• <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
    中文天堂在线官网| 国产精品熟女久久久久浪| 女人被狂操c到高潮| 国产淫语在线视频| 日本黄大片高清| 国产精品av视频在线免费观看| av在线天堂中文字幕| 能在线免费观看的黄片| 麻豆一二三区av精品| 永久网站在线| 在线免费观看的www视频| av卡一久久| 久久精品久久久久久久性| 精品久久久久久久久久久久久| 国产精品一区二区三区四区免费观看| 午夜a级毛片| 日本av手机在线免费观看| 国产视频内射| 国产成人午夜福利电影在线观看| 中文字幕av成人在线电影| 五月玫瑰六月丁香| 日本一二三区视频观看| 乱码一卡2卡4卡精品| 三级经典国产精品| 亚洲av.av天堂| 99国产精品一区二区蜜桃av| 亚洲不卡免费看| 国内精品一区二区在线观看| 久久精品国产自在天天线| 我要搜黄色片| 老司机福利观看| 亚洲在久久综合| 只有这里有精品99| 搡老妇女老女人老熟妇| 成年av动漫网址| 看十八女毛片水多多多| 男女下面进入的视频免费午夜| 日韩成人av中文字幕在线观看| 麻豆乱淫一区二区| 特级一级黄色大片| 精华霜和精华液先用哪个| 我要搜黄色片| 欧美成人午夜免费资源| 九九在线视频观看精品| 长腿黑丝高跟| 午夜激情福利司机影院| 国产成人freesex在线| 亚洲成人精品中文字幕电影| 狠狠狠狠99中文字幕| 一级av片app| 久久久久久久久久成人| 免费播放大片免费观看视频在线观看 | 日本免费一区二区三区高清不卡| 国国产精品蜜臀av免费| 色视频www国产| 亚洲国产日韩欧美精品在线观看| 深夜a级毛片| 视频中文字幕在线观看| 亚洲美女搞黄在线观看| .国产精品久久| 久久亚洲精品不卡| 午夜老司机福利剧场| 天堂影院成人在线观看| 两个人的视频大全免费| 亚洲最大成人av| 秋霞在线观看毛片| 天天一区二区日本电影三级| 黄片wwwwww| 丝袜美腿在线中文| 国产久久久一区二区三区| 国产黄片美女视频| 亚洲18禁久久av| 国产片特级美女逼逼视频| 99热精品在线国产| 午夜日本视频在线| 一区二区三区四区激情视频| 亚洲图色成人| 亚洲一级一片aⅴ在线观看| 男插女下体视频免费在线播放| 国产亚洲av片在线观看秒播厂 | 欧美精品一区二区大全| 久久久久久久午夜电影| 特大巨黑吊av在线直播| 一级黄色大片毛片| 国产一区二区在线av高清观看| 水蜜桃什么品种好| 欧美+日韩+精品| 久久国产乱子免费精品| 97热精品久久久久久| 天堂影院成人在线观看| 日韩av不卡免费在线播放| 一级毛片电影观看 | 国产高潮美女av| 精品久久国产蜜桃| 麻豆精品久久久久久蜜桃| 亚洲无线观看免费| 久久99热这里只有精品18| 午夜福利在线观看吧| 国产亚洲av片在线观看秒播厂 | 国产真实伦视频高清在线观看| 一个人免费在线观看电影| 国产69精品久久久久777片| 青春草视频在线免费观看| 三级国产精品欧美在线观看| 欧美一区二区国产精品久久精品| 亚洲精品456在线播放app| 国产精品一区二区三区四区免费观看| 亚洲精品色激情综合| 能在线免费观看的黄片| 亚洲无线观看免费| 高清日韩中文字幕在线| 99热全是精品| 波野结衣二区三区在线| 男女边吃奶边做爰视频| 特大巨黑吊av在线直播| 永久免费av网站大全| 97在线视频观看| 青春草国产在线视频| 亚洲在久久综合| 日韩制服骚丝袜av| 99在线视频只有这里精品首页| 麻豆一二三区av精品| av播播在线观看一区| 欧美激情在线99| 别揉我奶头 嗯啊视频| 亚洲中文字幕一区二区三区有码在线看| 99在线人妻在线中文字幕| 在线免费观看不下载黄p国产| 尾随美女入室| 国产精品一及| 精品人妻熟女av久视频| h日本视频在线播放| 国产精品,欧美在线| 99在线视频只有这里精品首页| 日韩在线高清观看一区二区三区| 日韩制服骚丝袜av| 韩国av在线不卡| 两性午夜刺激爽爽歪歪视频在线观看| 久久久久精品久久久久真实原创| 亚洲最大成人手机在线| 欧美+日韩+精品| 日韩制服骚丝袜av| 国产精品一区www在线观看| 亚洲精华国产精华液的使用体验| 久久精品夜夜夜夜夜久久蜜豆| 国产在视频线精品| 日韩欧美在线乱码| 精品一区二区免费观看| 秋霞在线观看毛片| 欧美日韩一区二区视频在线观看视频在线 | a级一级毛片免费在线观看| 国产av在哪里看| 一二三四中文在线观看免费高清| 美女被艹到高潮喷水动态| 欧美日本亚洲视频在线播放| av卡一久久| 99热精品在线国产| 少妇被粗大猛烈的视频| 国产美女午夜福利| 久久鲁丝午夜福利片| av免费在线看不卡| 狂野欧美白嫩少妇大欣赏| 久久精品国产亚洲av涩爱| 精品久久久久久电影网 | 五月伊人婷婷丁香| 亚洲欧美中文字幕日韩二区| 国产精品.久久久| 国产欧美另类精品又又久久亚洲欧美| 久久久国产成人精品二区| 亚洲成色77777| 有码 亚洲区| 99久国产av精品| 国产精品久久久久久久电影| 一级二级三级毛片免费看| 九九爱精品视频在线观看| 身体一侧抽搐| 久久韩国三级中文字幕| 18+在线观看网站| 国产不卡一卡二| 国产老妇伦熟女老妇高清| 中国美白少妇内射xxxbb| 亚洲伊人久久精品综合 | 在线天堂最新版资源| 久久久精品94久久精品| 国产乱人偷精品视频| 22中文网久久字幕| 欧美激情在线99| 欧美一级a爱片免费观看看| 国产极品天堂在线| 最近手机中文字幕大全| 国产伦在线观看视频一区| 久久久久久久久大av| 国产精品一区www在线观看| 看免费成人av毛片| 色综合站精品国产| 国产大屁股一区二区在线视频| 91午夜精品亚洲一区二区三区| 亚洲av熟女| 国产日韩欧美在线精品| 成人国产麻豆网| 熟女人妻精品中文字幕| 三级男女做爰猛烈吃奶摸视频| 欧美性猛交黑人性爽| 99热这里只有精品一区| 久久久午夜欧美精品| videossex国产| 看片在线看免费视频| 26uuu在线亚洲综合色| 日韩亚洲欧美综合| 亚洲最大成人中文| 丰满乱子伦码专区| 中文字幕人妻熟人妻熟丝袜美| 天天躁夜夜躁狠狠久久av| 日日摸夜夜添夜夜爱| 99热精品在线国产| 七月丁香在线播放| 亚洲一区高清亚洲精品| 国产爱豆传媒在线观看| 能在线免费看毛片的网站| 日韩欧美在线乱码| 高清av免费在线| 99热这里只有精品一区| 国产真实伦视频高清在线观看| 亚洲四区av| 国产免费男女视频| 欧美一区二区国产精品久久精品| 国产精品麻豆人妻色哟哟久久 | 一夜夜www| 成人综合一区亚洲| 久久久久久久久大av| 韩国高清视频一区二区三区| 纵有疾风起免费观看全集完整版 | 老司机影院成人| 日韩国内少妇激情av| 一边亲一边摸免费视频| 午夜久久久久精精品| 免费看a级黄色片| 国内精品宾馆在线| 国产老妇女一区| 听说在线观看完整版免费高清| 日韩欧美国产在线观看| 久久亚洲精品不卡| 亚洲欧美精品综合久久99| 1000部很黄的大片| 国语对白做爰xxxⅹ性视频网站| 伦精品一区二区三区| 中文精品一卡2卡3卡4更新| 亚洲欧美精品综合久久99| 日韩一本色道免费dvd| 亚洲高清免费不卡视频| 欧美激情久久久久久爽电影| 2021天堂中文幕一二区在线观| 久久精品影院6| 麻豆成人午夜福利视频| 国产精品电影一区二区三区| 日本黄大片高清| 床上黄色一级片| 久久久国产成人精品二区| 纵有疾风起免费观看全集完整版 | 精品欧美国产一区二区三| 伊人久久精品亚洲午夜| 免费大片18禁| 久久精品熟女亚洲av麻豆精品 | 久久久久久国产a免费观看| 国产精品永久免费网站| 久久久久精品久久久久真实原创| 国产一级毛片在线| 日本免费一区二区三区高清不卡| 日韩亚洲欧美综合| 亚洲国产高清在线一区二区三| 嫩草影院新地址| 亚洲av中文字字幕乱码综合| 中文精品一卡2卡3卡4更新| 国产久久久一区二区三区| 久久99蜜桃精品久久| 精品欧美国产一区二区三| 一个人看的www免费观看视频| 成人漫画全彩无遮挡| 午夜精品一区二区三区免费看| 亚洲欧美成人综合另类久久久 | 久久久成人免费电影| 久久精品久久久久久久性| 午夜福利高清视频| 老司机影院成人| 国产高清不卡午夜福利| 精品免费久久久久久久清纯| 亚洲性久久影院| 亚洲欧洲日产国产| 亚洲丝袜综合中文字幕| 在线免费观看的www视频| 国产精品久久电影中文字幕| 少妇被粗大猛烈的视频| 桃色一区二区三区在线观看| 日本五十路高清| 麻豆成人午夜福利视频| 国产免费一级a男人的天堂| 六月丁香七月| 国产毛片a区久久久久| a级毛片免费高清观看在线播放| 久久人妻av系列| 热99在线观看视频| 欧美另类亚洲清纯唯美| 五月伊人婷婷丁香| 亚洲av不卡在线观看| 国产精品国产三级专区第一集| 日本一二三区视频观看| 夜夜看夜夜爽夜夜摸| 男女视频在线观看网站免费| 免费无遮挡裸体视频| 搡老妇女老女人老熟妇| 不卡视频在线观看欧美| 国产精品女同一区二区软件| 亚洲国产日韩欧美精品在线观看| 听说在线观看完整版免费高清| 天堂av国产一区二区熟女人妻| 一本—道久久a久久精品蜜桃钙片 精品乱码久久久久久99久播 | 69av精品久久久久久| 国产精品不卡视频一区二区| 国产亚洲最大av| 日韩视频在线欧美| 久久人人爽人人爽人人片va| 午夜精品一区二区三区免费看| 国产成人免费观看mmmm| 亚洲天堂国产精品一区在线| 99热网站在线观看| 最近最新中文字幕大全电影3| 国内揄拍国产精品人妻在线| 欧美极品一区二区三区四区| 成人国产麻豆网| 女的被弄到高潮叫床怎么办| 欧美日韩精品成人综合77777| 国产乱来视频区| 国内少妇人妻偷人精品xxx网站| 免费观看的影片在线观看| 国产精品一区二区在线观看99 | 精品欧美国产一区二区三| 中文亚洲av片在线观看爽| 国产成人a∨麻豆精品| www.av在线官网国产| 一夜夜www| 欧美激情国产日韩精品一区| 校园人妻丝袜中文字幕| 久久久久久久久久成人| 69人妻影院| 搞女人的毛片| 成人午夜高清在线视频| 国产黄片美女视频| 亚洲国产欧洲综合997久久,| 免费黄色在线免费观看| 不卡视频在线观看欧美| 99在线人妻在线中文字幕| 国产又黄又爽又无遮挡在线| 亚洲一级一片aⅴ在线观看| 又爽又黄a免费视频| 菩萨蛮人人尽说江南好唐韦庄 | 日产精品乱码卡一卡2卡三| 中文字幕精品亚洲无线码一区| 中文天堂在线官网| 在线免费观看不下载黄p国产| 久久精品人妻少妇| 久久久久性生活片| 久久99蜜桃精品久久| 麻豆av噜噜一区二区三区| 午夜福利在线在线| 日本黄色片子视频| eeuss影院久久| 女的被弄到高潮叫床怎么办| 婷婷六月久久综合丁香| 最近最新中文字幕大全电影3| 免费电影在线观看免费观看| 成人综合一区亚洲| 丰满乱子伦码专区| 91精品一卡2卡3卡4卡| 天堂√8在线中文| 日韩视频在线欧美| 九九热线精品视视频播放| 亚洲av中文字字幕乱码综合| av在线天堂中文字幕| 国产伦一二天堂av在线观看| 久久6这里有精品| 99久久九九国产精品国产免费| 卡戴珊不雅视频在线播放| 欧美激情久久久久久爽电影| 欧美xxxx黑人xx丫x性爽| av天堂中文字幕网| 国产精华一区二区三区| 国产精品综合久久久久久久免费| 三级毛片av免费| 男女啪啪激烈高潮av片| 桃色一区二区三区在线观看| eeuss影院久久| 九九爱精品视频在线观看| 国产伦精品一区二区三区视频9| 久久精品国产鲁丝片午夜精品| 国产精品一及| 国产精品电影一区二区三区| 乱人视频在线观看| 黄色一级大片看看| 亚洲va在线va天堂va国产| 欧美三级亚洲精品| 亚洲欧美一区二区三区国产| av播播在线观看一区| 99久国产av精品| 成人国产麻豆网| 又爽又黄a免费视频| 黑人高潮一二区| 成人一区二区视频在线观看| 中文字幕熟女人妻在线| 久久久久国产网址| 18禁裸乳无遮挡免费网站照片| 插逼视频在线观看| 久久久国产成人免费| 精品人妻偷拍中文字幕| 99热这里只有是精品在线观看| 91aial.com中文字幕在线观看| 女的被弄到高潮叫床怎么办| 国产精品一及| 免费一级毛片在线播放高清视频| 超碰av人人做人人爽久久| 亚洲在久久综合| 卡戴珊不雅视频在线播放| 欧美日韩综合久久久久久| 春色校园在线视频观看| 亚洲激情五月婷婷啪啪| 国产精品伦人一区二区| 国产精品久久久久久精品电影| 亚洲人成网站高清观看| 久久精品综合一区二区三区| 国产精品99久久久久久久久| 精品久久久久久久末码| 精品一区二区三区人妻视频| 三级国产精品片| av国产免费在线观看| 欧美高清性xxxxhd video| 国产成人免费观看mmmm| 国产激情偷乱视频一区二区| 日韩成人av中文字幕在线观看| 亚洲色图av天堂| 亚洲欧美清纯卡通| 22中文网久久字幕| 色网站视频免费| 亚洲最大成人手机在线| 日日啪夜夜撸| 99热这里只有精品一区| av又黄又爽大尺度在线免费看 | 在线免费观看的www视频| 国产淫语在线视频| 免费观看人在逋| 亚洲成色77777| videossex国产| 我的老师免费观看完整版| 久久精品夜色国产| 黄片wwwwww| 老师上课跳d突然被开到最大视频| 久久精品影院6| 久久亚洲国产成人精品v| 免费观看人在逋| av福利片在线观看| 精品一区二区三区视频在线| 国产午夜精品久久久久久一区二区三区| 精品99又大又爽又粗少妇毛片| 又黄又爽又刺激的免费视频.| 最近最新中文字幕免费大全7| 秋霞伦理黄片| 国产黄片视频在线免费观看| 色网站视频免费| 午夜爱爱视频在线播放| av免费观看日本| 中文在线观看免费www的网站| 久久人人爽人人爽人人片va| 欧美+日韩+精品| 久久午夜福利片| 午夜福利网站1000一区二区三区| 女人被狂操c到高潮| www.色视频.com| 可以在线观看毛片的网站| 免费观看人在逋| 在线观看66精品国产| 欧美色视频一区免费| 午夜福利在线在线| 色尼玛亚洲综合影院| 国产黄a三级三级三级人| 特级一级黄色大片| 日本一二三区视频观看| 亚洲真实伦在线观看| 欧美另类亚洲清纯唯美| 国产亚洲91精品色在线| 麻豆成人av视频| 丰满少妇做爰视频| 久久精品人妻少妇| 内地一区二区视频在线| 麻豆国产97在线/欧美| 国产成人freesex在线| 春色校园在线视频观看| 亚洲精品,欧美精品| 直男gayav资源| 亚洲欧洲日产国产| 欧美不卡视频在线免费观看| 久久久色成人| 日本午夜av视频| 久久久久久久亚洲中文字幕| 欧美一区二区亚洲| 色网站视频免费| 午夜激情福利司机影院| 九九久久精品国产亚洲av麻豆| 国产精品电影一区二区三区| 亚洲av熟女| 人妻夜夜爽99麻豆av| 一级av片app| 久久久久久久久久黄片| av在线亚洲专区| 一区二区三区乱码不卡18| 日日啪夜夜撸| 中文字幕人妻熟人妻熟丝袜美| 国产精品爽爽va在线观看网站| 国产白丝娇喘喷水9色精品| 成人性生交大片免费视频hd| 看非洲黑人一级黄片| 精品久久久噜噜| 一个人免费在线观看电影| 国产av码专区亚洲av| 国产乱来视频区| 国产成人免费观看mmmm| 国产伦理片在线播放av一区| 男人的好看免费观看在线视频| 日本五十路高清| 精品人妻一区二区三区麻豆| 听说在线观看完整版免费高清| 国产老妇女一区| 国产精品国产三级国产专区5o | 久久久欧美国产精品| 嫩草影院入口| 日韩av不卡免费在线播放| 九九爱精品视频在线观看| 久久久久久久午夜电影| 欧美最新免费一区二区三区| 免费在线观看成人毛片| 免费av毛片视频| 亚洲国产日韩欧美精品在线观看| 久久久久九九精品影院| 日韩欧美精品v在线| 久久久a久久爽久久v久久| 一级毛片久久久久久久久女| 高清午夜精品一区二区三区| 免费看av在线观看网站| 黑人高潮一二区| 日韩国内少妇激情av| 欧美色视频一区免费| 国产一区二区在线观看日韩| 国产激情偷乱视频一区二区| 亚洲精品影视一区二区三区av| 亚洲精品自拍成人| videos熟女内射| 亚洲av电影在线观看一区二区三区 | 欧美成人午夜免费资源| 91久久精品国产一区二区三区| av天堂中文字幕网| 成年免费大片在线观看| 亚洲av福利一区| 黄色一级大片看看| 51国产日韩欧美| 精品久久久久久电影网 | av国产久精品久网站免费入址| 久久久亚洲精品成人影院| 99久久成人亚洲精品观看| 99九九线精品视频在线观看视频| 黄色日韩在线| 韩国高清视频一区二区三区| 五月玫瑰六月丁香| 精品酒店卫生间| 少妇人妻精品综合一区二区| 免费电影在线观看免费观看| 两性午夜刺激爽爽歪歪视频在线观看| 国产真实乱freesex| 午夜a级毛片| 日韩在线高清观看一区二区三区| 禁无遮挡网站| av国产免费在线观看| 亚洲av中文字字幕乱码综合| 一级毛片我不卡| 亚洲精品日韩av片在线观看| 啦啦啦观看免费观看视频高清| 免费搜索国产男女视频| 蜜臀久久99精品久久宅男| 一级爰片在线观看| 一区二区三区四区激情视频| 亚洲精品乱码久久久久久按摩| 精品久久久久久久久久久久久| 免费观看人在逋| 欧美一区二区精品小视频在线| 久久精品国产亚洲av天美| 久久久精品欧美日韩精品| 天堂中文最新版在线下载 | 亚洲国产最新在线播放| 中文欧美无线码| 亚洲三级黄色毛片| 亚洲婷婷狠狠爱综合网| 亚洲成人精品中文字幕电影| 美女被艹到高潮喷水动态| 日韩欧美精品免费久久| 91av网一区二区| 少妇的逼水好多| 最近手机中文字幕大全| 久久精品国产自在天天线| 国产精品人妻久久久久久| 2021少妇久久久久久久久久久| 午夜a级毛片| 91狼人影院| 能在线免费观看的黄片| 色吧在线观看| 国产成人freesex在线| 在线免费观看不下载黄p国产| 亚洲自偷自拍三级| 女人久久www免费人成看片 | 国产私拍福利视频在线观看|