专利交易市场

基于注意力机制和长短期记忆网络的污水处理厂出水水质预测方法，包括：对污水处理厂实际运行和监测数据进行采集与清洗，保留与出水水质存在相关性的特征并归一化作为深度神经网络的输入，根据所要预测的时间点建立数据样本与数据集；对特征进行分组，按照工艺段划分，其中进水流量特征单独置于一组中，与其它进水数据区分开；搭建深度神经网络，包括时序特征提取模块，用于获取时滞信息的注意力机制模块，以及回归模块；把进水流量数据喂入注意力机制模块的输入层，其余历史特征喂入时序特征提取模块的输入层，待预测时刻的出水水质数据喂入回归模块的输出层，设置损失函数，进行训练；调用训练好的深度神经网络来进行出水水质预测。

一种基于社会亲和力长短期记忆网络模型的拥挤场景行人轨迹预测方法，由对获取的数据进行预处理、基于社会亲和力映射图的池化操作、目标轨迹预测、训练模型、构建预测轨迹步骤组成。本发明将数据驱动善于处理连续序列问题的长短期记忆网络结合社会亲和力映射图来进行轨迹预测，模型由序列数据驱动，通过训练可以学习到普遍的行人轨迹模式，再结合预测时提取到的个人的轨迹特征和周围相关行人的轨迹特征，可以实现复杂场景的行人轨迹预测。本发明与现有技术相比，具有方法简单、与环境无关等优点，可用于捕获行人间约定俗成的社会习惯和微妙的交互，预测未来发生的交互。

本发明提供基于长短期记忆网络的光伏发电故障风险预测方法及系统，涉及数据处理领域，该系统包括：数据采集模块，用于采集光伏电池板所处的环境状态信息、光伏电池板的电池状态信息、逆变器的逆变器状态信息、支架结构的支架状态信息及连接线路的线路状态信息；发电预测模块，用于通过长短期记忆网络基于光伏电池板所处的环境状态信息，生成光伏发电设备的光伏发电预测功率；风险预测模块，用于基于光伏发电设备的光伏发电预测功率、光伏发电实时功率、环境状态信息、电池状态信息、逆变器状态信息、支架状态信息及线路状态信息，进行光伏发电故障风险预测，具有实现光伏发电故障风险的自动化且全面的预测的优点。

本发明公开了一种加权卷积自编码长短期记忆网络(Weighted convolutional autoencoder‑long short‑term memory network,WCAE‑LSTM网络)进行异常检测的方法，致力于学习移动行人的生成模型进行异常检测及定位，以保证公共安全。本发明提出一种新颖的双通道框架，利用WCAE‑LSTM网络分别学习原始数据通道及对应的光流通道的生成模式并对数据进行重构，基于重构误差进行异常检测。此外，针对复杂背景问题，本发明提出采用分块鲁棒主成分分析分解将稀疏前景与低秩背景分离，根据得到的背景信息设计加权欧几里德损失函数，从而抑制背景噪声。本发明设计的WCAE‑LSTM网络不仅能从全局角度检测异常，还能从局部角度粗略地定位异常区域，并通过联合考虑全局‑局部异常分析和光流异常分析的结果，最终实现对异常事件鲁棒、准确地检测。

本发明公开了一种基于长短期记忆网络的换脸视频检测方法，该检测方法包括视频帧提取、图像特征提取、长短期记忆网络训练测试。其中，视频帧提取负责提取视频片段中的关键帧及其之后的连续多帧图像，然后对图像中人脸区域进行裁剪，并使用高通滤波对人脸图像进行处理，提取人脸图像中的细节信息；利用在ImageNet图像分类数据集中训练好的Xception卷积神经网络对图像进行特征提取，将卷积神经网络的输出作为图像的特征，然后将各帧图像提取到的特征拼接为特征序列，输入到长短期记忆网络进行训练，最终得到一个高精度的换脸视频分类器。本发明充分利用了伪造视频中存在的帧间不一致性，大大提高了伪造视频的检测精度，取得了很好的分类效果。

本发明提出了一种双流卷积长短期记忆网络的短时临近降雨预报方法，属于天气预报技术领域。该方法通过两个分别对不同周期的降雨数据进行学习的长期预测子网络和短期预测子网络共同捕捉降雨过程中的时空变化，设计了一种全新的长短期记忆单元来提升子网络的时空特征学习能力，最后通过重结合模块实现对降雨过程的预测。该发明能够充分地捕获连续运动的降雨过程时空相关性，实现对区域内降雨运动趋势更精确的预报。