专利交易市场

本发明公开了一种异质化节点和链路的网络建模方法、通信设备及网络。首先，利用二维邻近图对网络进行数学表示，根据网络中节点的类型对节点进行建模，具体包括源节点、目的节点，以及节点内部的各个功能模块；其次，根据无线通信网络中的相同链路具有非对称数据传输能力的特点，对网络通信链路进行建模，具体包括双向链路和单向链路；最后，根据上述异质化节点和链路模型完成通信网络模型的构建；本发明通过建立异质化节点和链路模型，能够针对链路的前向和反向数据传输能力不同、以及节点属性存在差异的网络，构建更加合理的网络模型，从而提高网络性能仿真及分析的准确性。

本发明公开了基于金字塔型卷积层的心电信号深度神经网络建模方法。搭建更优的深度卷积神经网络模型很有必要。本发明具体步骤如下：将传入的心电信号分别输入到不同卷积核的卷积层中，使得整个输入信号的每个感受野都通过不同的卷积核重复作用；接着，将多个卷积分支形成的特征图输出进行级联，并经过一个卷积核为1的卷积层以得到得到最终的心电信号特征图；心电信号特征图在m个残差块中逐个依次传输后通过一个全连接层分类。本发明能够在自动提取心电信号特征的同时，保留住多尺度的心电信号细节信息，呈现出含有更丰富特征的特征图，有效提高了心律失常识别和分类的准确性。

本发明公开了一种用于智能材料器件的神经网络建模及其迟滞特性预测方法，其包括以下步骤：根据智能材料器件的物理特性和约束条件，构建JA迟滞模型并进行离散化，得到离散后的JA迟滞模型；根据离散后的JA迟滞模型及其结构关系、离散后的JA迟滞模型输入激励与智能材料器件输出响应之间的信号传递关系，构建神经网络并进行训练；通过训练后的神经网络对迟滞特性进行预测。本发明构建的迟滞神经网络的规模和复杂度小，有利于网络的训练，所需的数据量小、运算时间短、计算成本低；本发明的预测方法利用训练后的神经网络对智能材料器件的迟滞特性进行预测，减少了建模误差，提高了准确度，可有效、精确、快速地描述智能材料器件的非线性特性。

本发明公开了一种化学放热反应的分布式主元分析神经网络建模方法。本发明通过采集对象的输入和输出数据，利用主元分析法通过降低维数将分布式参数系统分为自回归线性模型和非线性模型，通过最小二乘法对自回归线性模型进行辨识。非线性模型利用最小二乘法建立对象的RBF神经网络模型，然后通过遗传算法优化RBF‑神经网络模型的参数。本发明建立的模型具有较高的精确性，能够很好的描述过程对象的动态性能。