• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 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CDAE和TCN/BLSTM模型的電能質(zhì)量擾動(dòng)分類方法

    2023-12-31 19:50:48代義東陸之洋袁旭峰徐玉韜談竹奎
    智慧電力 2023年12期
    關(guān)鍵詞:隱層時(shí)序擾動(dòng)

    代義東,陸之洋,熊 煒,袁旭峰,徐玉韜,談竹奎

    (1.貴州大學(xué)電氣工程學(xué)院,貴州貴陽 550025;2.貴州電網(wǎng)有限責(zé)任公司電力科學(xué)研究院,貴州貴陽 550002)

    0 引言

    隨著“碳達(dá)峰、碳中和”目標(biāo)的提出,新能源的發(fā)展已走上快車道,以光伏、風(fēng)電為代表的新能源在電網(wǎng)中不斷滲透,導(dǎo)致新型電力系統(tǒng)的源荷發(fā)生很大變化[1]。新能源出力的隨機(jī)性和波動(dòng)性會(huì)帶來嚴(yán)重的電能質(zhì)量擾動(dòng)(Power Quality Disturbances,PQDs)問題,進(jìn)而威脅到電網(wǎng)的穩(wěn)定運(yùn)行[2]。因此,快速、高效且準(zhǔn)確地對PQDs 進(jìn)行分類是保障電網(wǎng)穩(wěn)定運(yùn)行的前提[3]。

    以往的研究中PQDs 分類有信號分析、特征選取和擾動(dòng)分類3 個(gè)步驟。信號分析主要采用傅里葉變換[4]、小波變換[5]、S 變換[6]和模態(tài)分解[7]等方法,以此得到時(shí)頻域特征。經(jīng)過人工選取特征集后,再利用決策數(shù)[8]、支持向量機(jī)[9]等分類器完成分類。傳統(tǒng)方法雖然取得不錯(cuò)的分類效果,但嚴(yán)重依賴專家經(jīng)驗(yàn),限制了擾動(dòng)的最佳特征提取,且分類的類別有限。隨著擾動(dòng)的復(fù)雜化,傳統(tǒng)方法已難以滿足電網(wǎng)對PQDs 的分類需求。

    為解決傳統(tǒng)方法的不足,在PQDs 分類中引入了深度學(xué)習(xí)[10]。深度學(xué)習(xí)具有優(yōu)秀的自訓(xùn)練和特征提取能力,其描述的深度特征能夠充分識別擾動(dòng)類別。目前,深度學(xué)習(xí)在分類領(lǐng)域主要從以下兩方面切入:(1)是將擾動(dòng)信號通過二維映射[11]、可視化軌跡圓[12]、格拉姆角場[13]等轉(zhuǎn)化為圖像,再利用卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)提取特征并完成分類,但圖像化過程繁瑣且會(huì)導(dǎo)致擾動(dòng)特征丟失;(2)是直接將PQDs 作為分類對象,利用一維卷積[14]、稀疏自動(dòng)編碼器[15]、注意力機(jī)制[16]及門控循環(huán)單元[17]提取PQDs 的抽象、時(shí)序特征,或通過串行設(shè)計(jì)的卷積-長短期記憶[18]或全卷積-長短期記憶[19]等學(xué)習(xí)特征間的關(guān)聯(lián)性,完成PQDs 的分類。相比之下,根據(jù)PQDs 的時(shí)序特性進(jìn)行分類不僅無需任何轉(zhuǎn)換且能夠加快處理流程,更有利于后續(xù)的實(shí)時(shí)監(jiān)測和定位。目前,在此類研究中主要使用卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)或2 者的串行模型來實(shí)現(xiàn)對PQDs 的分類。其中,卷積神經(jīng)網(wǎng)絡(luò)的缺點(diǎn)是缺乏時(shí)序相關(guān)性,循環(huán)神經(jīng)網(wǎng)絡(luò)的缺點(diǎn)是缺乏長期依賴性,串行模型的缺點(diǎn)是容易陷入局部最優(yōu)而無法達(dá)到全局最優(yōu)。這3 種方法不僅會(huì)導(dǎo)致擾動(dòng)的時(shí)序特性被擾亂,而且會(huì)造成網(wǎng)絡(luò)過深引起的梯度爆炸和過擬合等問題。同時(shí),在實(shí)際環(huán)境中,噪聲也會(huì)掩蓋PQDs 的固有特征,導(dǎo)致分類模型難以提取有效信息,進(jìn)而降低其分類性能。因此,有必要針對隨機(jī)噪聲下的擾動(dòng),設(shè)計(jì)一種抗噪性能強(qiáng)、兼顧抽象和時(shí)序特征的分類方法。

    綜上所述,本文將卷積降噪自編碼器(Convolutional Denoising Auto-encoder,CDAE)、時(shí)域卷積網(wǎng)絡(luò)(Temporal Convolutional Network,TCN)和雙向長短期記憶(BidirectionalLongShort-termMemory,BLSTM)相結(jié)合,提出基于CDAE 和TCN/BLSTM 模型的PQDs 分類方法。研究的創(chuàng)新之處在于:(1)考慮了實(shí)際環(huán)境中噪聲對PQDs 的影響,通過CDAE 對含噪信號進(jìn)行重構(gòu),進(jìn)而獲取不含噪聲的信號;(2)以并行模式搭建TCN/BLSTM,挖掘抽象特征和時(shí)序特征的深度信息,并運(yùn)用批量歸一化(Batch Normalization,BN)加速模型收斂,使模型具有更好的分類性能。

    1 CDAE和TCN/BLSTM分類模型

    為實(shí)現(xiàn)對噪聲環(huán)境下的PQDs 分類,本文設(shè)計(jì)的CDAE 和TCN/BLSTM 分類模型如圖1 所示。其中,第一部分為CDAE 模型,主要實(shí)現(xiàn)降噪處理;第二部分為TCN/BLSTM 模型,主要實(shí)現(xiàn)特征提??;第三部分為特征合并(Features Merging,F(xiàn)M)模型,主要實(shí)現(xiàn)特征融合和分類。

    圖1 CDAE和TCN/BLSTM分類模型Fig.1 CDAE and TCN/BLSTM classification model

    1.1 CDAE模型

    CDAE 通過卷積、池化、反卷積和上采樣替代降噪自編碼器(Denoising Auto-encoder,DAE)的全連接。連接方式的改變不僅降低了網(wǎng)絡(luò)復(fù)雜性,而且避免了參數(shù)糅雜[20]。在CDAE 中,由卷積和池化構(gòu)成編碼器用于特征學(xué)習(xí)并對特征進(jìn)行降維,反卷積和上采樣構(gòu)成解碼器用于重構(gòu)信號并對特征進(jìn)行還原,CDAE 模型的降噪過程如圖2 所示。

    圖2 CDAE模型的降噪過程Fig.2 Noise reduction process of CDAE model

    CDAE 模型對第i個(gè)含噪信號的降噪過程表達(dá)式為:

    式中:W1,B1分別為編碼器權(quán)重和偏置;W2,B2分別為解碼器權(quán)重和偏置;f為Relu 激活函數(shù);θ為CDAE 的相關(guān)參數(shù);n為含噪信號的總量。

    1.2 TCN模型

    TCN 以全卷積神經(jīng)網(wǎng)絡(luò)(Fully Convolutional Networks,F(xiàn)CN)為基礎(chǔ),利用因果、擴(kuò)張卷積層替代傳統(tǒng)卷積,其中因果卷積使其能充分進(jìn)行序列學(xué)習(xí),擴(kuò)張卷積使其具有充足的感受野,從而擬合更多的信息,TCN 較全卷積神經(jīng)網(wǎng)絡(luò)更加適合處理時(shí)序問題[21]。TCN 的因果擴(kuò)張卷積結(jié)構(gòu)如圖3 所示。其中,分別為0 時(shí)刻到t時(shí)刻輸入的重構(gòu)信號,d為擴(kuò)張系數(shù)(每層的擴(kuò)張系數(shù)隨著模型深度加深呈現(xiàn)指數(shù)性增大),yt為t時(shí)刻的因果擴(kuò)張卷積特征。

    圖3 TCN的因果擴(kuò)張卷積結(jié)構(gòu)Fig.3 Causal expansion convolution structure of TCN

    TCN 模型由殘差塊和BN 層組成,其模型結(jié)構(gòu)如圖4 所示。其中,為t時(shí)刻的yt經(jīng)過BN 層優(yōu)化后得到的抽象特征。

    圖4 TCN模型結(jié)構(gòu)Fig.4 Structure of TCN model

    由圖4 可知,殘差塊中包含2 個(gè)卷積單元和非線性映射,卷積單元可以充分提取抽象特征的深度信息,非線性映射則可以保證輸入和輸出具有相同的維度。BN 層可以提高訓(xùn)練速度,而且能對數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理,從而保持相同分布。

    TCN 模型對t時(shí)刻的因果擴(kuò)張卷積特征進(jìn)行BN 優(yōu)化后,得到的抽象特征表達(dá)式為:

    式中:μ,φ2分別為yt的期望和方差;γ,β為可學(xué)習(xí)參數(shù);ε為隨機(jī)正值。

    1.3 BLSTM模型

    BLSTM 模型可對長短不一的序列進(jìn)行學(xué)習(xí),且能學(xué)習(xí)正反向序列的關(guān)聯(lián)關(guān)系,使模型在更細(xì)粒度的分類問題上更具優(yōu)勢[22]。本文中的BLSTM 模型由長短期記憶(Long Short-term Memory,LSTM)和BN 組成,其模型結(jié)構(gòu)如圖5 所示。其中,分別為t-1 時(shí)刻到t+1 時(shí)刻輸入的重構(gòu)信號,ht,分別為t時(shí)刻的正向隱層狀態(tài)、反向隱層狀態(tài),ht-1,ht+1和分別為t-1,t+1 時(shí)刻的正向隱層狀態(tài)、反向隱層狀態(tài),w1,w3分別為正向隱層、反向隱層與輸入層間的權(quán)重,w2,w4為為正向隱層間、反向隱層間的權(quán)重,w5,w6分別為正向隱層、反向隱層和輸出層間的權(quán)重,為t時(shí)刻的時(shí)序特征。

    圖5 BLSTM模型結(jié)構(gòu)Fig.5 Structure of BLSTM model

    BLSTM 模型對t時(shí)刻的ht和進(jìn)行BN 層優(yōu)化后,得到的時(shí)序特征表達(dá)式為:

    1.4 FM模型

    FM 模型的特征合并層將抽象特征Xabs和時(shí)序特征Xtim進(jìn)行融合,其表達(dá)式為:

    式中:concat 為融合過程函數(shù);Xfus為融合特征。

    采用Softmax 激活函數(shù)對分類層進(jìn)行激活,其值表示輸入樣本被正確分類的概率,其表達(dá)式為:

    2 模型搭建和訓(xùn)練方法

    為測試模型的有效性,計(jì)算機(jī)的CPU 和RAM分別為Intel(R)i7-9750H 和16.0 GB,PQDs 數(shù)據(jù)集由Matlab2018b 仿真生成。分類模型在基于Python語言的Keras 框架上進(jìn)行搭建,開發(fā)軟件為Pycharm,分類模型的架構(gòu)參數(shù)如表1 所示。表1中,Input1/2 為輸入層,Conv1/2 為卷積層,Mp1/2 為池化層,Dconv1/2 為反卷積層,Us1/2 為上采樣層,TCN 為時(shí)域卷積層,BLSTM 為長短期記憶層,BN1/2為歸一化層,Concatenate 為特征合并層,全連接(Fully Connected,F(xiàn)C)為全連接層,Output 為輸出層,q為過濾器個(gè)數(shù),k為內(nèi)核個(gè)數(shù),p為池大小,units 為神經(jīng)元個(gè)數(shù)。

    表1 分類模型的架構(gòu)參數(shù)Table 1 Architectural parameters of classification model

    將CDAE 和TCN/BLSTM 的批大小分別設(shè)為128 個(gè)和64 個(gè),迭代次數(shù)分別設(shè)為500 次和60 次,初始學(xué)習(xí)率分別設(shè)為0.3%和0.25%,優(yōu)化器均選用Nadam。采用均方誤差(Mean Squared Error,MSE)訓(xùn)練CDAE 模型,采用分類交叉熵(Classification Cross Entropy,CCE)訓(xùn)練TCN/BLSTM 模型,均方誤差損失LMSE和分類交叉熵?fù)p失LCCE的表達(dá)式為:

    3 仿真分析

    3.1 PQDs數(shù)據(jù)集

    根據(jù)IEEE Std 1159—2019 和文獻(xiàn)[23]的PQDs數(shù)學(xué)模型,由Matlab 仿真20 類PQDs 信號進(jìn)行測試:正常(C1)、暫降(C2)、暫升(C3)、中斷(C4)、脈沖(C5)、振蕩(C6)、諧波(C7)、閃變(C8)、暫降/升+諧波(C9,C10)、暫降/升+閃變(C11,C12)、暫降/升+振蕩(C13,C14)、暫降/升+諧波+閃變(C15,C16),暫降/升+諧波+振蕩(C17,C18),暫降/升+諧波+振蕩+閃變(C19,C20)。其中包含8 類單一擾動(dòng),12類復(fù)合擾動(dòng)?;l設(shè)為50 Hz,采樣頻率設(shè)為3 200 Hz,采樣長度設(shè)為10 個(gè)周期,共計(jì)640 個(gè)采樣點(diǎn)。每類擾動(dòng)采集2 000 個(gè)樣本,共計(jì)40 000 個(gè)樣本。實(shí)時(shí)PQDs 采集時(shí)會(huì)存在噪聲,主要以高斯白噪聲為主[24-25]。因此,添加信噪比為20~40 dB 的高斯白噪聲,并按照8∶1∶1 比例劃分訓(xùn)練集、驗(yàn)證集和測試集。其中,驗(yàn)證集設(shè)定是為了監(jiān)測驗(yàn)證損失和精度,進(jìn)而保存最優(yōu)模型[26]。為對模型進(jìn)行比較,額外采集信噪比為20 dB,30 dB,40 dB 和(20+30+40)dB的測試集。為適應(yīng)不同電壓幅值,對PQDs 信號均進(jìn)行歸一化處理。由于復(fù)合擾動(dòng)為單一擾動(dòng)的不同疊加組合,因此僅展示單一擾動(dòng)的波形如圖6 所示。

    圖6 單一擾動(dòng)的波形圖Fig.6 Waveforms of single disturbance

    3.2 模型訓(xùn)練

    在CDAE 和TCN/BLSTM 的訓(xùn)練過程中,學(xué)習(xí)率過大會(huì)導(dǎo)致無法收斂到最小值,學(xué)習(xí)率過小會(huì)導(dǎo)致收斂緩慢[27]。因此,引入衰減策略對學(xué)習(xí)率進(jìn)行動(dòng)態(tài)調(diào)整,以提升模型的精度和性能[28]。CDAE 的訓(xùn)練過程如圖7 所示。

    圖7 CDAE的訓(xùn)練過程Fig.7 Training process of CDAE

    由圖7 可知,隨著迭代次數(shù)的增加,訓(xùn)練損失和驗(yàn)證損失不斷趨于重合,說明重構(gòu)信號和原始信號也趨向于極其接近的程度。最終,在第500 次迭代后結(jié)束訓(xùn)練并保存最優(yōu)降噪模型。

    為說明CDAE 的降噪效果及重構(gòu)中是否會(huì)對擾動(dòng)造成固有特征丟失。選取C8 和C7 為例進(jìn)行時(shí)頻域分析,運(yùn)用快速傅里葉變換[29]將C7 從時(shí)域轉(zhuǎn)換到頻域。CDAE 的降噪效果如圖8 所示。

    圖8 CDAE降噪效果Fig.8 Noise reduction effect of CDAE

    由圖8 可知,由C1 的時(shí)域?qū)Ρ瓤梢钥吹竭\(yùn)用CDAE 降噪后的信號與原始信號非常接近。由C7的頻域?qū)Ρ瓤梢钥吹叫盘柋贿M(jìn)行重構(gòu)后,基本上能夠很好地保留信號的固有特征。

    將重構(gòu)信號輸入TCN/BLSTM 進(jìn)行訓(xùn)練。當(dāng)驗(yàn)證準(zhǔn)確率連續(xù)3 次迭代不再增加,則第4 次迭代可通過衰減策略將學(xué)習(xí)率衰減為0.7 倍,最終在第60次迭代結(jié)束保存最優(yōu)分類模型。TCN/BLSTM 的訓(xùn)練過程如圖9 所示。

    圖9 TCN/BLSTM的訓(xùn)練過程Fig.9 Training process of TCN/BLSTM

    由圖9 可知,隨著迭代次數(shù)的增加,準(zhǔn)確率不斷上升且趨于重合,并最終穩(wěn)定在較高水平;損失值不斷下降且趨于重合,并最終穩(wěn)定在較低水平。訓(xùn)練結(jié)束后,驗(yàn)證準(zhǔn)確率為99.26%。

    對驗(yàn)證集中最高準(zhǔn)確率的模型參數(shù)進(jìn)行保存,將信噪比為(20+30+40)dB 的測試集導(dǎo)入最優(yōu)分類模型中進(jìn)行測試。評估4 000 個(gè)樣本共耗時(shí)4.24 s,平均耗時(shí)為1.06 ms,符合對PQDs 分類的實(shí)時(shí)性要求[30]。測試集的準(zhǔn)確率如表2 所示。

    表2 測試集的準(zhǔn)確率Table 2 Accuracy of testing set %

    由表2 可知,測試集的平均準(zhǔn)確率為99.23%,與驗(yàn)證集準(zhǔn)確率幾乎接近,由此驗(yàn)證了模型的準(zhǔn)確性。

    3.3 模型對比

    為驗(yàn)證所提方法在PQDs 分類問題上的優(yōu)越性,對分類模型的不同組合和信號進(jìn)行降噪后再分類進(jìn)行對比。對比模型的訓(xùn)練參數(shù)與本文模型參數(shù)保持一致。

    3.3.1 不同模型組合

    將并行的TCN/BLSTM 模型與單一的BLSTM、單一的TCN 及串行的TCN-BLSTM 模型進(jìn)行對比,驗(yàn)證集曲線對比如圖10 所示。

    由圖10 可知,隨著迭代次數(shù)的增加,4 種模型的驗(yàn)證集準(zhǔn)確率均不斷上升并最終趨于穩(wěn)定。其中,BLSTM 和TCN 振蕩明顯,TCN-BLSTM 前期收斂過度、后期緩慢。相比之下,TCN/BLSTM 有著更好的收斂趨勢,且驗(yàn)證集準(zhǔn)確率更高。

    3.3.2 降噪前后

    為驗(yàn)證所提方法的噪聲魯棒性,將重構(gòu)信號輸入BLSTM,TCN 和TCN-BLSTM 模型進(jìn)行訓(xùn)練。訓(xùn)練時(shí)同樣以驗(yàn)證集精度保存最優(yōu)為依據(jù)對模型進(jìn)行分類。同時(shí),利用最優(yōu)降噪模型對信噪比為20 dB,30 dB,40 dB 的測試集進(jìn)行降噪,并導(dǎo)入BLSTM,TCN,TCN-BLSTM 和TCN/BLSTM 的最優(yōu)分類模型進(jìn)行測試。本文所提模型與其他7 種模型的平均準(zhǔn)確率對比結(jié)果如表3 所示。

    表3 平均準(zhǔn)確率對比結(jié)果Table 3 Comparison of average accuracy among eight models %

    由表3 可知,經(jīng)CDAE 對信號進(jìn)行降噪后的分類對比,平均準(zhǔn)確率明顯有所提高。結(jié)合3.3.1 小節(jié)的分析,說明本文所提模型的分類精度更高、噪聲魯棒性更強(qiáng),收斂趨勢更快、泛化能力更好,從而驗(yàn)證了所提方法為PQDs 分類的最佳選擇。

    3.4 與現(xiàn)有研究的比較

    3.4.1 性能參數(shù)

    為體現(xiàn)本文并行部分TCN/BLSTM 模型的先進(jìn)性,將其與串行的卷積-長短期記憶(Convolutional Long Short-term Memory,C-LSTM)模型、全卷積-長短期記憶(Fully Convolutional Long Short-term Memory,F(xiàn)C-LSTM)模型和TCN-BLSTM 模型進(jìn)行性能參數(shù)的對比。C-LSTM 和FC-LSTM 的基本架構(gòu)來源于文獻(xiàn)[18-19],性能參數(shù)對比如表4 所示。

    表4 性能參數(shù)對比Table 4 Comparison of performance parameter

    由表4 可知,TCN/BLSTM 的訓(xùn)練參數(shù)更少,說明其復(fù)雜度更低[31]。對應(yīng)的2 種時(shí)間參數(shù)反應(yīng)出TCN/BLSTM 的計(jì)算速度更快[32]。

    3.4.2 分類效果

    將所提模型與現(xiàn)有的7 種主流模型進(jìn)行比較。主流模型為基于離散小波變換(Discrete Wavelet Transform,DWT)和概率神經(jīng)網(wǎng)絡(luò)(Probabilistic Neural Network,PNN)的DWT-PNN模型[5]、基于變分模態(tài)分解(Variational Mode Decomposition,VMD)和決策樹(Decision Tree,DT)的VMD-DT 模型[8]、基于二維卷積神經(jīng)網(wǎng)絡(luò)(Two-Dimensional Convolutional Neural Network,2D-CNN)模型[11]、基于稀疏自動(dòng)編碼器(Sparse Automatic Encoder,SAE)模型[15]、多層特征融合注意力(Multilayer Feature Fusion Attention Network,MLFFAN)模型[16]、C-LSTM 模 型[18]或FC-LSTM 模 型[19]。本 文CDAE-TCN/BLSTM 模型與7 種主流模型的平均準(zhǔn)確率對比結(jié)果如表5 所示。

    表5 8種模型的平均準(zhǔn)確率對比Table 5 Comparison of average accuracy among eight models %

    由表5 可知,深度學(xué)習(xí)模型在不同信噪比下的平均準(zhǔn)確率均高于傳統(tǒng)方法,這主要得益于深度學(xué)習(xí)可以準(zhǔn)確和自動(dòng)地提取不同擾動(dòng)的最關(guān)鍵特征。不同信噪比下,本文模型準(zhǔn)確率的波動(dòng)較小,噪聲魯棒性更好。

    4 結(jié)論

    為有效提升PQDs 信號的分類準(zhǔn)確率,本文提出基于CDAE 和TCN/BLSTM 模型的電能質(zhì)量擾動(dòng)分類方法,經(jīng)過對比分析和研究,得出以下結(jié)論:

    1)所提的CDAE 模型,能夠充分學(xué)習(xí)原始和含噪信號間的特征聯(lián)系,并保留被噪聲掩蓋的固有特征。重構(gòu)信號能準(zhǔn)確地表達(dá)不同關(guān)鍵信息。

    2)所提的并行TCN/BLSTM 模型,能夠顯著減少深層網(wǎng)絡(luò)造成的參數(shù)量。經(jīng)BN 優(yōu)化可有效提升模型的訓(xùn)練速度和解決過擬合等問題。

    3)在信噪比為20~40 dB 環(huán)境中,基于CDAE 和TCN/BLSTM 相結(jié)合的分類方法,對20 類PQDs 的平均分類準(zhǔn)確率可達(dá)99.23%。在信噪比為20 dB,30 dB,40 dB 環(huán)境中,平均準(zhǔn)確率分別為99.24%,99.36%,99.45%,較小的準(zhǔn)確率波動(dòng)進(jìn)一步體現(xiàn)了模型的抗噪能力。

    4)與一般分類法相比,本文方法具備模型結(jié)構(gòu)緊湊、噪聲魯棒性強(qiáng)和分類精度高等優(yōu)點(diǎn)。未來的研究將集中在增加更多復(fù)雜擾動(dòng)和對模型進(jìn)行優(yōu)化上。

    猜你喜歡
    隱層時(shí)序擾動(dòng)
    時(shí)序坐標(biāo)
    Bernoulli泛函上典則酉對合的擾動(dòng)
    基于Sentinel-2時(shí)序NDVI的麥冬識別研究
    (h)性質(zhì)及其擾動(dòng)
    基于RDPSO結(jié)構(gòu)優(yōu)化的三隱層BP神經(jīng)網(wǎng)絡(luò)水質(zhì)預(yù)測模型及應(yīng)用
    人民珠江(2019年4期)2019-04-20 02:32:00
    一種毫米波放大器時(shí)序直流電源的設(shè)計(jì)
    電子制作(2016年15期)2017-01-15 13:39:08
    小噪聲擾動(dòng)的二維擴(kuò)散的極大似然估計(jì)
    用于光伏MPPT中的模糊控制占空比擾動(dòng)法
    基于近似結(jié)構(gòu)風(fēng)險(xiǎn)的ELM隱層節(jié)點(diǎn)數(shù)優(yōu)化
    最優(yōu)隱層BP神經(jīng)網(wǎng)絡(luò)的滾動(dòng)軸承故障診斷
    国产精品国产三级国产av玫瑰| 精品人妻偷拍中文字幕| 亚洲欧美成人综合另类久久久| 日本猛色少妇xxxxx猛交久久| 人人妻人人添人人爽欧美一区卜 | 欧美成人精品欧美一级黄| 日韩电影二区| 寂寞人妻少妇视频99o| 免费播放大片免费观看视频在线观看| 青青草视频在线视频观看| 老司机影院成人| 亚洲精品乱码久久久v下载方式| 亚洲精品一二三| 天堂中文最新版在线下载| 精品国产乱码久久久久久小说| 黑人猛操日本美女一级片| 午夜福利影视在线免费观看| 免费看日本二区| 欧美变态另类bdsm刘玥| 99视频精品全部免费 在线| 哪个播放器可以免费观看大片| 亚洲内射少妇av| 亚洲va在线va天堂va国产| 香蕉精品网在线| 久久久欧美国产精品| 寂寞人妻少妇视频99o| 亚洲国产精品专区欧美| av在线播放精品| 欧美xxxx性猛交bbbb| 国产一区有黄有色的免费视频| 伦理电影大哥的女人| 亚洲精品,欧美精品| 少妇的逼好多水| 午夜福利影视在线免费观看| 日韩视频在线欧美| 国产免费福利视频在线观看| 大码成人一级视频| 国内精品宾馆在线| 亚洲精品乱码久久久v下载方式| 少妇精品久久久久久久| 日本黄色日本黄色录像| 观看av在线不卡| 久久久精品94久久精品| av国产精品久久久久影院| 好男人视频免费观看在线| 日本欧美国产在线视频| 人妻系列 视频| 成年女人在线观看亚洲视频| 午夜福利高清视频| 少妇的逼好多水| 亚洲四区av| 尤物成人国产欧美一区二区三区| 黑丝袜美女国产一区| 亚洲欧美日韩无卡精品| 精品久久久久久久久亚洲| 国产精品免费大片| 日本欧美国产在线视频| tube8黄色片| 久久久久国产网址| 又大又黄又爽视频免费| 美女福利国产在线 | 国产精品一区二区性色av| 国产一区二区三区av在线| 激情五月婷婷亚洲| 少妇人妻精品综合一区二区| 中文资源天堂在线| 少妇人妻一区二区三区视频| 嫩草影院新地址| 天堂俺去俺来也www色官网| 久久久欧美国产精品| 国产乱人视频| 多毛熟女@视频| 男人爽女人下面视频在线观看| 免费黄频网站在线观看国产| 男女免费视频国产| 精品一区在线观看国产| 男人狂女人下面高潮的视频| 亚洲最大成人中文| 少妇被粗大猛烈的视频| 亚洲婷婷狠狠爱综合网| 老熟女久久久| 亚洲国产高清在线一区二区三| 久久99热这里只有精品18| 午夜免费鲁丝| 国产深夜福利视频在线观看| 日本免费在线观看一区| av免费在线看不卡| 国产老妇伦熟女老妇高清| 久久国产精品男人的天堂亚洲 | 精品一区二区三区视频在线| 国产亚洲av片在线观看秒播厂| .国产精品久久| 又大又黄又爽视频免费| 97热精品久久久久久| 高清毛片免费看| 精品酒店卫生间| 日韩中字成人| 亚洲va在线va天堂va国产| 在线观看人妻少妇| 成人毛片a级毛片在线播放| 在线观看三级黄色| 国产美女午夜福利| 日本黄色日本黄色录像| 丰满人妻一区二区三区视频av| 中文字幕精品免费在线观看视频 | 又粗又硬又长又爽又黄的视频| 亚洲四区av| 日韩视频在线欧美| av播播在线观看一区| 偷拍熟女少妇极品色| 韩国高清视频一区二区三区| 少妇高潮的动态图| 九九久久精品国产亚洲av麻豆| 少妇猛男粗大的猛烈进出视频| 欧美高清性xxxxhd video| 性高湖久久久久久久久免费观看| 一本—道久久a久久精品蜜桃钙片| 18禁裸乳无遮挡免费网站照片| 新久久久久国产一级毛片| 最近中文字幕2019免费版| 99热网站在线观看| 大香蕉97超碰在线| 另类亚洲欧美激情| 深夜a级毛片| 久久久久久久精品精品| 在线亚洲精品国产二区图片欧美 | 在线播放无遮挡| 亚洲精品,欧美精品| 天美传媒精品一区二区| 97在线人人人人妻| 91久久精品电影网| 天美传媒精品一区二区| 伊人久久国产一区二区| av网站免费在线观看视频| 欧美国产精品一级二级三级 | 熟女av电影| 国产真实伦视频高清在线观看| 午夜免费鲁丝| 亚洲国产毛片av蜜桃av| 日本与韩国留学比较| 啦啦啦中文免费视频观看日本| 18禁动态无遮挡网站| 人人妻人人澡人人爽人人夜夜| av免费在线看不卡| 麻豆精品久久久久久蜜桃| 人人妻人人爽人人添夜夜欢视频 | 99久久精品热视频| 97精品久久久久久久久久精品| 少妇的逼水好多| 久久99精品国语久久久| 18禁在线无遮挡免费观看视频| av在线app专区| 精品熟女少妇av免费看| 视频中文字幕在线观看| av黄色大香蕉| 久久久久久九九精品二区国产| 日本猛色少妇xxxxx猛交久久| 久久国产亚洲av麻豆专区| 午夜精品国产一区二区电影| 我的老师免费观看完整版| 丰满乱子伦码专区| 亚洲美女搞黄在线观看| 日本免费在线观看一区| 一级二级三级毛片免费看| 在线亚洲精品国产二区图片欧美 | 日本黄色日本黄色录像| 一本色道久久久久久精品综合| 亚洲精品日本国产第一区| 99久久精品一区二区三区| 国产精品国产三级专区第一集| 亚洲色图综合在线观看| 在线观看一区二区三区激情| 久久久亚洲精品成人影院| 色视频在线一区二区三区| 免费黄网站久久成人精品| 九九在线视频观看精品| 国产精品女同一区二区软件| 老师上课跳d突然被开到最大视频| 国产成人精品久久久久久| 噜噜噜噜噜久久久久久91| 亚洲精品中文字幕在线视频 | 男女免费视频国产| 亚洲精品乱码久久久久久按摩| 国产精品女同一区二区软件| 精品人妻一区二区三区麻豆| 午夜福利网站1000一区二区三区| 久久精品久久精品一区二区三区| 久久精品熟女亚洲av麻豆精品| 国产黄色免费在线视频| 王馨瑶露胸无遮挡在线观看| 欧美变态另类bdsm刘玥| av免费在线看不卡| 国产一级毛片在线| 亚洲激情五月婷婷啪啪| 午夜免费鲁丝| 大又大粗又爽又黄少妇毛片口| 国产精品成人在线| 欧美成人a在线观看| 美女中出高潮动态图| 欧美精品一区二区免费开放| 中文乱码字字幕精品一区二区三区| 色5月婷婷丁香| 日本vs欧美在线观看视频 | h视频一区二区三区| 国产精品福利在线免费观看| 日本一二三区视频观看| 内射极品少妇av片p| 亚洲综合色惰| 免费看日本二区| av.在线天堂| 国产亚洲最大av| 欧美极品一区二区三区四区| 日韩一本色道免费dvd| 国产高清有码在线观看视频| 日韩视频在线欧美| 日本wwww免费看| 国产成人aa在线观看| 大香蕉久久网| 亚洲精品国产成人久久av| 中文字幕亚洲精品专区| 男女边摸边吃奶| 99久久综合免费| 国产在线男女| 亚洲国产精品专区欧美| 蜜桃亚洲精品一区二区三区| 久久精品人妻少妇| 一本久久精品| 国产探花极品一区二区| 精品一区在线观看国产| 国产成人精品一,二区| 亚洲欧美精品专区久久| 一级毛片我不卡| 久久毛片免费看一区二区三区| 国产精品秋霞免费鲁丝片| 欧美xxxx性猛交bbbb| 网址你懂的国产日韩在线| 国产国拍精品亚洲av在线观看| 如何舔出高潮| 亚洲精品aⅴ在线观看| 日本av手机在线免费观看| 亚洲第一av免费看| 少妇人妻 视频| 欧美精品亚洲一区二区| .国产精品久久| 久久ye,这里只有精品| 尤物成人国产欧美一区二区三区| av国产免费在线观看| 精品一区二区三区视频在线| 九九在线视频观看精品| 亚洲aⅴ乱码一区二区在线播放| 国产伦精品一区二区三区四那| 少妇被粗大猛烈的视频| 美女高潮的动态| 熟女电影av网| 国产成人a∨麻豆精品| 日韩一区二区视频免费看| 少妇人妻 视频| 亚洲欧美日韩另类电影网站 | 久久99热这里只频精品6学生| tube8黄色片| 免费观看a级毛片全部| 国产老妇伦熟女老妇高清| 性高湖久久久久久久久免费观看| 少妇裸体淫交视频免费看高清| 少妇精品久久久久久久| 3wmmmm亚洲av在线观看| 亚洲精品第二区| 色网站视频免费| 超碰av人人做人人爽久久| 亚洲国产毛片av蜜桃av| 精品一区二区免费观看| 国产91av在线免费观看| 亚洲精品,欧美精品| 在现免费观看毛片| 国产熟女欧美一区二区| 欧美成人a在线观看| 日韩成人伦理影院| 精品久久国产蜜桃| 夜夜爽夜夜爽视频| 99热网站在线观看| 亚洲精品乱码久久久v下载方式| 亚洲精品久久久久久婷婷小说| 嫩草影院入口| 久久久久久久久久成人| a级毛片免费高清观看在线播放| 中文字幕人妻熟人妻熟丝袜美| 国产 一区精品| 五月天丁香电影| 亚洲经典国产精华液单| 黑人猛操日本美女一级片| 免费黄频网站在线观看国产| 精品一区二区免费观看| 免费黄网站久久成人精品| 国产亚洲5aaaaa淫片| 五月天丁香电影| 久久国产精品大桥未久av | 久久99热6这里只有精品| 身体一侧抽搐| av不卡在线播放| 网址你懂的国产日韩在线| 成人漫画全彩无遮挡| 免费人成在线观看视频色| 99热网站在线观看| 国产无遮挡羞羞视频在线观看| 1000部很黄的大片| 嫩草影院入口| h视频一区二区三区| 成人黄色视频免费在线看| 啦啦啦视频在线资源免费观看| 如何舔出高潮| 日韩av在线免费看完整版不卡| 嫩草影院新地址| kizo精华| 91久久精品国产一区二区三区| 又黄又爽又刺激的免费视频.| 国内揄拍国产精品人妻在线| 国产精品久久久久久久久免| 免费人妻精品一区二区三区视频| 少妇熟女欧美另类| freevideosex欧美| 性色avwww在线观看| 人妻 亚洲 视频| 又大又黄又爽视频免费| av免费在线看不卡| 男人舔奶头视频| 少妇裸体淫交视频免费看高清| 久久精品国产亚洲av天美| 久久久久久久久久久免费av| 国产亚洲欧美精品永久| 欧美3d第一页| 人妻制服诱惑在线中文字幕| 婷婷色综合大香蕉| 老司机影院成人| 伦精品一区二区三区| 蜜臀久久99精品久久宅男| 久久青草综合色| 精品亚洲成国产av| 亚洲一区二区三区欧美精品| 欧美精品一区二区免费开放| 亚洲伊人久久精品综合| 亚洲高清免费不卡视频| 久久久a久久爽久久v久久| 五月开心婷婷网| 欧美另类一区| 亚洲国产精品国产精品| 国产一区二区三区综合在线观看 | 插逼视频在线观看| 欧美性感艳星| 丝袜喷水一区| 国产精品国产三级专区第一集| 高清欧美精品videossex| 欧美+日韩+精品| 哪个播放器可以免费观看大片| 精品久久久精品久久久| 80岁老熟妇乱子伦牲交| 精品国产乱码久久久久久小说| 国内精品宾馆在线| 久久毛片免费看一区二区三区| 国产伦精品一区二区三区视频9| 日韩亚洲欧美综合| 国产在线视频一区二区| 久久久成人免费电影| 干丝袜人妻中文字幕| 看十八女毛片水多多多| 一区二区av电影网| 91精品伊人久久大香线蕉| 欧美97在线视频| 日韩一本色道免费dvd| av国产精品久久久久影院| 亚洲国产毛片av蜜桃av| 午夜福利在线在线| 国产精品久久久久久av不卡| 亚洲丝袜综合中文字幕| 日韩中字成人| 国产在视频线精品| 欧美日本视频| 草草在线视频免费看| 久久久久精品性色| 色综合色国产| 成人特级av手机在线观看| 99久久人妻综合| 天天躁夜夜躁狠狠久久av| 欧美成人a在线观看| 欧美变态另类bdsm刘玥| 麻豆国产97在线/欧美| 欧美97在线视频| 啦啦啦在线观看免费高清www| 精品亚洲成国产av| 18禁裸乳无遮挡动漫免费视频| 一个人免费看片子| 五月玫瑰六月丁香| 日韩欧美一区视频在线观看 | 欧美日韩国产mv在线观看视频 | 最后的刺客免费高清国语| 国产黄片美女视频| 99久久综合免费| 老司机影院毛片| 亚洲成人手机| 你懂的网址亚洲精品在线观看| 欧美成人一区二区免费高清观看| 肉色欧美久久久久久久蜜桃| 精品一区二区三区视频在线| 亚洲精品视频女| 久久久久性生活片| 国产精品成人在线| 中文字幕亚洲精品专区| www.色视频.com| 乱码一卡2卡4卡精品| 亚洲精品乱久久久久久| 久久婷婷青草| 亚洲精品国产色婷婷电影| 欧美高清成人免费视频www| 丰满乱子伦码专区| 欧美人与善性xxx| 少妇裸体淫交视频免费看高清| 精品少妇黑人巨大在线播放| 亚洲,一卡二卡三卡| 九草在线视频观看| 最后的刺客免费高清国语| 亚洲国产高清在线一区二区三| 亚洲av免费高清在线观看| 边亲边吃奶的免费视频| 青春草国产在线视频| 精品人妻视频免费看| 特大巨黑吊av在线直播| 99热网站在线观看| 男人添女人高潮全过程视频| 国产视频首页在线观看| 麻豆成人av视频| 一区二区三区四区激情视频| 大陆偷拍与自拍| 亚洲va在线va天堂va国产| 永久网站在线| 亚洲欧美日韩另类电影网站 | 人妻少妇偷人精品九色| 国产黄色免费在线视频| 欧美成人精品欧美一级黄| 最新中文字幕久久久久| av在线老鸭窝| 黑人猛操日本美女一级片| 久久亚洲国产成人精品v| 国产精品女同一区二区软件| 性高湖久久久久久久久免费观看| 日本一二三区视频观看| 男女啪啪激烈高潮av片| 亚洲av综合色区一区| 久久久久精品久久久久真实原创| 国产高清三级在线| 丰满乱子伦码专区| 亚洲国产日韩一区二区| 精品久久久精品久久久| 欧美精品人与动牲交sv欧美| 热re99久久精品国产66热6| 亚洲天堂av无毛| 国产爽快片一区二区三区| 一级毛片 在线播放| 观看美女的网站| 国产午夜精品一二区理论片| 中国国产av一级| 成人高潮视频无遮挡免费网站| 91精品国产国语对白视频| 高清午夜精品一区二区三区| 51国产日韩欧美| 亚洲真实伦在线观看| 国产精品伦人一区二区| 日韩制服骚丝袜av| 男女无遮挡免费网站观看| 多毛熟女@视频| 欧美激情国产日韩精品一区| 免费观看无遮挡的男女| 亚洲国产日韩一区二区| 日本爱情动作片www.在线观看| 三级经典国产精品| 国产老妇伦熟女老妇高清| 国产精品国产三级专区第一集| 特大巨黑吊av在线直播| 亚洲精品色激情综合| 另类亚洲欧美激情| 国产成人免费无遮挡视频| 欧美日韩一区二区视频在线观看视频在线| 少妇 在线观看| 少妇人妻一区二区三区视频| 在线观看人妻少妇| 成人影院久久| 黄色一级大片看看| 日韩亚洲欧美综合| 日本av免费视频播放| 国产在线一区二区三区精| 大片电影免费在线观看免费| 午夜免费观看性视频| 免费久久久久久久精品成人欧美视频 | 夫妻午夜视频| 免费人成在线观看视频色| 国产男人的电影天堂91| av在线app专区| 男女边吃奶边做爰视频| 国产欧美亚洲国产| 老司机影院成人| 日本与韩国留学比较| 国产在线一区二区三区精| 国产男女内射视频| 成人高潮视频无遮挡免费网站| 亚洲欧美清纯卡通| av在线观看视频网站免费| 丝瓜视频免费看黄片| 九色成人免费人妻av| 国产探花极品一区二区| 2021少妇久久久久久久久久久| 亚洲国产欧美在线一区| 亚洲国产成人一精品久久久| 成人国产av品久久久| 国产在视频线精品| 汤姆久久久久久久影院中文字幕| 国产在线一区二区三区精| 国产亚洲欧美精品永久| 日本黄色日本黄色录像| 热99国产精品久久久久久7| 自拍偷自拍亚洲精品老妇| 日日啪夜夜爽| 狂野欧美激情性xxxx在线观看| 色综合色国产| 精品人妻熟女av久视频| 男女下面进入的视频免费午夜| 日韩视频在线欧美| 国产高清有码在线观看视频| 高清黄色对白视频在线免费看 | 国产精品99久久久久久久久| 美女cb高潮喷水在线观看| 亚洲av国产av综合av卡| 亚洲美女搞黄在线观看| 成人特级av手机在线观看| 五月开心婷婷网| 亚洲欧美中文字幕日韩二区| 亚洲天堂av无毛| 欧美一级a爱片免费观看看| 少妇裸体淫交视频免费看高清| 亚洲国产高清在线一区二区三| 建设人人有责人人尽责人人享有的 | 一二三四中文在线观看免费高清| 亚洲精品aⅴ在线观看| 女的被弄到高潮叫床怎么办| 国产亚洲欧美精品永久| 精品酒店卫生间| 国产人妻一区二区三区在| 欧美bdsm另类| 国产伦精品一区二区三区四那| 久久97久久精品| 交换朋友夫妻互换小说| 免费黄网站久久成人精品| 国产亚洲午夜精品一区二区久久| 三级经典国产精品| 亚洲精品第二区| 日本vs欧美在线观看视频 | 只有这里有精品99| 一个人免费看片子| 日韩成人av中文字幕在线观看| 制服丝袜香蕉在线| 如何舔出高潮| 有码 亚洲区| 国产黄片美女视频| 久久人人爽人人片av| 九九久久精品国产亚洲av麻豆| 另类亚洲欧美激情| 精品久久久精品久久久| 黄片无遮挡物在线观看| 亚洲人成网站高清观看| av在线播放精品| 91久久精品电影网| 老熟女久久久| 亚洲av电影在线观看一区二区三区| 黑丝袜美女国产一区| 天堂俺去俺来也www色官网| 亚州av有码| 日本黄色日本黄色录像| 国产 精品1| 亚洲伊人久久精品综合| 91狼人影院| 我要看黄色一级片免费的| 亚洲成人中文字幕在线播放| 秋霞伦理黄片| 国产免费视频播放在线视频| 午夜日本视频在线| 久久久a久久爽久久v久久| 久久青草综合色| 日韩人妻高清精品专区| av线在线观看网站| 欧美一区二区亚洲| 高清黄色对白视频在线免费看 | 一个人看的www免费观看视频| 亚洲欧美日韩另类电影网站 | 亚洲人成网站在线播| 精品一区在线观看国产| 欧美日韩一区二区视频在线观看视频在线| 蜜桃亚洲精品一区二区三区| 男女边吃奶边做爰视频| 99精国产麻豆久久婷婷| 免费看av在线观看网站| 免费久久久久久久精品成人欧美视频 | 亚洲成人中文字幕在线播放| 日韩一区二区视频免费看| 欧美日韩国产mv在线观看视频 | 老女人水多毛片| 久久精品久久精品一区二区三区| 久久热精品热| 国产 一区 欧美 日韩| 久久精品久久精品一区二区三区| 日韩一本色道免费dvd| 老女人水多毛片| 久久6这里有精品| 2022亚洲国产成人精品| 亚洲第一av免费看| 嫩草影院入口| 国产精品无大码| 久久久精品免费免费高清| 春色校园在线视频观看|