申请/专利权人:中南大学
申请日:2022-07-20
公开(公告)日:2023-05-26
公开(公告)号:CN115440317B
主分类号:G16C20/30
分类号:G16C20/30;G16C20/70;G06N3/044;G06N3/08;G06Q50/02;G06N3/0464
优先权:
专利状态码:有效-授权
法律状态:2023.05.26#授权;2022.12.23#实质审查的生效;2022.12.06#公开
摘要:本发明公开了一种浸出铀浓度的预测方法及装置、电子设备、存储介质,所述浸出铀浓度的预测方法采用LSTM‑CNN复合模型进行浸出铀浓度预测,其中,先通过CNN网络从可控参数中提取特征值数据作为LSTM网络的输入,可以最大化数据特征,然后采用LSTM网络基于CNN网络提取的特征值数据和前一日预测值进行当日浸出铀浓度预测,结合了卷积神经网络的特征提取优势和长短期记忆网络的特征记忆特性,将可控参数与历史预测值相结合,可以有效解决浸出铀浓度预测中部分特征参数存在混沌属性且难以准确获取和描述的问题,大大提高了浸出铀浓度预测结果的准确性。
主权项:1.一种浸出铀浓度的预测方法,其特征在于,包括以下内容:构建LSTM-CNN模型和浸出铀浓度历史数据库,所述浸出铀浓度历史数据库包括浸出铀浓度的历史预测值、历史实测值和历史可控参数,所述LSTM-CNN模型包括CNN网络、LSTM网络和Dense网络,所述CNN网络作为输入层,用于从输入的可控参数中提取特征值数据,所述LSTM网络作为隐藏层,用于基于CNN网络提取的特征值数据和前一日预测值进行当日浸出铀浓度预测,所述Dense网络作为输出层,用于输出所述LSTM网络的预测结果;利用浸出铀浓度历史数据库中的数据对LSTM-CNN模型进行训练;将进行浸出铀浓度预测当日的可控参数输入至训练好的LSTM-CNN模型中,输出当日的浸出铀浓度预测值;将预测当日一年前的同一天之前的90日浸出铀浓度实测值均值与CNN网络提取的特征值数据、前一日预测值共同作为LSTM网络的输入;所述LSTM网络的循环单元的执行公式为: 其中,d表示预测当日的日期,表示预测当日一年前的同一天之前的90日浸出铀浓度实测值均值,σ表示sigmoid激活函数,tanh表示tanh激活函数,Wz[]、Wr[]、Wh[]均表示权重矩阵,hd-1表示前一日的预测值,xd表示CNN网络提取出的预测当日的特征值数据,*表示遗忘运算,zd、rd、分别表示经过对应的激活函数、权重矩阵计算得到的特征数据,hd表示当日的浸出铀浓度预测值。
全文数据:
权利要求:
百度查询: 中南大学 一种浸出铀浓度的预测方法及装置、电子设备、存储介质
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。