基于随机森林回归分析的PM2.5浓度预测模型

所需积分/C币:50 2018-02-07 14:39:41 1.18MB PDF
收藏 收藏 11
举报

针对神经网络算法在当前PM2.5浓度预测领域存在的易过拟合、网络结构复杂、学习效率低等问题,引入RFR(random forest regression,随机森林回归)算法,分析气象条件、大气污染物浓度和季节所包含的22项特征因素,通过调整参数的最优组合,设计出一种新的PM2.5浓度预测模型——RFRP模型。同时,收集了西安市2013--2016年的历史气象数据,进行模型的有效性实验分析。实验结果表明,RFRP模型不仅能有效预测PM2.5浓度,还能在不影响预测精度的同时,较好地提升模型的运行效率,其平均运行时间为O.281S,约为BP-NN(back propagation neural ne
研究与开发 本,且每个训练样本量等于原始样本量,并对每Ex(x-(x,)→E(Y-E(X,O)=PE 个训练样本分别构建回归决策子树T,最后取各 (3) 棵树的平均值作为最终预测结果。 假设S为原始样本,N为S中的样本数,则S 其中,O为第t棵回归决策树子的随机变量, E为数学期望。式(3)右边即RFR的泛化误差 中每个样本没有被抽取的概率为|1 PE 定理2表明,RR随着回归决策子树t的增 定理1当N→∞时: 加会逐步收敛,不会出现过拟合的问题,但PE最 终公趋于一个稳定值。 ≈-≈0.368 (2) 定义3每一棵回归决策树h(X,B)的平均泛 化误差定义为 式(2)表明,每次约有36.8%的样本未被 PE=E 抽取,称为OOB(oul-of-bag,袋外数据)。 1x, bagging思想不仅可以使用随机化建立更多的定理3假设对于所有的随机变量b,回 回归决策子树,同时还保证了子树与子树之间归决策子树都是无偏的,即EY=ExH(X,0), 的独立性。 则有 (2)随机子空间思想 PE≤pE (5) 在构建回归决策了树的过程中,每个分裂节 其中,芦为残差Y-h(X,)和Y-h(X,0)的 点都从总的特征空间中随机抽取特征子空间F作相关系数,O和相互独立。 为节点的候选特征集,并从中选取最优特征进行23算法流程 分裂。该方法既保证了树与树之间的节点以及每 步骤1利用 bagging思想,随机产生样本 棵树节点之间特征子集都不同,又保证了树的独子集。 立性和多样性,进而提高了RFR节点分裂的随 步骤2利用随机子空间思想,随机抽取∫个 机性。 特征,进行节点分裂,构建单棵回归决策子树。 在RFR中,回归决策子树T和特征子空间中 步骤3重复步骤1、步骤2,构建T棵回归 的特征个数∫决定着模型最终的预测性能。 决策子树,每棵树自由生长,不进行剪枝,形成 2.2泛化误差 森林。 泛化误差反映∫模型对训练集以外的数据的 步骤4T棵决策子树的预测值取屮均,作为 预测能力,是判断模型好坏的重要指标 最终结果。 定义2假设从独立同分布的随机向量 X刀中抽取训练集,形成的训练集之间各3基于RFR算法的PM25浓度预测模型 自独立。则输出h(X的均方泛化误差为设计 Exr(Y-h(x)) 基于RFR算法建立PM2.5浓度预测模型(以 回归决策树足够多时,根据強大数定律,下简称RFRP模型)的整体设计思想是:先确定与 且h(X)=h(X,O),可得到如下定理 PM2.5浓度相关的特征因素,并收集整理数据集 定理214当t→∞时,均方泛化误差收应用RFR算法建立模型,然后通过调整参数的最 敛于: 优组合,不断优化模型。其设计流程如图1所小 2017211-3 69· 电信科学2017年第7期 开始 预测。 31特征选取与数据预处理 选取PM2.5浓度相关特征 特征选取涉及影响PM25浓度的不同要素, 选择出相关的、信息量大的、有差异的、独立的 获取数据 并预处理 影响特征,是建立预测模型中关键的一步。特征 选取是将原始数据转化为特征,以使更好地表示 RFR算法 计算OOB误差 模型处理的实际问题,提升对于未知数据的准确 是 性。模型可以通过优质特征描述的数据的固有结 构进行很好的学习,即使不是最优的模型,优质 OOB误差是否减小 调整参数 优化模型 的特征也可以得到较好的效果。通过特征选择, 也可以提高模型的运行效率,使模型泛化能力更 否 强,减少过拟合。 确定模型 待测数据 经过充分的调研和实验分析,选取气象条件、 大气污染物浓度和李节所包含的22项因素为特征 预测结果 分析对象。另外,考虑到气象条件和大气污染物 浓度仔在的时延,前日的气象条件和大气污染物 结束 会对当日的PMⅥ2.5浓度产生影响,因此,需要将 图1RFRP模型的设计流程 前日的数据作为一项重要的指标。 根据图1,可将其主要设计步骤总结如下 对天气后报网(http://www.tianqihoubao.com) 步骤1选取相关特征f,,…∵,f,收集数和天气网(htp/www.tiangl.com)上的公开数据 据并进行预处理,得到建模数据。 进行爬取,整理出西安市2013年10月29日 步骤2将建模数据作为RFR算法的输入,2016年12月28日的历史数据,共1156条。其 训练得到RFRP模型。 中,随机选取其中的75%作为训练集建立模型, 步骤3调整参数,优化模型 剩氽的25%用来测试模型的准确率。表1列出了 步骤4应用优化后的模型对新的数据进行选取出的具体特征因素。 表1特征因素选取 特征类型 具体特征 符号 取值 气象条件 当(前)天风力 Wind pow 1(2) 1,2,3,4,5 当(前)天风向 Wind dir 1(2) [1,2,3,4,5,,7,8,9 当(前)天最高温 Tem high 1(2) 当(前)天最低温 Tem low 1 (2) real 当(前)大大气 Weather 1(2) [1,2,3,4] 大气污染物 当(前)天O3 O31(2) 当(前)天NO NO21(2) real 当(前)天C (2) rea 当(前)天SO2 SO21(2) real 当(前)天PM10 PM1o_1(2) 前天PM25 PM252 季节 季节 Mon [1,2,3,4] 2017211-4 研究与开发 70· 如表1所示,选取气象条件、大气污染物浓 开始 度和季节3个方面共22个相关特征因素。其中温 度和各大气污染物浓度属于数值型特征用“real” 建模数据 表示,其余均属于非数值型。在处理非数据值型 特征时,木文对其进行了量化:将非数值型特征 设置参数7、f 转化为离散的数值型特征,并放入“囗”,以此表 Bootstrap 小取值范围。如“ Wind pow1(2)”的取值为 重采样 OOB数据 [1,2,3,4,5]”,分别代表5种风力类型:微风、 ~2级、3级、3-4级、4-5级:“ Weather_l(2)” 样本子集 的取值为“[1,2,3,4]”,代表4种天气类型:晴、 多云、霾、降水 节点分裂 特征选择 对原始数据进行预处理,形成一个22XN的 是 矩阵: <可继续分裂 否 f2 生成回归 f22/2 计算OOB误差 /22 (6) 子树 个数=T 其中,每一行代表同一时间各个相关特征的 是 实测值;每一列代表同一相关特征的样本数量, 取平均的结果 用N表示;f,,…,2代表选取的风力、风向等 22项相关特征。 结束 由于RFR算法对数据的单位和量纲并不 图2基于RFR算法的PM2.5浓度预测模型的实现流程 敏感以及两大随机特性,所以不需要对整理好地学习并预测出PM2.5浓度值,最后再将所有预 的数据进行归一化处理和特征选择。在BPNN测值取平均作为最终的预测结果。因此,应用某 算汯中,不同属性单位的数据不仅影响神经网于RHR算法建立的模型,其预测结果优于任何一个 络的输出精度,还降低了程序运行的收敛速单预测模型做出的预测 度,所以需要将数据进行归一化处理,保证数 原始数据经过预处理后,得到矩阵A,直接 据值在同一区间,避免不同特征数量级差别较作为RFR算法的输入。利用 Bootstrap重采样随 大所造成的影响。与BPNN算法相比,RFR机生成样本子集,同时产生OOB数据。在树的每 算法大大简化了数据处理过程,提高了数据处个节点随机选择f个特征进行分裂(F),建立多 理效率。 个PM2.5预测模型,并利用OOB数据计算OOB 3.2RFRP模型的实现 误差。最后将多个模型的预测值取平均作为模型 RFRP模型的实现流程如图2所示。 输出。实现流程的伪代码算法如卜 在PM2.5预测模型的实现过程中,RFR算法 输入训练集S;测试集U;参数:回归决策 作为一种集成学习算法,应用并行方式建立诈多子树7、特征总数F、特征选择个数f 小而薄弱的PM2.5浓度预测模型,各子模型独立 输出PM25浓度预测值 2017211-5 71· 电信科学2017年第7期 Function Random ForcstRcgression(SF)∥/定构建回归决策子树的棵数t和随机选择特征分裂 义随机森林回归函数 时特征选择的个数∫。考虑到实际情况中RFR算 for i from i to r'do 法的泛化误差不能直接计算求得,参考文献[17] S0← randomly split S∥对S进行 中指出,可以在测试集上使用交叉验证的方式估 Bootstrap重采样随机牛成样本子集 h;← Subtree(S,F)∥调用 Subtree 计泛化误差,但这样会导致巨大的计算量,降低 函数 算法的运行效率; Breiman15提出采用OOB误 end for 差估计的方法,只需要增加少量计算即可,并 return h 指出OOB误差近似于交叉验证的结果。OOB估 end function 计也可以用来估计单棵回归决策了树,计算森 Function subtree(S,F)∥定义建立子树函数 林中每棵子树的OOB估计的均值即可得到 at each node:∥/在每个节点操作 f←- randomly select features from F∥从RFRP模型的泛化误差。 F中随机选取f个特征(fF) 因此,采用OOB估计和模型运行时间为指 plit on the best feature in f〃从f中选择标,选择最优的参数组合t和f。考虑到两个参数 最优的特征进行节点分裂 均对OOB估计产生影响,且组合参数计算量较大 calculate oob error/计算OOB误差(1x,故在固定一个参数的前提下对另一个参数 return the subtree 进行调整。由于RFR算法的两大随机特性,模型 end function 每次抽取样本和特征都不同,为准确衡量模型的 3.3RFRP模型的性能度量指标 采取通用的模型精度和效率作为度量指标, 性能,每次实验重复进行20次,取20次结果的 进行RFRP模型的参数调整和性能分析。 均值作为最终实验结果。 (1)模型精度 首先选取户-=11,观察OOB误差和模型训 包括MRE( mean relative error,平均相对误 差)和确定性系数(R2)。其中,MRE越小,R?练时间随t的变化情况,如图3所示。由图3可 知,随着t增加,OOB误差表现出不同的变化趋 越大,说明模型精度越高 势:当20时,急剧卜降;当20<长<60时,缓慢 MrE (7 下降;当160时,接近收敛。 同时,随着t值的增加,模型的训练时间也 ∑(2-2) 在直线上升。综合误差和效率两个方面考虑,选 R2=1 (8) ∑(-Q) 取最优值仁=60。OOB误差和模型训练肘间随t的 变化情况如图3所示。 式(7)、式(8)中,Q为真实值:Q为预 其次固定t=60,观察OOB误差和模型运行时 测值;Q。为真实值的均值;N为样本数 间随f的变化情况,如图4所示。由图4可知,随 (2)模型效率 着∫增加,模型的训练时间总体呈上升趋势:而 指模型的训练吋间。训练时间越小,说明模OOB误差先迅速下降,之后下降缓慢。在18后, 型预测效率越高。 模型OOB误差变化幅度很小,但其训练时间上升 34参数优化 幅度较大。因此,选择台=18为最优。综合上述实 影响RFRP模型预测能力的参数主要有两个:验,最终选定模型的最优参数组合为=60,户=18。 2017211-6 研究与开发 ·72· 0 0.8 →◆OOB误差 由表2可以看出,无论是训练集还是测试集, 模型训练时间 07 RFRP模型的确定性系数R2均达到90%以上,说 0.6 明模型具备良好的学习能力与泛化能力;就误差 M→4而高,训练集和测试集上的误差分别为0D65和 0.159,在可接受的范围内。此外,RFRP模型在 2 测试集上的各项指标均未远远超过训练集上的各 项指标,说明模型没有岀现过拟合,泛化性能较 4060 好,能够有效地预测PM25的浓度。测试集上的 加归决策子树t 图3OOB误差和模型训练时间随凹归决策」数t的变化情况 预测结果如图5所示。 0.45 ◆RFRP模型预测值 50 真实值 0.28 三 0.26 0.35 400 0.24 0.30燕 020 4O0B误差 0.20 ·模型训练时间 0.18 0.15 测试集样本 0.1 图5RFRP模型在测试集上的预测结果 特征选择的个数/ 图4OB误差和模型训练时间随特征选择个数∫的变化情况 5算法对比分析 4实验结果分析 为进一步验证RFRP模型在PM25浓度预 本文在 Python环境下进行实验。实验设备测问题上的优劣,综合评价模型性能,本文应 配置:操作系统 Ubuntu1604LTS,处理器 Intel用参考文献8]描述的BPNN算法预测模型进 Core i7-4790CPU@3.60GIzx8,内存16GB, 行理论分析和实验对比,并采用相同数据集建 硬盘1TB 立PM2.5浓度预测模型对测试集上的数据进行 在上述实验环境配置下,采用构造回归决策预测。 了树为60、特行了空间为18最优参数组合对训51原理方法对比 练集进行训练,建立PM2.5浓度预测模型。该模 随机森林是以单棵决策树作为其本分类预 型反映了PM2.5浓度与各影响因素之间复杂的非测器的一个集成学习模型,结合了集成学习理 线性关系。运用该模型对测试集进行预测,并计论和随机子空间的两大随机思想,分别用于随 算模型的精度和效率,结果见表2。 机选取训练样本和随机选取分裂属性值。同时 克服了决策树易过拟合的缺点,对于噪声和异 表2RFRP模型性能分析 常值不敏感,具有较好的顽健性,是一和有效 数据集 MRE R 训练时间s 的分类预测方法,具有较高的精度和较强的泛 训练集 0.165 0.942 0.283 化能力。参考文献[14]针对随机森林的优势给岀 测试集 0.159 0.934 0.281 了数学理论上的推理证明。随机森林的收敛定理 2017211-7 73· 电信科学2017年第7期 ( convergence theorem),即式(3)证明∫随机森 (2)局部最小化2 林不会出现过拟合问题:泛化误差界 从数学角度分析,BP-NN属于一种局部搜索 ( generalization error bound),即式(5)给出了随的优化方法。 机森林预测的·个理论上界:;袋外估计( out-of-bag (3)网络结构复杂难定21 estimation),即式(2)提出了一和利用袋外数据 关于网络结构的选择,并没有权威的理论指 估计泛化误差界的OOB误差估计方法,该方法效导,往往根据经验选择。而网络结构的选择会直 率较高,其结果近似于需要大量训算的K折交叉接影响网络是否收敛,岀现过拟合、容错性下降 验证。 等问题。 与随机森林相比,BPNN也适用于求解内部 (4)数据需要进行归化处理23 机制较复杂的非线性问题。BPNN是一种按误差 BPNN的隐含层一般采用的是 Sigmoid函 逆传播算法训练的多层前馈网络,基本思想是根数,根据 Sigmoid函数特点,需要将输入向量进 据梯度下降法,使得网络的实际输岀和期望输岀行归一化后才能作为网络的输入量。目的在于提 均方差得到最小,拓扑结构包括输入层( Input高收敛速度和灵敏性及有效避开函数的饱和区。 layer)、隐含层( hidden layer)、输出层( output5.2预测结果对比 layer)9,分为信息正向传播和误差反向传播 与RFR算法不同,BP-NN算法需要对数据进 通过实际输岀与期望输岀之间的误差来调整各层行归一化处理。本文采用隐含层为 Logistic激活 连接权值和各节点之间的阈值,调整参数的过程函数的BP-NN,网络结构为22-10-1,即输入层 是周而复始的,一直到满足终止条件为止,这个节点数为22,隐含层节点数为10,输出层节点 过程也是BPNN的学习训练过程。 数为1。此外,本实验将与LR( linear regression, 图6是本文设计的3层BPNN预测模型的网线性回归)、SVM( support vector machine,支持 络结构。 向量杋)两个经典算法进行比较。4个模型预测 误差反向传播 结果对比见表3。 输入层 隐含层 输出层 表3RFRP模型和BPNN模型预测结昊对比 模型 MRE 训练时间/s Co→( RFRP 0.159 0.934 0.281 一PM25预测值 BP-N 0.16l 0.971 4.766 LR 0.322 0.827 0.108 SVM 0.216 0.893 0.132 季节一-( 由表3可知,在模型精度方面,RFRP和BPNN 信息正向传播 表现明显优于LR和SM。而RFRP和BPNN两 图6本文设计的BP-NN预测模型结构 个模型相差不多:RFRP的MRE误差为0.159,相 BP-NN具有大规模并行、自学习、自适应、比于BPNN的0161,降低了0.002,而确定性系数 高容错、泛化能力强等优点,但随着应用领域的还咯低于BP-NN的0.971。但在模型的运行效率方 扩大,BPNN也暴露出了一些缺点和不足。 面,RFRP、LR、SVM的模型训练时间均远少于 (1)收敛速度慢20 BPNN的47665 BPNN本质为梯度下降法,优化的目标函数 综合比较预测结果,RFRP和BPNN两个模 较复杂,会出现“锯齿形”现象 型在PM2.5浓度预测问题上的效果优于LR、 2017211-8 研究与开发 74· SVM,均具冇较高的准确率,能够较好地解决复 ture[J]. China Induxtrial Economics, 2014(4): 19-3 杂的非线性问题,BP-NN模型的拟合度甚至还优 「4]付倩娆.基于多元线性凹归的雾霾预测方法硏究[J计算机 科学,2016,43(6A):526-5 于RFRP模型。在运行效率方面,RFRP模型的优 FU QR. Research on haze prediction based on multivariate li 势就明显了,其运行时间为0.281s,只有BPNN near regression[J]. Computer Science, 2016, 43(6A): 526-528 5] CHELANI A B, DEVOTTA S. Prediction of ambient carbon 模型的588%。 monoxide concentration using nonlinear time series analysis 相比而言,RFR算法结构简单易于理解、实 technique[J]. Transportation Research Part D: Transport and 现模型简单、参薮易调节,且不需要对数据进行 Environment,2007,12(8):596-600 [6]毛馫,孙宇、冯蕺,等.空气中PM25浓度的灰气预测与关 归一化处理和父叉验证。而BPNN存在着计算量 联因素分析口.宁夏大学学报(自然科学版),2014,35(3) 大、学习效率低,易过拟合、网络结构参数难确 283-288 定的缺点。最主要的是RFR算法的两人随机特性 MAO C, SUN Y, FENG C, et al. Grey forecast and correlation factors analysis of PM2.5 in the air[J] Journal of Ningxia Uni- 解决了过拟合问题,同时提升了训练速度。所以, versity (Natural Science Edition), 2014, 35(3): 283-288 RFRP在综合性能上具有一定的优势。 [7] ZHANG C J, DAI L J, MAL M. Rolling forecasting Inodel for PM2.5 concentration based on support vector machine and par- 最终的实验结果表明,RFRP模型与BPNN ticle swarm optimization[C]/International Symposium on Op 模犁相比,在不降低预测精度的同时,有效地提 toelectronic Technology and Application, May 9-11, 2016, Bei 高了PM25的预测效率 ing, China. [S.L. S.n. J, 2016 [8 BALACHANDRAN S, CHANG H, PACHON J, ct al. Bayc- 6结束语 sian-based ensemble source apportionment of PM2.5[J]. Envi- ronment Science Technology, 2013, 47(23): 13511-13518 随机森林作为一种高效的机器学习算法,已9 GRIVAS G CHALOULAKOU A. Artificial neural network models for prediction of PMlO hourly concentrations, in the 经广泛应用到多个领域,然而在PM2.5浓度预测 Greater Area of Athens, Greece[J]. Atmospheric Environment, 中的应用研究却很少。本文通过对基于RFR算法 2006,40(7):1216-1229 [10]马天成,刘大铭、李雪洁,等.基丁改进型PSO的模糊神经 的PM2.5浓度预测模型的研究和实现,发现该模 网络PM2.5浓度预测[门计算机工程与设计,2014,35(9 型具有较高的预测精度,且为PM2.5浓度预测问 3258-3262 题提供了可参考的特征。实验证明,基于RFR算 MATC. LIU D M,LI X J, et al. Improved particle swarm op timization based fuzzy neural network for Pm2. 5 concentration 法设计出的PM2.5浓度预测模型,相比于BPNN prediction J]. Computer Engineering and Design, 2014, 35(9) 模型,不仅能保证较高的预测精度,还能大幅度 [11] LIN J, CHEN CH, LIN C T. A hybrid of cooperative par 地提高模型的预测效率。 ticle swarm optimization and cultural algorithm for neural fuzzy networks and its prediction applications[J. IEEE Transactions 参考文献: on Systems Man Cybernetics Part C, 2009, 39(1): 55-68 「12]杨云,付彦丽.基于TS模型模糊神经网终的PM2.5质量浓 1] MA H, SHEN H, LIANG Z, et al. Passenger's exposure to 度预测[.陕西科技大学学报(自然和学版)、2015,33(6) PM2. 5, PM1O, and CO2 in typical underground subway plat- 162-166 ForMis in shanghai[]. Lecture Noles in Electrical Engineering, YANG Y, FU Y L. The prediction of mass concentration of 2014(261)237-245 PM2.5 based on T-S fuzzy neural network[J] Journal of Shaan [2] SCHWARTZ J, DOCKERY D W, NEAS L S Is daily mortality xi Univcrsity of Scicncc Technology(Natural Scicncc Edi associated specifically with fine particles? []. Journal of the air tion),2015,33(6):162-166 and Waste Management Association, 1996(46 927 [13] MCKEEN S, CHUNG S H, WILCZAK J, et al. Evaluation of 「3]马丽梅,张晓.中国雾霾污染的空间效应及经济、能源结构 several PM2.5 forecast models using data collected during the 影响J中国工业经济,2014(4):19-31 ICARTTINEAQS 2004 field study[]. Journal of Geophysical MA LM, ZHANG X. The spatial effect of Chinas haze pollu Research,2007,112(D10:541-553 tion and the impact from economic change and energy struc- [14] BREIMAN L, CUTLER A. Random forests[J]. Machine 20172119 75· 电信科学2017年第7期 Learning,201,45(1):5-32 wind power prediction]. Telecommunications Science, 2017, [15] BREIMAN L. Bagging predictors[J]. Machine Learning, 1996 33(3):168-172 24(2):123-140 61HOTK. The random subspace method for constructing deci--[作者简介] sion forests[J]. IEEE Transactions on Pattern Analysisand Ma- 杜续(1989),男,西安邮电大学硕士生, chine Intelligence, 1998. 20(8): 832-844 主要研究方向为大数据分炘与数据挖掘。 [17 WOLPERT D H, MACREADY W G. An efficient method to estimate baggings generalization error]. Machine Learning, 999,35(1):41-45 [18] CHEN B, WANG XP, YULX, et al. Prediction of PM2. 5 con- centration in a agricultural park based on artificial neural net- work[J]. Advance Journal of Food Science and Technology 2016,11(4):274-280. 冯景瑜(1984-),男,博士,西安邮电大 [1]]吕昌彐.基于BP算法的柊资源调度矿究D].哈尔滨:哈 学副教授,主要研究方向为无线通信安全 尔滨理工大学,2007 认知无线网终等 LV C G Grid resources scheduling research based on BP algo rithm[D]. Harbin: HUST, 2007 [20]鲍立威,何敏,沈平.关于BP模型的缺陷的讨论[模式识 别与人工智能,1995,8(1):1-5 BAO L W, HE M, SHEN P Argument on the shortcoming of BP-modcl[J]. Pattcrn Rccognition and Artificial Intclligcncc 吕少卿(1987-),男,博士,西安邮电大 1995,8(1):1-5 学讲师,主要研究方向为大数据分析与网络 [21]BP神绎网络优缺点的讨论[EBOL.(20081201)2017-03-30 安全 http://www.paper.edul.cn/releasepapericontent/200812-27 BP neural network to discuss the advantages and disadvan- tagesEb/oL].(2008-12-01)[2017-03-30].http:/www.paper.edu cn/releas- epaper/content/200812-27 [2】]赵会敏,雒江涛,杨军超、等.集成BP神经网络预测模型的 研究与应用[J电信科学,2016,32(2):60-67 石薇(1980-),女,西安邮电大学讲师,主 ZHAO HM, LUO J T, YANG J C, et al. Research and applica 要研究方向为大数据分析与通信网络规划。 tion of prediction model based on ensemble BP neural net work[J]. Telecommunications Science, 2016, 32(2): 60-67 23]张国玲.基于情感神经网络的风电功率预测门.电信科学 2017.33(3).168-172. ZHANG G I An emotional neural network based approach for 2017211-10

...展开详情
立即下载 低至0.43元/次 身份认证VIP会员低至7折
    一个资源只可评论一次,评论内容不能少于5个字
    烟轻云淡 这是一篇论文,并没有代码,在别的地方也是可以下载到的
    2019-01-04
    回复
    关注 私信 TA的资源
    上传资源赚积分,得勋章
    最新推荐