专利交易市场

一种基于TSNE‑BP神经网络的基坑水平位移预测方法，包括：步骤1：针对实际工程建立有限元设计模型，确定反演参数并设计正交试验进而获取训练样本数据与实际监测数据；步骤2：读取训练样本数据与实际监测数据，结合TSNE算法构建TSNE‑BP神经网络，确定相关超参数，对高维输入数据进行降维并训练网络；步骤3：将训练好的优化模型对测试样本进行土体参数反演，在结果中以损失函数Loss≤0.001的情况下取反演标准误差最低的一组数据为标准得到反演参数，并将反演参数输入Midas中进行计算得到基坑水平位移预测值，并计算预测标准误差及后续工况的预测位移；本发明在避免重大工程事故的发生，有效缩短施工工期方面具有较强的工程意义。

本发明公开一种五自由度无轴承永磁同步发电机神经网络预测解耦控制器，模糊神经网络系统输入端分别串接两个神经网络动态预测模块，模糊神经网络系统输出端连接包含有五自由度无轴承永磁同步发电机的复合被控对象，第一个神经网络动态预测模块输出t+1时刻的复合控制量ja，第二个神经网络动态预测模块输出t+1时刻的复合控制量jb和发电电压控制量，模糊神经网络系统的输出是t+1时刻的发电绕组参考电压分量、转子径向悬浮力绕组参考电压分量以及转子轴向位移控制电压；本发明结合了模糊逻辑控制对样本要求低、神经网络对系统学习能力及预测控制良好的动态性能的优点，能获得良好转子径向位移和发电电压控制等各种静动态性能，提高控制效率。

本发明公开了一种基于渐进式神经网络预测蛋白质与配体结合自由能的方法，属于计算机辅助药物设计技术领域，包括从PDBbind数据库中获取pdb文件，建立本地数据库，以配体分子为中心获取蛋白质结合口袋内4.5埃距离内的氨基酸分子，进行扩展连通性指纹计算，进行SPLIF指纹计算，查找蛋白质与配体分子之间的盐桥与氢键数目，将蛋白质与配体的结构信息转变成一维张量，建立训练集、验证集、测试集，利用训练集训练渐进式神经网络，优化寻找超参数进行预测，通过与分子对接结果的对照，获得了更高的皮尔森相关系数，解决了如何将蛋白质与配体分子的三维结构转变为计算机易于计算的张量、并输入到渐进式神经网络中进行训练与优化的技术问题，极大加快了计算速率和预测准确性。