专利交易市场

本发明公开了一种基于LSTM的MEMS变形镜振动干扰预测与补偿方法及系统，方法首先获取MEMS变形镜的光学图像并解算生成基础电压控制字；并行采集环境机械振动信号，经滤波与特征提取后生成归一化振动序列；利用LSTM网络将归一化序列与基础控制字作为联合输入，预测补偿电压，并在数字域完成前馈融合生成目标控制字；对目标控制字进行高速差分编码与传输，并在驱动端进行自适应解码，据此动态调节PWM驱动电路，以控制MEMS变形镜产生形变。本发明利用LSTM超前预测克服了传统闭环延迟瓶颈，并在数字域实现控制字融合，大幅节省了下位机逻辑资源，显著提升了复杂振动环境下的波前校正精度及系统稳定性。

本发明公开了一种基于Q学习和LSTM神经网络的快速路由决策算法，该算法主要分为模型训练和动态路由决策两个阶段；模型训练阶段主要是利用启发式算法根据不同的QoS请求计算出满足约束条件的最优或者较优路径。之后将该启发式算法的输入和其相应的输出联合构成机器学习模型的训练集，并以此作为不同路由的目标Q值来对决策模型进行训练。在此基础上，当控制器收到新的QoS请求时，相应的机器学习模型将会把当前的网络状态和请求中的约束条件一同作为模型的输入，通过LSTM和Q学习相结合的路由决策模型快速计算出相应的Q值，完成预测并输出最优路径。该过程所需的时间比起启发式算法的来说将大大缩短，而结果却十分相似。

本发明提供一种基于LSTM神经网络模型的养殖尾水预测处理方法及系统，其中方法包括：获取养殖尾水的水质监测数据，并对所述水质监测数据进行预处理；所述水质监测数据包括：氨氮、pH、总氮、总磷、COD参数；获取LSTM神经网络模型；将预处理后的所述水质监测数据作为所述LSTM神经网络模型的输入，预测养殖尾水未来多时刻的水质参数值；利用养殖尾水未来多时刻的水质参数值，通过计算机控制模块对所述养殖尾水设备进行在线调控；完成在线调控后，通过采集装置采集养殖尾水的实时数据进行反馈验证。本发明利用LSTM神经网络预测模型对装置中氨氮、pH等参数进行预测，控制水质参数，并通过水质采集装置实时监测，提高出水水质。

本发明提供了一种基于改进LSTM神经网络模型的污水处理厂水质预测方法，其中，方法包括：获取污水处理厂的水质监测数据；对所述水质监测数据进行离群清理和平滑处理，获得处理数据；对所述处理数据进行归一化，获得归一化数据；利用所述归一化数据，构建训练集数据和测试集数据；基于遗传算法，改进LSTM神经网络，获得改进LSTM神经网络；利用所述训练集数据，对所述改进LSTM神经网络进行训练，获得水质预测模型；利用所述测试集数据输入所述水质预测模型，获得水质预测数据。本发明的基于改进LSTM神经网络模型的污水处理厂水质预测方法，在有效提高出水水质的前提下，进一步最大程度降低系统能耗，实现能源节约。

本发明公开了基于时空序列聚类算法和LSTM神经网络雷电预测方法，属于计算机科学技术领域，本发明的基于时空序列聚类算法和LSTM神经网络雷电预测方法，根据雷电中心经纬度的变化，利用基于雷电预测改进的DBSCAN密度聚类算法得到Eps值和每个时间片的雷电中心，通过LSTM神经网络预测出下一个时间片的雷电中心的地理位置。本发明可以自动计算出密度聚类DBSCAN的聚类半径，LSTM神经网络对雷电中心经纬度预测预测误差小精度高，基本可以满足实际的雷电预测需求。本发明首次尝试用LSTM神经网络解决雷电预测问题，之前的方法一般使用多项式拟合或者其他拟合方法，对雷电中心移动这个复杂的过程模拟的不够完全。

本发明公开了基于时空序列聚类算法和LSTM神经网络雷电预测方法，属于计算机科学技术领域，本发明的基于时空序列聚类算法和LSTM神经网络雷电预测方法，根据雷电中心经纬度的变化，利用基于雷电预测改进的DBSCAN密度聚类算法得到Eps值和每个时间片的雷电中心，通过LSTM神经网络预测出下一个时间片的雷电中心的地理位置。本发明可以自动计算出密度聚类DBSCAN的聚类半径，LSTM神经网络对雷电中心经纬度预测预测误差小精度高，基本可以满足实际的雷电预测需求。本发明首次尝试用LSTM神经网络解决雷电预测问题，之前的方法一般使用多项式拟合或者其他拟合方法，对雷电中心移动这个复杂的过程模拟的不够完全。