专利交易市场

本发明公开了一种基于深度迁移学习的旋转机械故障诊断方法，属于旋转机械故障诊断领域。以堆叠自编码器为框架，在无监督预训练阶段逐层递增的适配不同领域概率分布，缩小源域和目标域的分布差异；在微调阶段则进行流形一致性适配，提高深度学习诊断模型的判别结构与数据流形结构的一致性，进一步提高诊断精度。本发明将迁移学习理论与深度学习诊断模型的训练过程相结合，赋予深度学习诊断模型对工况变化的鲁棒性，有效解决了现有深度学习诊断模型在变工况条件下精度严重衰退的问题，显著提高了变工况条件下的旋转机械故障精度。此外，新方法无需目标域待诊断数据标签，具有良好的适用性。

本发明公开了一种基于深度迁移学习的理论线损率预测模型，涉及人工智能算法在电力系统应用的技术领域，本发明包括以下步骤:首先将训练好的深度线损率学习模型作为源模型，把训练好的底层的DBN深度信念网络直接迁移到待预测的模型中(冻结)。然后，为避免深度学习模型训练时陷入局部最优，引入迁移学习的概念，结合预测的数据，通过MMD方法度量源、目标数据的分布差异并筛选源训练数据，用筛选的训练数据微调已训练好的DNN深度神经网络，最终得到基于TDBN-DNN的深度迁移学习模型。最后用电网运行数据作为模型输入来进行线损率预测；解决了在电网坚强、运行高效、节能环保的要求和智能电网的构建问题。

本发明公开了一种基于深度迁移学习的睡姿识别方法，采集目标个体的压力数据集经过预处理和归一化处理并转换为柱状压力图，使用预训练好的睡姿识别模型进行训练获得目标个体的睡姿识别模型；然后实时采集目标个体的一组压力数据经过预处理和归一化处理并转换为柱状压力图后输入目标个体的睡姿识别模型，获得输出得到目标个体睡姿的实时识别结果：平躺或侧躺。本发明本发明基于基础样本库对睡姿识别模型进行预训练，然后，将预训练的权重参数导入深度迁移学习模型，在自适应地提取睡姿数据的公共特征的同时，不断提高个体样本与基础样本库特征的差异性，有效地解决了新测试样本与基础样本库特征之间差异导致的识别率低的难题。

本发明提供了基于深度迁移学习与XGBoost的混合鸟鸣识别方法，通过计算log‑Mel频谱图的一阶差分系数和二阶差分系数，反映鸟鸣信号的变化过程，在保留物种有效信息的同时减少环境噪声等无关因素的影响，提升了识别鸟类物种的准确率；减少了环境背景噪声等无关因素的影响，有效识别了自然场景下的多种鸟类物种。本发明采用深度迁移学习微调VGG16模型构建特征提取器，提升了少样本训练数据下深度卷积神经网络的泛化能力，减少了参数训练，提升了运行效率。本发明将鸟鸣信号更准确的映射为鸟类物种，对自然环境中多种鸟类鸣声均具有良好的识别性能。

本发明属于生物信息学领域，涉及一种基于深度迁移学习的调控变异预测方法，其中包括卷积自编码器、多任务学习和迁移学习等技术。该方法的核心思想是在非编码变异数据上预训练模型，通过半监督方法学习非编码变异的底层特征表示能力。包括如下步骤：首先构建源域样本和目标域样本，并对DNA序列进行独热编码；其次使用卷积自编码器，通过多任务学习，训练特征提取器；最后将源域样本知识迁移到目标域，辅助模型在目标域进行预测。本方法采用半监督学习方法进行预训练，极大的保留了源域数据的底层特征，可以有效对候选变异进行筛选，对未来的实验验证具有重要意义。

本发明公开了一种基于深度迁移学习的列队混动卡车CACC能量管理方法，包括：基于VGG网络构建深度迁移学习神经网络模型；利用神经网络模型分别提取前一阶段短时行驶工况片段特征参数和后一阶段短时行驶工况片段对应的最优SOC轨迹的特征数据；基于最优SOC轨迹的特征数据得到参考SOC轨迹，根据神经网络状态迁移得到列队混动卡车后一阶段短时行驶工况片段对应的最优跟车车速轨迹；根据参考SOC轨迹及最优跟车车速轨迹实时预测控制下一阶段短时行驶工况内实际SOC轨迹跟随最优SOC轨迹，实现列队混动卡车CACC能量管理。本发明可以实现列队混合动力卡车协同式自适应巡航系统(CACC)中实时能量管理，进而实现列队跟车行驶时等效燃油经济性最优。