专利交易市场

本发明提供了一种短临降水预测方法，基于ConvLSTM网络和SENet注意力机制模块而实现，该方法包括对气象卫星数据进行预处理；用雷达反演降水；构建融合了SENet注意力模块的ConvLSTM网络；将经过预处理的雷达回波图像导入到网络中进行训练，得到网络训练模型；使用训练完毕的模型去生成预测降水图像。本发明输入和输出的数据均为雷达回波图像，结果表达更直观，最后的结果准确性更高。此外，本发明充分的利用了全局特征，使学习到的全局信息更合理。再有，通过加入SENet注意力模块，使网络模型的效果产生显著提升。最后，本发明在训练过程中没有改变图像的尺寸，完美的保留了图像的细节和边缘信息。

本发明涉及一种基于人工智能的QPSK接收机辅助模型训练方法，包括：搭建QPSK系统模型，使用QPSK系统模型获取训练数据集，搭建rethink神经网络模型，生成预测标签，使用训练数据集训练rethink神经网络模型，优化rethink神经网络模型的损失函数，使用Nadam算法优化损失函数，更新rethink神经网络模型的参数，直至预测标签与真实标签对比的错误率最小，将更新后的rethink神经网络模型作为QPSK接收机辅助模型。本发明的方法所训练的模型采用基于反思结构的rethink神经网络，考虑到标签之间隐藏的相关性，能够在通信接收机的解调环节中进行解调，该模型的解调能够解决传统硬判决方法在低信噪比条件下，因噪声干扰而导致识別准确率不高的问题。

本发明公开了基于双向独立循环神经网络的序列预测模型的建立方法，具体为：首先，采集信号或数据进行预处理，形成输入数据集，将输入数据集转换为矩阵形式，再对数据整体向后位移一位，构成所需预测的序列，之后将其转变为矩阵数据，分别形成训练集和测试集，之后再构建基于双向独立循环神经网络的序列对序列模型，进行训练，过拟合判断，最后利用预测模型来预测下一个采样点数据，利用当前预测数据作为下一个输入再次预测下一个采样点数据，循环n次预测出n个采样点数据获得未来数据。该方法可以基于更长的历史依赖数据来预测未来时间序列数据变化趋势，能够更好的发现时序信号或数据中各序列元素之间的依赖关系，获得更加精准的预测结果。

本发明涉及智能无线感知技术领域，具体为基于GCL‑Peephole的车联网智能无线感知算法，该算法模型融合了幻影卷积（Ghost Convolution）、长短时记忆模块（Long Short Term Memory）和Peephole模块，并将幻影卷积操作融入到LSTM结构中，主要从时间和空间两方面提取无线感知信号数据中所包含的人体动作深层特征，从而提升模型的感知精度，在特征数据处理方面，GCL‑Peephole神经网络使用时间步技术对特征数据处理，各个模块按照时间先后顺序，分别处理属于各个时间步的数据，所有时间步共享相同的模块，提高了无线感知任务的识别准确率。

本公开实施例提供一种神经网络加速器及其数据处理方法，其中神经网络加速器包括：网络运算单元和硬件量化单元，其中，所述网络运算单元包括第一阻变式存储器ReRAM电路，所述硬件量化单元包括第二ReRAM电路；网络运算单元，用于对循环神经网络中目标网络层的第t输入数据进行计算处理，得到所述目标网络层的第t网络输出值；硬件量化单元，用于对所述目标网络层的第t网络输出值执行三值量化处理，得到所述第t网络输出值的量化结果。

本发明涉及一种综合管廊风险自动识别卷积神经网络模型，包括设计器，设计器内设采用C/S结构和B/S结构的嵌套架构BP神经网络系统，同时另设若干CNN卷积运算系统、基于LSTM的智能预测系统、深度学习神经网络系统及底层操作系统，其中底层操作系统通过调度程序分别与BP神经网络系统、CNN卷积运算系统、基于LSTM的智能预测系统、深度学习神经网络系统连接。其使用方法包括系统预制及系统训练等两个步骤。本发明一方面系统系统构成简单，数据运算处理能力强，通用性好；另一方面在数据运行中具有良好的自主运行能力和计算结果校验能力，从而极大的提高了设计系统运行的工作效率及设计作业的精度。