专利交易市场

一种基于Conv1D‑LSTM神经网络结构的交通流预测方法，包括以下步骤：1)对道路交通流数据进行预处理并构建道路交通流状态矩阵数据集；2)获取同一时刻内不同路段的交通流状态，提取交通流数据的空间特征；3)基于包含空间特征的交通流数据提取数据时间特征：将一维卷积网络输出的交通流空间特征作为LSTM神经网络输入，进一步提取道路交通流数据中时间特征；4)将道路交通流时空特征作为回归预测层输入，计算当前输入对应的预测结果；定义模型损失函数，根据损失函数数值利用反向传播算法不断优化模型参数；获取实时交通流数据作为模型输入，实现实时道路交通流的预测。本发明提高了交通流短期预测的准确性。

本发明提供一种基于全局胶囊神经网络的高光谱遥感图像分类方法，该方法采用主成分分析方法降低输入高光谱图像的光谱维度并同时实现去噪；然后通过对降维后的HSI图像进行卷积操作并将其设置为全局块来提取图像的全局特征；紧接着在全局块之后附加一个卷积层以提取更合适的图像特征；进而在Primary Caps层将提取到的图像特征通过动态路由算法迭代封装成对应的胶囊向量；最后，通过自注意力模块处理之后在Class Caps层中计算输出向量的长度来评判当前输入HSI图像属于相应实体的概率。

本发明提供了一种基于密集型网络的生成式对抗网络及失真图像复原的方法，属于图像处理与图像分析的技术领域。以深度学习框架为基础，利用卷积神经网络搭建了生成式对抗神经网络的结构，提供了失真图像复原的网络模型及训练流程，解决了失真图像的复原、网络层数过多使得网络浅层信息在传递时的信息丢失问题。本发明将密集卷积神经网络和生成式对抗网络相结合，有效的利用卷积来提取图像的特征，使复原的图像质量高、细节丰富、忠实。本发明能够获得失真图像的真实信息并能进一步优化失真图像的细节，解决了失真图像包括模糊、残缺、噪声等的复原问题，在图像处理、图像分析、智能视觉以及智能检测等领域具有很好的应用潜力和价值。

本发明公开的基于DBN‑GA神经网络的高压断路器故障检测方法，具体按照如下过程：将在线监测系统监测的电流数据，作为输入变量；然后，利用基于深度信念神经网络的深度学习算法构建故障类型预测模型，确定限制玻尔兹曼机模型，记为RBM，将一部分电流数据样本提取到构建该模型并进行训练；经过对受限玻尔兹曼机的训练后，对整个深度信念神经网络模型进行训练学习；最后将所有的数据输入到训练好的故障类型预测模型中，由故障类型预测模型对输入的分合闸线圈电流数据进行处理，完成对高压断路器故障检测。本发明公开的方法在弥补人工神经网络检测的不足的同时，能更加准确有效地判断断路器的故障类型，进而能够有效率的检修。