• 
    

    
    

      99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

      基于CNN-LSTM模型的中國(guó)碳排放量實(shí)時(shí)預(yù)測(cè)研究

      2022-10-30 01:42:40張學(xué)清喬小燕李瀟怡
      中阿科技論壇(中英文) 2022年10期
      關(guān)鍵詞:排放量神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)

      張學(xué)清 李 芳 張 絢 喬小燕 李瀟怡

      (1.山東工商學(xué)院數(shù)學(xué)與信息科學(xué)學(xué)院,山東 煙臺(tái) 264005;2.山東工商學(xué)院統(tǒng)計(jì)學(xué)院,山東 煙臺(tái) 264005;3.山東工商學(xué)院計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院,山東 煙臺(tái) 264005)

      2021年4月22日世界地球日,習(xí)近平總書記在以視頻方式出席領(lǐng)導(dǎo)人氣候峰會(huì)時(shí),首次全面系統(tǒng)闡釋人與自然生命共同體理念,為加強(qiáng)全球環(huán)境治理提出中國(guó)方案,指明應(yīng)對(duì)環(huán)境挑戰(zhàn)助力實(shí)現(xiàn)碳中和[1]。

      目前國(guó)內(nèi)對(duì)于碳排放相關(guān)問題的研究主要從影響因素、行業(yè)、地區(qū)、方法這四個(gè)方面展開。從影響因素來看,徐軍委(2013)從全國(guó)視角,運(yùn)用LMDI模型,探究了我國(guó)二氧化碳排放增長(zhǎng)的現(xiàn)狀及其形成的原因,依據(jù)測(cè)算結(jié)果分析了減排目標(biāo)實(shí)現(xiàn)的可能性[2]。馬宏偉等(2015)針對(duì)我國(guó)人均二氧化碳排放,運(yùn)用了STIRPAT方法對(duì)影響我國(guó)人均二氧化碳排放的因素進(jìn)行了實(shí)證研究[3]。

      從行業(yè)來看,碳排放主要是化石燃料的燃燒造成的,而鋼鐵行業(yè)、交通運(yùn)輸業(yè)、電力行業(yè)目前仍然依賴于化石能源的供能,關(guān)于這些行業(yè)的研究較為集中。高春艷等(2021)介紹了多種鋼材碳排放分析理論和核算方法等,以及如何選取碳排放因子的數(shù)值[4]。曾曉瑩等(2020)對(duì)交通碳排放時(shí)空分布格局進(jìn)行研究,采用探索性空間數(shù)據(jù)分析(ESDA)方法,同時(shí)考慮空間單元的差異性,構(gòu)建地理加權(quán)回歸(GWR)模型分析了交通碳排放影響因素的時(shí)空異質(zhì)性[5]。

      從研究方法上來看,對(duì)于分析影響因素和預(yù)測(cè)都可以使用傳統(tǒng)的STIRPAT模型[2],目前將深度學(xué)習(xí)的方法應(yīng)用于碳排放的研究也越來越多。針對(duì)碳排放預(yù)測(cè)問題,學(xué)者們也運(yùn)用了多種方法模型,包括趙成柏等(2012)使用的ARIMA和BP神經(jīng)網(wǎng)絡(luò)組合模型[6],王珂珂等(2020)使用的WOA-ELM模型[7]等等。

      國(guó)外關(guān)于碳排放相關(guān)問題的研究主要從碳排放影響因素分解及碳排放量預(yù)測(cè)方法兩個(gè)方面展開。Chekouri(2020)利用STIRPAT模型以阿爾及利亞為例對(duì)碳排放的驅(qū)動(dòng)因素進(jìn)行研究,結(jié)果表明人口數(shù)量是造成碳排放的首要因素[8]。國(guó)外主要用于碳排放量預(yù)測(cè)的方法有灰色模型、機(jī)器學(xué)習(xí)算法、情景分析法三種。Ding等(2017)提出改進(jìn)的灰色多變量模型,避免了傳統(tǒng)灰色模型預(yù)測(cè)不準(zhǔn)確、適應(yīng)性差等不足[9]。Chiroma等(2015)應(yīng)用神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)OPEC石油消費(fèi)的碳排放量,利用混合布谷鳥搜索算法優(yōu)化神經(jīng)網(wǎng)絡(luò)中的參數(shù),預(yù)測(cè)結(jié)果為OPEC成員國(guó)經(jīng)濟(jì)發(fā)展和結(jié)構(gòu)調(diào)整提供參考[10]。

      目前關(guān)于碳排放量的預(yù)測(cè)還沒有一個(gè)公認(rèn)的統(tǒng)一的預(yù)測(cè)模型,通過閱讀文獻(xiàn),可以發(fā)現(xiàn)CNN-LSTM模型對(duì)居民價(jià)格消費(fèi)指數(shù)、短時(shí)交通流、中國(guó)消費(fèi)者信心指數(shù)以及股票指數(shù)問題在預(yù)測(cè)方面展示出優(yōu)越的性質(zhì),結(jié)合碳排放量數(shù)據(jù)的特性,本文將構(gòu)建一個(gè)基于CNN-LSTM模型的中國(guó)碳排放量實(shí)時(shí)預(yù)測(cè)模型。通過使用多層CNN網(wǎng)絡(luò)提取碳排放影響因素的空間特征,并運(yùn)用LSTM網(wǎng)絡(luò)捕捉碳排放量的時(shí)間依賴特征,優(yōu)化算法機(jī)制進(jìn)行模型的優(yōu)化訓(xùn)練,模型采用碳排放量影響因素?cái)?shù)據(jù)作為數(shù)據(jù)集進(jìn)行預(yù)測(cè)是可行的,深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)也可對(duì)宏觀數(shù)據(jù)進(jìn)行處理,實(shí)現(xiàn)對(duì)各個(gè)領(lǐng)域的預(yù)測(cè)。

      1 CNN-LSTM神經(jīng)網(wǎng)絡(luò)模型

      1.1 CNN卷積神經(jīng)網(wǎng)絡(luò)模型

      CNN是深度學(xué)習(xí)中常用的一種前饋式神經(jīng)網(wǎng)絡(luò),它是由多層神經(jīng)網(wǎng)絡(luò)擴(kuò)展延伸而來。在大量數(shù)據(jù)輸入的基礎(chǔ)上,它能夠有效提取數(shù)據(jù)特征,得到有用的數(shù)據(jù)。

      學(xué)者們探索了CNN在時(shí)間序列預(yù)測(cè)中的應(yīng)用,發(fā)現(xiàn)其噪聲容忍度十分優(yōu)秀。在時(shí)間序列預(yù)測(cè)中通常采用的是一維CNN,把卷積核視為一個(gè)窗口,在時(shí)間序列數(shù)據(jù)上進(jìn)行窗口滑動(dòng),提取局部序列段并與權(quán)重進(jìn)行點(diǎn)乘,持續(xù)不斷輸出計(jì)算得到的序列特征,從而進(jìn)行池化下采樣,進(jìn)一步過濾數(shù)據(jù)中對(duì)于預(yù)測(cè)無益的噪聲信息,使得預(yù)測(cè)性能得到優(yōu)化。

      1.2 LSTM長(zhǎng)短期記憶網(wǎng)絡(luò)模型

      LSTM屬于遞歸神經(jīng)網(wǎng)絡(luò)(RNN),是由RNN改進(jìn)而來的一種特殊的循環(huán)神經(jīng)網(wǎng)絡(luò)。基礎(chǔ)的循環(huán)神經(jīng)擁有普通神經(jīng)網(wǎng)絡(luò)所沒有的自連接隱藏層結(jié)構(gòu),可以用前一時(shí)刻的隱藏層狀態(tài)更新當(dāng)前時(shí)刻的隱藏層狀態(tài),這使得RNN適用于處理時(shí)間序列數(shù)據(jù)。但隨著時(shí)間序列長(zhǎng)度的增加,RNN會(huì)因“忘記”早期的時(shí)序信息而變得難以訓(xùn)練,出現(xiàn)梯度消失或梯度爆炸。LSTM的提出,在一定程度上解決了RNN無法記住早期時(shí)間序列信息的問題[6]。相比之下,LSTM解決了RNN無法充分利用歷史信息的問題,常用來解決長(zhǎng)期依賴問題。

      LSTM共擁有四層以特殊方式進(jìn)行交互的神經(jīng)網(wǎng)絡(luò)層,細(xì)胞狀態(tài)以類似傳輸帶的形式貫穿這四層神經(jīng)網(wǎng)絡(luò),神經(jīng)網(wǎng)絡(luò)層對(duì)細(xì)胞進(jìn)行很小的線性變換,因此細(xì)胞狀態(tài)很容易保持信息的不變性。模型的第一步通過遺忘門決定要從細(xì)胞狀態(tài)中丟棄、保留哪些信息,該決定由sigmoid函數(shù)篩選t層輸入值和上一層輸出值 及經(jīng)過遺忘門后仍保留的長(zhǎng)期狀態(tài)中的信息。當(dāng)同時(shí)獲取到的信息后,將采用激活函數(shù)對(duì)數(shù)據(jù)進(jìn)行處理。同時(shí),遺忘門將這個(gè)結(jié)果傳遞給上一層細(xì)胞長(zhǎng)期狀態(tài),其輸出遺忘門值的表達(dá)式為:

      以上就是LSTM的整個(gè)運(yùn)行原理,其內(nèi)部的權(quán)重和參.數(shù)通過神經(jīng)網(wǎng)絡(luò)的反向傳播不斷調(diào)整優(yōu)化得到,進(jìn)而生成LSTM預(yù)測(cè)模型。

      2 中國(guó)碳排放預(yù)測(cè)模型及其結(jié)果

      2.1 數(shù)據(jù)的選取與處理

      2.1.1 數(shù)據(jù)的選取

      通過文獻(xiàn)研究及綜合前人篩選的中國(guó)碳排放影響因素,梳理得到碳排放的影響因素有人口數(shù)量、富裕程度、技術(shù)水平、城鎮(zhèn)化水平、產(chǎn)業(yè)結(jié)構(gòu)、能源消費(fèi)總量及化石燃料消費(fèi)占比。

      以上碳排放影響因素中,技術(shù)水平難以實(shí)現(xiàn)量化,即便量化也容易出現(xiàn)以偏概全的情況。學(xué)者們通過不斷地研究、改進(jìn)得到的與碳排放相關(guān)的影響變量,基本涵蓋了全國(guó)生產(chǎn)生活所有的碳排放量,但是存在指標(biāo)過于宏觀、指標(biāo)單位不一致的問題,可能會(huì)降低碳排放量的預(yù)測(cè)精度。為此,本研究重新設(shè)置了相關(guān)指標(biāo),涵蓋了生產(chǎn)生活的六個(gè)方面,其含義及計(jì)算方法如表1所示。

      表1 中國(guó)碳排放量影響因素

      本文數(shù)據(jù)來源于全球?qū)崟r(shí)碳數(shù)據(jù)Carbon Monitor官網(wǎng)。數(shù)據(jù)集來源于幾個(gè)關(guān)鍵的排放部門:電力部門(占總排放量的39%)、工業(yè)生產(chǎn)(28%)、地面運(yùn)輸(18%)、航空運(yùn)輸(3%)、船舶運(yùn)輸(2%)和居民消費(fèi)(10%)。這是第一次根據(jù)動(dòng)態(tài)和定期更新的活動(dòng)數(shù)據(jù),對(duì)這六個(gè)部門進(jìn)行每日排放估計(jì)。這是因?yàn)橛辛俗罱幕顒?dòng)數(shù)據(jù),如每小時(shí)的發(fā)電量、交通指數(shù)、飛機(jī)位置和天然氣分布,并假定排放量的每日變化是由活動(dòng)數(shù)據(jù)驅(qū)動(dòng)的,而排放因素的貢獻(xiàn)如政策實(shí)施和技術(shù)轉(zhuǎn)變,因?yàn)樗鼈冊(cè)谳^長(zhǎng)的時(shí)間范圍內(nèi)演變,可以忽略不計(jì)。

      2.1.2 數(shù)據(jù)的處理

      (1)獲取數(shù)據(jù)

      從全球?qū)崟r(shí)碳數(shù)據(jù)Carbon Monitor官網(wǎng)上獲取2019年1月1日至2020年11月30日中國(guó)碳排放量的數(shù)據(jù)作為模型測(cè)試數(shù)據(jù),共700條數(shù)據(jù)集。

      (2)歸--化處理

      為了避免獲取數(shù)據(jù)中的某些異常值使模型難以收斂,同時(shí)讓CNN-LSTM模型收斂得更快更穩(wěn)定,本研究對(duì)碳排放:量的相關(guān)數(shù)據(jù)進(jìn)行了歸--化處理,使CNN-LSTM的輸入值處于[0,1]區(qū)間。歸一化處理公式為數(shù)據(jù)歸一化處理公式:

      (3)數(shù)據(jù)還原

      在訓(xùn)練結(jié)束后對(duì)模型進(jìn)行評(píng)估時(shí),采用公式(8)對(duì)歸一化后的數(shù)據(jù)進(jìn)行還原(即逆歸一化)處理,以便評(píng)估模型預(yù)測(cè)值的誤差。

      2.2 模型構(gòu)建

      本研究構(gòu)造的CNN-LSTM模型的第一部分搭建了2個(gè)卷積層、1個(gè)最大池化層和1個(gè)展平層。在提取數(shù)據(jù)進(jìn)行訓(xùn)練時(shí),基于一周碳排放量數(shù)據(jù)以及不同影響因素的數(shù)據(jù)變化情況,且要保證數(shù)據(jù)預(yù)測(cè)的準(zhǔn)確性,對(duì)比用一周、三周的數(shù)據(jù)預(yù)測(cè)的效果后,最終將輸入層高度設(shè)置為14,也就是兩周。通過滑動(dòng)窗口的訓(xùn)練機(jī)制,每滑動(dòng)一步,將輸入14×7窗口大小的訓(xùn)練集數(shù)據(jù)進(jìn)入卷積1層。后期LSTM部分則采用LSTM網(wǎng)絡(luò)對(duì)展平層輸入的時(shí)序數(shù)據(jù)進(jìn)行建模,最終得到中國(guó)碳排放量連續(xù)7天的實(shí)時(shí)預(yù)測(cè)結(jié)果。

      第二部分則采用LSTM網(wǎng)絡(luò)對(duì)展平層輸入的時(shí)序數(shù)據(jù)進(jìn)行建模,將卷積神經(jīng)網(wǎng)絡(luò)捕捉到的特征序列通過LSTM的多次疊加計(jì)算,最終得到中國(guó)碳排放量連續(xù)7天的實(shí)時(shí)預(yù)測(cè)結(jié)果。CNN-LSTM中國(guó)碳排放量實(shí)時(shí)預(yù)測(cè)模型運(yùn)行的整個(gè)過程如圖1所示。

      圖1 CNN-LSTM運(yùn)行流程圖

      為了將本研究構(gòu)建的模型更好地運(yùn)用到真實(shí)數(shù)據(jù)預(yù)測(cè)過程中,將數(shù)據(jù)的前80%劃分為訓(xùn)練數(shù)據(jù),后20%劃分為測(cè)試數(shù)據(jù)。在訓(xùn)練過程中,訓(xùn)練周期以三周為單位,前兩周多變量數(shù)據(jù)作為模型的訓(xùn)練輸入,后一周碳排放總量作為驗(yàn)證輸入,以兩周數(shù)據(jù)預(yù)測(cè)后一周數(shù)據(jù),采用交叉驗(yàn)證的方法,訓(xùn)練集和驗(yàn)證集不斷調(diào)整模型參數(shù),把MAE和MAPE作為模型損失值,通過反向傳播誤差信息進(jìn)行迭代權(quán)重更新,不斷優(yōu)化卷積內(nèi)核中的參數(shù)、權(quán)重及LSTM的參數(shù)信息的參數(shù)直至收斂,完成模型的訓(xùn)練。在測(cè)試階段,20%的測(cè)試數(shù)據(jù)用于評(píng)估最終訓(xùn)練完成的模型的泛化能力。

      總而言之,CNN-LSTM碳排放實(shí)時(shí)預(yù)測(cè)模型是將兩個(gè)模型結(jié)合在一起,其模型內(nèi)部的運(yùn)行原理不變,充分利用了兩者的優(yōu)勢(shì),彌補(bǔ)了不足。數(shù)據(jù)部分采用了碳排放相關(guān)影響因素每天的數(shù)值,得到的是碳排放量每天的實(shí)時(shí)預(yù)測(cè)值,數(shù)據(jù)與方法的恰當(dāng)結(jié)合最終得到了能用于預(yù)測(cè)實(shí)時(shí)碳排放量的較好的模型。

      2.3 模型參數(shù)設(shè)置

      CNN-LSTM深度神經(jīng)網(wǎng)絡(luò)通過最小化碳排放量的預(yù)測(cè)值與實(shí)際值(真實(shí)值)之間的誤差進(jìn)行訓(xùn)練。對(duì)于損失函數(shù)定義為:

      其中表示輸出的碳排放量預(yù)測(cè)值,y表示真實(shí)值,W、b表示待學(xué)習(xí)的參數(shù),Loss的隱含意義是預(yù)測(cè)的殘差,本研究的目標(biāo)是使得Loss=0(或盡量?。?。

      根據(jù)損失函數(shù)值最小化原理,需要對(duì)CNN-LSTM模型的超參數(shù)進(jìn)行設(shè)置,它在一定程度上影響了該模型的預(yù)測(cè)性能。經(jīng)過反復(fù)地試驗(yàn)、調(diào)整,最終確定了相對(duì)較優(yōu)的超參數(shù)和激活函數(shù),同時(shí)為了調(diào)整多變量數(shù)據(jù)輸入和一維數(shù)據(jù)的輸出維數(shù)轉(zhuǎn)化,配置了Repeat-vector層和TimeDistributed層。

      2.4 結(jié)果分析

      2.4.1 擬合結(jié)果分析

      CNN-LSTM模型下對(duì)應(yīng)時(shí)段中國(guó)碳排放量的預(yù)測(cè)結(jié)果與實(shí)際值對(duì)比如圖2所示。可以看出,預(yù)測(cè)值的波動(dòng)趨勢(shì)大體與實(shí)際值的波動(dòng)趨勢(shì)一致,可見CNN-LSTM模型對(duì)碳排放量的預(yù)測(cè)表現(xiàn)較好,該模型具有較強(qiáng)的泛化性能。

      圖2 CNN-LSTM模型驗(yàn)證集預(yù)測(cè)值與實(shí)測(cè)值對(duì)比圖(133天)

      2.4.2 預(yù)測(cè)結(jié)果

      根據(jù)模型可得到一周內(nèi)每天碳排放量預(yù)測(cè)值,顯示一周內(nèi)的波動(dòng)差值大概在0.5以內(nèi)。

      3 模型性能的評(píng)估

      3.1 模型評(píng)價(jià)方法

      本文CNN-LSTM模型的預(yù)測(cè)評(píng)價(jià)方法主要采用較為常用的均方誤差MSE和平均絕對(duì)百分比誤差MAPE來進(jìn)行預(yù)測(cè)的評(píng)價(jià)分析。評(píng)判誤差大小的標(biāo)準(zhǔn):MSE和MAPE值越小,其預(yù)測(cè)誤差越小。

      3.2 模型評(píng)估結(jié)果

      通過CNN-LSTM模型得到的一周內(nèi)碳排放量預(yù)測(cè)誤差在合理范圍內(nèi)且偏小,具體數(shù)值如表2所示。

      表2 一周內(nèi)中國(guó)碳排放量預(yù)測(cè)誤差

      3.3 不同模型性能對(duì)比

      通過對(duì)比不同模型對(duì)碳排放量進(jìn)行預(yù)測(cè)得到的均方根及平均絕對(duì)誤差值可知,不同模型按兩者從小到大排列順序?yàn)镃NN-LSTM<WOA-ELM<ELM<BPNN。根據(jù)誤差值越小精度越高的原理,得到不同模型按預(yù)測(cè)精度降序排列為CNN-LSTM>W(wǎng)OA-ELM>ELM>BPNN。結(jié)論證實(shí)了采用CNN-LSTM預(yù)測(cè)碳排放量具有更高的精度,模型可行性高,可用于對(duì)中國(guó)每天的碳排放量進(jìn)行實(shí)時(shí)預(yù)測(cè)。

      4 結(jié)論及建議

      4.1 結(jié)論

      (1)本文構(gòu)建的CNN-LSTM預(yù)測(cè)模型具有較小的誤差值,在碳排放量預(yù)測(cè)精度上優(yōu)于WOA-ELM和BPNN模型,既解決了CNN難以記憶早期時(shí)間序列信息的問題,又克服了LSTM預(yù)測(cè)數(shù)據(jù)信息精度不足的缺陷,具有較強(qiáng)的泛化性能。

      (2)通過該模型可以預(yù)測(cè)到每一天實(shí)時(shí)的碳排放量,由此可以通過每天的碳排放量監(jiān)控與碳排放相關(guān)的生產(chǎn)活動(dòng),對(duì)比年度、季度甚至月度的碳排放量數(shù)據(jù),本研究得到的每日碳排量數(shù)據(jù)更具有時(shí)效性,便于及時(shí)調(diào)控各生產(chǎn)活動(dòng)的碳排放量,也為進(jìn)一步如何采取相關(guān)措施有效降低碳排放量、實(shí)現(xiàn)碳中和提供了分析數(shù)據(jù)。

      4.2 政策建議

      (1)積極調(diào)控可控因素可以有效控制碳排放總量數(shù)值。短期碳排放量的數(shù)值,容易受到碳排放生產(chǎn)端和消費(fèi)端的控制,但長(zhǎng)期來看,要把碳達(dá)峰與碳中和綜合考慮,既不能為了短期數(shù)值,限制相關(guān)企業(yè)的發(fā)展,也不能放任碳排放總量達(dá)峰,造成生態(tài)環(huán)境的破壞后,再考慮碳減排。

      (2)各個(gè)地區(qū)要因地制宜,積極探索適合本地區(qū)的碳中和措施。

      (3)積極推動(dòng)碳排放權(quán)的交易市場(chǎng)建設(shè)。國(guó)家要不斷完善交易機(jī)制,進(jìn)一步規(guī)范全國(guó)碳排放權(quán)的登記、交易、結(jié)算活動(dòng)。加快建立各項(xiàng)行政法規(guī)、市場(chǎng)標(biāo)準(zhǔn),積極對(duì)接國(guó)際碳排放權(quán)交易市場(chǎng),為全球碳排放交易市場(chǎng)提供中國(guó)智慧、中國(guó)方案和中國(guó)標(biāo)準(zhǔn)。

      (4)應(yīng)該大力鼓勵(lì)節(jié)能減排等相關(guān)技術(shù)的研究與創(chuàng)新。

      (5)提高公眾環(huán)保低碳意識(shí),培養(yǎng)綠色健康生活方式。

      (6)在后疫情時(shí)代,我們面臨著全球未來重構(gòu)與轉(zhuǎn)型發(fā)展。全球碳中和目標(biāo)將會(huì)對(duì)相關(guān)產(chǎn)業(yè)及金融業(yè)產(chǎn)生深遠(yuǎn)影響,我們應(yīng)該提前做好準(zhǔn)備,積極面對(duì)全球投資的機(jī)遇和挑戰(zhàn),以對(duì)碳排放量精確地掌握,應(yīng)對(duì)挑戰(zhàn)、抓住機(jī)遇,促進(jìn)企業(yè)綠色生產(chǎn),滿足人民對(duì)美好生活的向往和追求。

      猜你喜歡
      排放量神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)
      無可預(yù)測(cè)
      黃河之聲(2022年10期)2022-09-27 13:59:46
      選修2-2期中考試預(yù)測(cè)卷(A卷)
      選修2-2期中考試預(yù)測(cè)卷(B卷)
      天然氣輸配系統(tǒng)甲烷排放量化方法
      煤氣與熱力(2021年6期)2021-07-28 07:21:40
      黑龍江省碳排放量影響因素研究
      神經(jīng)網(wǎng)絡(luò)抑制無線通信干擾探究
      電子制作(2019年19期)2019-11-23 08:42:00
      不必預(yù)測(cè)未來,只需把握現(xiàn)在
      基于神經(jīng)網(wǎng)絡(luò)的拉矯機(jī)控制模型建立
      復(fù)數(shù)神經(jīng)網(wǎng)絡(luò)在基于WiFi的室內(nèi)LBS應(yīng)用
      基于支持向量機(jī)回歸和RBF神經(jīng)網(wǎng)絡(luò)的PID整定
      永德县| 滁州市| 双江| 大关县| 德昌县| 北川| 五常市| 武安市| 兴城市| 沙河市| 长岛县| 克东县| 清原| 沧州市| 德安县| 安阳县| 无棣县| 石景山区| 赤壁市| 民乐县| 交口县| 凤城市| 高要市| 买车| 通海县| 大姚县| 英山县| 应城市| 邹平县| 墨竹工卡县| 阿鲁科尔沁旗| 邹平县| 达日县| 梓潼县| 阿坝| 文昌市| 阜康市| 湘乡市| 五常市| 辽阳市| 东城区|