生成;(2)檢驗生成序列是否滿足準光滑性和準指數(shù)規(guī)律;(3)構(gòu)建時間響應(yīng)方程;(4)進 行最小二乘參數(shù)估計,確定時間響應(yīng)方程。
      [0065] 以及確定的時間響應(yīng)方程對用能歷史數(shù)據(jù)進行規(guī)則化處理。一種可行的規(guī)則化處 理方式為:對所述歷史數(shù)據(jù)中、各數(shù)據(jù)序列中的數(shù)據(jù)進行依次累加,生成新數(shù)據(jù)序列;將新 數(shù)據(jù)序列中各數(shù)據(jù)依次進行后減運算,生成目標數(shù)據(jù)序列,將所述目標數(shù)據(jù)序列確定為有 效歷史數(shù)據(jù)。
      [0066] 歷史數(shù)據(jù)中、各數(shù)據(jù)序列中的數(shù)據(jù)進行依次累加可以顯著弱化歷史數(shù)據(jù)的起伏。 為了把累加序列還原成原始序列,則需要將數(shù)據(jù)序列中的各數(shù)據(jù)依次后減。
      [0067] 例如:歷史數(shù)據(jù)序列為X(q) = {X(q)(1),X(q)(2),…,x( q)(N)} = {6,3,8,10,7}
      [0068] 對數(shù)據(jù)序列中的數(shù)據(jù)進行依次累加可得:
      [0069] x(1)(l) =x(0)(l) =6,
      [0070] x(1)(2)=x(0)(l)+x(0)(2) =6+3 = 9,
      [0071] x(1)(3)=x(0)(l)+x(0)(2)+x (0)(3) =6+3+8 = 17,
      [0072] x(1)(4)=x(0)(l)+x(0)(2)+x (0)(3)+x(0)(4) =6+3+8+10 = 27,
      [0073] x⑴(5) = x⑶(l)+x(0)(2)+x⑶(3)+x⑶(4)+x(0)(5)
      [0074] =6+3+8+10+7 = 34.
      [0075]于是得到一個新的數(shù)據(jù)序列
      [0076] x(1) = {6,9,17,27,34}
      [0077] 對數(shù)據(jù)序列中的數(shù)據(jù)進行依次后減可得:
      [0078] A x(1)(5)=x(1)(5)-x(1)(4) =34-27 = 7,
      [0079] A x(1)(4)=x(1)(4)-x(1)(3) =27-17 = 10,
      [0080] a x(1)(3)=x(1)(3)-x(1)(2) = 17-9 = 8,
      [0081] Ax(1)(2)=x(1)(2)-x(1)(1)=9-6 = 3,
      [0082] a x⑴(1) = x⑴(l)_x⑴(0) = 6_0 = 6.
      [0083]步驟S206:將所述有效歷史數(shù)據(jù)進行歸一化處理。
      [0084]對歷史有效數(shù)據(jù)進行歸一化處理即對數(shù)據(jù)進行預(yù)處理。
      [0085]對于歸一化處理的具體方法本發(fā)明實施例中對此不作具體限定,具體方法參見現(xiàn) 有相關(guān)技術(shù)即可。
      [0086] 步驟S208:將歸一化后的數(shù)據(jù)進行模糊處理。
      [0087] -種優(yōu)選的將歸一化后的數(shù)據(jù)進行模糊處理的方式為:確定歸一化后的數(shù)據(jù)中的 最大值以及最小值;將最大值與最小值之間的數(shù)值劃分成多個數(shù)值區(qū)間;其中,每個數(shù)值區(qū) 間對應(yīng)一個模糊子集;將歸一化后的各數(shù)據(jù)分別劃分至對應(yīng)的數(shù)值區(qū)間中,每個模糊子集 中包含多個歸一化后的數(shù)據(jù)。
      [0088] 例如:溫度0至50°C,可以進行如下劃分:
      [0089] 將0至15 °C對應(yīng)成"冷"模糊子集,將10至25 °C對應(yīng)成"涼"模糊子集,將20至35 °C對 應(yīng)成"合適"模糊子集,將25至40°C對應(yīng)成"暖"模糊子集,將35至50°C對應(yīng)成"熱"模糊子集, 通過上述劃分,即可將溫度0至50°C這些具體的數(shù)值模糊化。
      [0090]步驟S210:將模糊處理后的數(shù)據(jù)輸入模糊神經(jīng)網(wǎng)絡(luò)模型中,模糊神經(jīng)網(wǎng)絡(luò)模型進 行參數(shù)選擇。
      [0091 ] -種優(yōu)選的進行參數(shù)選擇的方式為:模糊神經(jīng)網(wǎng)絡(luò)模型依據(jù)存儲的數(shù)據(jù)表確定相 關(guān)指標;依據(jù)模糊處理后的數(shù)據(jù)的相關(guān)屬性確定重要指標、以及各重要指標所占權(quán)重。
      [0092] 模糊神經(jīng)網(wǎng)絡(luò)模型中建立有數(shù)據(jù)表,在數(shù)據(jù)表中將各個可能的輸入?yún)?shù)視為條件 屬性,則條件屬性集合為C= {cl,c2,…,cm};將待預(yù)測對象視為決策屬性(表示基本負荷分 量),則決策屬性集合為D={1B}。條件屬性應(yīng)盡可能多地采用與輸出變量相關(guān)性大的信息。 這樣,C={l(d-l,t),l(d-2,t),l(d-3,t),l(d-4,t),l(d-7,t),l(d-14,t),l(d-21,t),l (d-1,t),Dl(d_2,t),Dl(d_3,t)},D = {l(d,t)},d表示第d天,t為預(yù)測時刻,l(d,t)代表了 預(yù)測日t時刻的用量值,01((1-1,〇 = 1((1-1,〇 - 1((1-2,〇,它反應(yīng)了用量在前一天《寸刻的 增長方向和增長幅度。
      [0093] 同時,模糊神經(jīng)網(wǎng)絡(luò)模型中還建立有屬性值與特征值的對應(yīng)關(guān)系,為了能從觀測 數(shù)據(jù)中分析出知識間的依賴性和屬性重要性,需要利用屬性對論域進行分類,建立論域上 的知識系統(tǒng)。分類的基礎(chǔ)是屬性值特征化,即對每個屬性的屬性值進行離散化處理,然后將 屬性值用特征值替代,屬性值特征化后便可建立知識系統(tǒng)。
      [0094]步驟S212:進行網(wǎng)絡(luò)訓(xùn)練以及模糊網(wǎng)絡(luò)模型的自適應(yīng)學(xué)習(xí)。
      [0095] 在確定本次計算所需的指標之后,則需要進行網(wǎng)絡(luò)訓(xùn)練,以完成本次能源用量預(yù) 測,具體地:模糊網(wǎng)絡(luò)模型依據(jù)確定的重要指標、以及各重要指標所占權(quán)重構(gòu)建本次預(yù)測模 型,依據(jù)生成的預(yù)測模型對確定所述模糊合理后的數(shù)據(jù)對應(yīng)的能源用量預(yù)測值。
      [0096] 同時,模糊網(wǎng)絡(luò)模型還會確定所述能源用量預(yù)測值對應(yīng)的信息熵;依據(jù)所述信息 熵對所述神經(jīng)網(wǎng)絡(luò)模型中的相關(guān)指標對應(yīng)的參數(shù)進行修改、優(yōu)化,以實現(xiàn)模糊神經(jīng)網(wǎng)絡(luò)模 型的自學(xué)習(xí)。
      [0097] 對于模糊神經(jīng)網(wǎng)絡(luò)模型的具體訓(xùn)練生成方法,參見現(xiàn)有相關(guān)技術(shù)即可,本發(fā)明實 施例中對此不作具體限制。
      [0098]神經(jīng)網(wǎng)絡(luò)是典型的前饋神經(jīng)網(wǎng)絡(luò),它具有輸入層、輸出層和隱含層。一個三層(一 個輸入層、一個隱含層、一個輸出層)的前饋神經(jīng)網(wǎng)絡(luò)能實現(xiàn)從輸入到輸出間任何復(fù)雜非線 性映射關(guān)系,很適合于能源系統(tǒng)的短期負荷預(yù)測。
      [0099]算法的主要思想是把學(xué)習(xí)過程分為兩個階段:第一階段(正向傳播過程),給出輸 入信息通過輸入層經(jīng)隱含層逐層處理并計算每個單元的實際輸出;第二階段(反向傳播過 程),若在輸出層未能得到期望的輸出值,則逐層遞歸地計算實際輸出與期望輸出之差值 (即誤差),以便根據(jù)此差調(diào)節(jié)權(quán)值。
      [0100] 步驟S214:預(yù)測所述模糊處理后的數(shù)據(jù)對應(yīng)的能源用量預(yù)值。
      [0101] 在依據(jù)選擇的指標進行網(wǎng)絡(luò)訓(xùn)練生成本次預(yù)測模型后,即可依據(jù)輸入模型中的有 效歷史數(shù)據(jù)確定能源用量預(yù)值,并輸出。
      [0102] 步驟S216:對輸出的能源用量預(yù)值進行修正。
      [0103] 其中,對輸出的能源用量預(yù)值進行修正,即對能源用量預(yù)值進行反歸一化處理。
      [0104] 在步驟S206中對歷史數(shù)據(jù)進行了歸一化處理,本步驟中為了還原數(shù)據(jù),則需要對 能源用量預(yù)值進行反歸一化處理。
      [0105] 步驟S218:將反歸一化處理結(jié)果進行白化處理,得到目標預(yù)測值。
      [0106]由于步驟S204中對歷史數(shù)據(jù)進行了灰色處理,因此,本步驟中需對反歸一化后的 處理結(jié)果采用灰色處理相適應(yīng)的規(guī)則進行白化處理,以得到目標預(yù)測值。
      [0107] 步驟S220:輸出目標預(yù)測值。
      [0108] 其中,目標預(yù)測值即最終的預(yù)測結(jié)果。
      [0109] 采用本發(fā)明模型及方法進行預(yù)測,預(yù)測結(jié)果與實際需量僅相差3.4%,對生產(chǎn)規(guī)劃 及管理具有很強的指導(dǎo)性。
      [0110] 本發(fā)明實施例提供的基于互補型模糊神經(jīng)網(wǎng)絡(luò)的能源用量預(yù)測方法,除具有實施 例一中所述的方法所有具有的有益效果外,還具有如下有益效果:一方面,本發(fā)明實施例提 供的能源用量預(yù)測方法,從模糊神經(jīng)網(wǎng)絡(luò)模型中存儲的眾多指標中選擇出重要指標,對參 數(shù)進行優(yōu)化選擇,能夠提升能源用量預(yù)測結(jié)果的精確度。另一方面,本發(fā)明實施例提供的能 源用量預(yù)測方法,還可以依據(jù)本次預(yù)測結(jié)果、信息熵對模糊神經(jīng)網(wǎng)絡(luò)模型中的相關(guān)參數(shù)進 行修改以及優(yōu)化,以實現(xiàn)模型的自學(xué)習(xí),能夠自動完善計算模型,從而提升能源用量預(yù)測的 準確性。
      [0111]實施例三
      [0112]參照圖4,示出了根據(jù)本發(fā)明實施例三的一種基于互補型模糊神經(jīng)網(wǎng)絡(luò)的能源用 量預(yù)測裝置的結(jié)構(gòu)框圖。
      [0113]本實施例的基于互補型模糊神經(jīng)網(wǎng)絡(luò)的能源用量預(yù)測裝置包括:獲取模塊302,用 于獲取待測試能源對應(yīng)的用能歷史數(shù)據(jù);規(guī)整模塊304,用于將所述用能歷史數(shù)據(jù)進行分類 規(guī)整;篩選模塊306,用于對所述規(guī)整后的用能歷史數(shù)據(jù)進行灰色處理,篩選出有效歷史數(shù) 據(jù);歸一化模塊308,用于將所述有效歷史數(shù)據(jù)進行歸一化處理;模糊處理模塊310,用于將 歸一化后的數(shù)據(jù)進行模糊處理;輸入模塊312,用于將模糊處理后的數(shù)據(jù)輸入模糊神經(jīng)網(wǎng)絡(luò) 模型中,由所述模糊神經(jīng)網(wǎng)絡(luò)模型預(yù)測出所述模糊處理后的數(shù)據(jù)對應(yīng)的能源用量預(yù)值;處 理模塊314,用于對所述能源用量預(yù)值進行反歸一化處理;輸出模塊316,用于將反歸一化處 理結(jié)果進行白化處理,得到目標預(yù)測值,并輸出所述目標預(yù)測值。
      [0114]本發(fā)明提供的基于互補型模糊神經(jīng)網(wǎng)絡(luò)的能源用量預(yù)測裝置,一方面,通過將所 述用能歷史數(shù)據(jù)進行分類規(guī)整,對所述規(guī)整后的用能歷史數(shù)據(jù)進行灰色處理,篩選出有效 歷史數(shù)據(jù),排除突變、異常的數(shù)據(jù),能夠降低用能數(shù)據(jù)突變、數(shù)據(jù)異常數(shù)據(jù)干擾導(dǎo)致的預(yù)測 偏差,因此,能夠提升能源用量預(yù)測結(jié)果的準確性。另一方面,將篩選出的有效歷史數(shù)據(jù)歸 一化后進行模糊處理,能夠降低模糊神經(jīng)網(wǎng)絡(luò)的運算量,提升運算速度??梢?,本發(fā)明實施 例的提供的能源用量預(yù)測裝置,不僅能夠提升預(yù)測時的運算速度,還能夠提升預(yù)測結(jié)果的 準確性、可靠性。
      [0115]實施例四
      [0116]參照圖5,示出了根據(jù)本發(fā)明實施例四的一種基于互補型模糊神經(jīng)網(wǎng)絡(luò)的能源用 量預(yù)測裝置的結(jié)構(gòu)框圖。
      [0117]本實施例對實施例四中的基于互補型模糊神經(jīng)網(wǎng)絡(luò)的能源用量預(yù)測裝置進行了 進一步的優(yōu)化,優(yōu)化后的基于互補型模糊神經(jīng)網(wǎng)絡(luò)的能源用量預(yù)測裝置包括:獲取模塊 402,用于獲取待測試能源對應(yīng)的用能歷史數(shù)據(jù);規(guī)整模塊404,用于將所述用能歷史數(shù)據(jù)進 行分類規(guī)整;篩選模塊406,用于對所述規(guī)整后的用能歷史數(shù)據(jù)進行灰色處理,篩選出有效 歷史數(shù)據(jù);歸一化模塊408,用于將所述有效歷史數(shù)據(jù)進行歸一化處理;模糊處理模塊410, 用于將歸一化后的數(shù)據(jù)進行模糊處理;輸入模塊412,用于將模糊處理后的數(shù)據(jù)輸入模糊神 經(jīng)網(wǎng)絡(luò)模型中,由所述模糊神經(jīng)網(wǎng)絡(luò)模型預(yù)測出所述模糊處理后的數(shù)據(jù)對應(yīng)的能源用量預(yù) 值;處理模塊414,用于對所述能源用量預(yù)值進行反歸一化處理;輸出模塊416,用于將反歸 一化處理結(jié)果進行白化處理,得到目標預(yù)測值,并輸出所述目標預(yù)測值。
      [0118] 優(yōu)選地,所述規(guī)整模塊404具體用于:通過隸屬函數(shù)對所述用能歷史數(shù)據(jù)進行分類 規(guī)整。
      [0119] 優(yōu)選地,所述篩選模塊406包括:累加模塊4061,用于對所述歷史數(shù)據(jù)中、各數(shù)據(jù)序 列中的數(shù)據(jù)進行依次累加,生成新數(shù)據(jù)序列;后減模塊4062,用于將新數(shù)據(jù)序列中各數(shù)據(jù)依 次進行后減運算,生成目標數(shù)據(jù)序列,將所述目標數(shù)據(jù)序列確定為有效歷史數(shù)據(jù)。
      [0120]優(yōu)選地,所述模糊處理模塊410具體用于:確定歸一化后的數(shù)據(jù)中的最大值以及最 小值;將最大值與最小值之間的數(shù)值劃分成多個數(shù)值區(qū)間;其中,每個數(shù)值區(qū)間對應(yīng)一個模 糊子集;將歸一化后的各數(shù)據(jù)分別劃分至對應(yīng)的數(shù)值區(qū)間中,每個模糊子集中包含多個歸 一化后的數(shù)據(jù)。
      [0121] 優(yōu)選地,所述模糊神經(jīng)網(wǎng)絡(luò)模型確定所述模糊處理后的數(shù)據(jù)對應(yīng)的能源用量預(yù)值 時:所述模糊神經(jīng)網(wǎng)絡(luò)模型依據(jù)存儲的數(shù)據(jù)表確定相關(guān)指標;依據(jù)模糊處理后的數(shù)據(jù)的相 關(guān)屬性確定重要指標、以及各重要指標所占權(quán)重;依據(jù)確定的重要指標、以及各重要指標所 占權(quán)重構(gòu)建本次預(yù)測模型,依據(jù)生成的預(yù)測模型對所述數(shù)據(jù)對應(yīng)的能源用量進行預(yù)測。
      [0122] 優(yōu)選地,所述裝置還包括:信息熵確定模塊418,用于在確定所述模糊處理后的數(shù) 據(jù)對應(yīng)的能源用量預(yù)值之后,確定所述能源用量預(yù)值對應(yīng)的信息熵;自學(xué)習(xí)模塊420,用于 依據(jù)所述信息熵對所述神經(jīng)網(wǎng)絡(luò)模型中的相關(guān)指標對應(yīng)的參數(shù)進行修改、優(yōu)化,以實現(xiàn)神 經(jīng)網(wǎng)絡(luò)模型的自學(xué)習(xí)。
      [0123] 本實施例的基于互補型模糊神經(jīng)網(wǎng)絡(luò)的能源用量預(yù)測裝置用于實現(xiàn)前述多個實 施例中相應(yīng)的基于互補型模糊神經(jīng)網(wǎng)絡(luò)的能源用量預(yù)測方法,并且具有相應(yīng)的方法實施例 的有益效果,在此不再贅述。
      [0124] 本說明書中的各個實施例均采用遞進的方式描述,每個實施例重點說明的都是與 其他實施例的不同之處,各個實施例之間相同相似的部分互相參見即可。對于系統(tǒng)實施例 而言,由于其與方法實施例基本相似,所以描述的比較簡單,相關(guān)之處參見方法實施例的部 分說明即可。
      [0125] 以上對本發(fā)明所提供的一種基于互補型模糊神經(jīng)網(wǎng)絡(luò)的能源用量預(yù)測方法和裝 置進行了詳細介紹,本文中應(yīng)用了具體個例對本發(fā)明的原理及實施方式進行了闡述,以上 實施例的說明只是用于幫助理解本發(fā)明的方法及其核心思想;同時,對于本領(lǐng)域的一般技 術(shù)人員,依據(jù)本發(fā)明的思想,在【具體實施方式】及應(yīng)用范圍上均會有改變之處,綜上所述,本 說明書內(nèi)容不應(yīng)理解為對本發(fā)明的限制。
      【主權(quán)項】
      1. 一種基于互補型模糊神經(jīng)網(wǎng)絡(luò)的能源用量預(yù)測方法,其特征在于,包括: 獲取待測試能源對應(yīng)的用能歷史數(shù)據(jù); 將所述用能歷史數(shù)據(jù)進行分類規(guī)整; 對所述規(guī)整后的用能歷史數(shù)據(jù)進行灰色處理,篩選出有效歷史數(shù)據(jù); 將所述有效歷史數(shù)據(jù)進行歸一化處理; 將歸一化后的數(shù)據(jù)進行模糊處理; 將模糊處理后的數(shù)據(jù)輸入模糊神經(jīng)網(wǎng)絡(luò)模型中,由所述模糊神經(jīng)網(wǎng)絡(luò)模型預(yù)測出所述 模糊處理后的數(shù)據(jù)對應(yīng)的能源用量預(yù)值; 對所述能源用量預(yù)值進行反歸一化處理; 將反歸一化處理結(jié)果進行白化處理,得到目標預(yù)測值,并輸出所述目標預(yù)測值。2. 根據(jù)權(quán)利要求1所述的方法,其特征在于,所述將所述用能歷史數(shù)據(jù)進行分類規(guī)整的 步驟包括: 通過隸屬函數(shù)對所述用能歷史數(shù)據(jù)進行分類規(guī)整。3. 根據(jù)權(quán)利要求1所述的方法,其特征在于,所述對所述規(guī)整后的用能歷史數(shù)據(jù)進行灰 色處理的步驟包括: 對所述歷史數(shù)據(jù)中、各數(shù)據(jù)序列中的數(shù)據(jù)進行依次累加,生成新數(shù)據(jù)序列; 將新數(shù)據(jù)序列中各數(shù)據(jù)依次進行后減運算,生成目標數(shù)據(jù)序列,將所述目標數(shù)據(jù)序列 確定為有效歷史數(shù)據(jù)。4. 根據(jù)權(quán)利要求1所述的方法,其特征在于,所述將歸一化后的數(shù)據(jù)進行模糊處理的步 驟包括: 確定歸一化后的數(shù)據(jù)中的最大值以及最小值; 將最大值與最小值之間的數(shù)值劃分成多個數(shù)值區(qū)間; 其中,每個數(shù)值區(qū)間對應(yīng)一個模糊子集; 將歸一化后的各數(shù)據(jù)分別劃分至對應(yīng)的數(shù)值區(qū)間中,每個模糊子集中包含多個歸一化 后的數(shù)據(jù)。5. 根據(jù)權(quán)利要求1所述的方法,其特征在于,所述模糊神經(jīng)網(wǎng)絡(luò)模型確定所述模糊處理 后的數(shù)據(jù)對應(yīng)的能源用量預(yù)測值的步驟包括: 所述模糊神經(jīng)網(wǎng)絡(luò)模型依據(jù)存儲的數(shù)據(jù)表確定相關(guān)指標; 依據(jù)模糊處理后的數(shù)據(jù)的相關(guān)屬性確定重要指標、以及各重要指標所占權(quán)重; 依據(jù)確定的重要指標、以及各重要指標所占權(quán)重構(gòu)建本次預(yù)測模型,依據(jù)生成的預(yù)測 模型對所述數(shù)據(jù)對應(yīng)的能源用量進行預(yù)測。6. 根據(jù)權(quán)利要求5所述的方法,其特征在于,在所述確定所述模糊處理后的數(shù)據(jù)對應(yīng)的 能源用量預(yù)值的步驟之后,所述方法還包括: 確定所述能源用量預(yù)值對應(yīng)的信息熵; 依據(jù)所述信息熵對所述神經(jīng)網(wǎng)絡(luò)模型中的相關(guān)指標對應(yīng)的參數(shù)進行修改、優(yōu)化,以實 現(xiàn)神經(jīng)網(wǎng)絡(luò)模型的自學(xué)習(xí)。7. -種基于互補型模糊神經(jīng)網(wǎng)絡(luò)的能源用量預(yù)測裝置,其特征在于,包括: 獲取模塊,用于獲取待測試能源對應(yīng)的用能歷史數(shù)據(jù); 規(guī)整模塊,用于將所述用能歷史數(shù)據(jù)進行分類規(guī)整; 篩選模塊,用于對所述規(guī)整后的用能歷史數(shù)據(jù)進行灰色處理,篩選出有效歷史數(shù)據(jù); 歸一化模塊,用于將所述有效歷史數(shù)據(jù)進行歸一化處理; 模糊處理模塊,用于將歸一化后的數(shù)據(jù)進行模糊處理; 輸入模塊,用于將模糊處理后的數(shù)據(jù)輸入模糊神經(jīng)網(wǎng)絡(luò)模型中,由所述模糊神經(jīng)網(wǎng)絡(luò) 模型預(yù)測出所述模糊處理后的數(shù)據(jù)對應(yīng)的能源用量預(yù)值; 處理模塊,用于對所述能源用量預(yù)值進行反歸一化處理; 輸出模塊,用于將反歸一化處理結(jié)果進行白化處理,得到目標預(yù)測值,并輸出所述目標 預(yù)測值。8. 根據(jù)權(quán)利要求7所述的裝置,其特征在于,所述規(guī)整模塊具體用于: 通過隸屬函數(shù)對所述用能歷史數(shù)據(jù)進行分類規(guī)整。9. 根據(jù)權(quán)利要求7所述的裝置,其特征在于,所述篩選模塊包括: 累加模塊,用于對所述歷史數(shù)據(jù)中、各數(shù)據(jù)序列中的數(shù)據(jù)進行依次累加,生成新數(shù)據(jù)序 列; 后減模塊,用于將新數(shù)據(jù)序列中各數(shù)據(jù)依次進行后減運算,生成目標數(shù)據(jù)序列,將所述 目標數(shù)據(jù)序列確定為有效歷史數(shù)據(jù)。10. 根據(jù)權(quán)利要求7所述的裝置,其特征在于,所述模糊處理模塊具體用于: 確定歸一化后的數(shù)據(jù)中的最大值以及最小值; 將最大值與最小值之間的數(shù)值劃分成多個數(shù)值區(qū)間; 其中,每個數(shù)值區(qū)間對應(yīng)一個模糊子集; 將歸一化后的各數(shù)據(jù)分別劃分至對應(yīng)的數(shù)值區(qū)間中,每個模糊子集中包含多個歸一化 后的數(shù)據(jù)。11. 根據(jù)權(quán)利要求7所述的裝置,其特征在于,所述模糊神經(jīng)網(wǎng)絡(luò)模型確定所述模糊處 理后的數(shù)據(jù)對應(yīng)的能源用量預(yù)值時: 所述模糊神經(jīng)網(wǎng)絡(luò)模型依據(jù)存儲的數(shù)據(jù)表確定相關(guān)指標; 依據(jù)模糊處理后的數(shù)據(jù)的相關(guān)屬性確定重要指標、以及各重要指標所占權(quán)重; 依據(jù)確定的重要指標、以及各重要指標所占權(quán)重構(gòu)建本次預(yù)測模型,依據(jù)生成的預(yù)測 模型對所述數(shù)據(jù)對應(yīng)的能源用量進行預(yù)測。12. 根據(jù)權(quán)利要求11所述的裝置,其特征在于,所述裝置還包括: 信息熵確定模塊,用于在確定所述模糊處理后的數(shù)據(jù)對應(yīng)的能源用量預(yù)值之后,確定 所述能源用量預(yù)值對應(yīng)的信息熵; 自學(xué)習(xí)模塊,用于依據(jù)所述信息熵對所述神經(jīng)網(wǎng)絡(luò)模型中的相關(guān)指標對應(yīng)的參數(shù)進行 修改、優(yōu)化,以實現(xiàn)神經(jīng)網(wǎng)絡(luò)模型的自學(xué)習(xí)。
      【文檔編號】G06N7/04GK105894111SQ201610195485
      【公開日】2016年8月24日
      【申請日】2016年3月30日
      【發(fā)明人】張定恩, 楊濱, 劉寶林, 李光輝, 李智濱, 王修業(yè), 付家旗
      【申請人】天鴻泰(北京)科技有限公司
      網(wǎng)友詢問留言 已有0條留言
      • 還沒有人留言評論。精彩留言會獲得點贊!
      1