本发明属于基于数据驱动的故障监测技术领域,尤其涉及一种基于LSTM‑CVAE的乳酸菌批次发酵过故障检测和诊断方法。本发明包括“线下建模”和“线上监测”。“线下建模”两个部分。其中“线下建模”,对已采集正常生产的批次发酵过程数据进行标准化和数据预处理;建立LSTM‑CVAE网络模型,并构建故障检测统计量;计算控制限;设计诊断;“线上监测”包括对线上采集数据进行标准化处理,判断发酵运行状态,出现故障及时诊断故障来源;本发明能有效处理批次发酵过程的二维动态特性,多时段特性,实现线上故障实时监测。
📄 2023111630969
📂 G06N3_0442
👤 江南大学
📅 2023-09-11
本发明公开了一种基于改进的LSTM的空气质量预测模型装置及方法,属于环境保护技术领域。所述模型装置通过对于VanillaLSTM的内部循环结构进行简化、改进,减少了一定的参数,增强了该结构对于异常细胞状态的包容性,生成了最终的IV‑LSTM结构。同时,在数据输入输出模型上进行改进,通过LS‑DTW算法选出相关站点增加数据输入通道。相比于纯DTW算法,LS‑DTW选出的站点与目标站点的相似程度更强,数据输入相关性更强,所以整体模型的预测结果更精确。
📄 2021106061329
📂 G06N3_0442
👤 江南大学
📅 2021-05-25
本发明涉及光照度参数检测方法与自动化装置的技术领域,公开一种光照度大数据监控方法及其光照度物联网系统,在光照度需求环境下设置光照度传感器组、多组环境参数传感器组,采集实时数据值进行融合得到各环境参数实时值,对各实时值进行动态预测获取光照度理想值;基于光照度理想值与光照度实时值获取光照度实时控制量,基于光照度理想值与光照度预测值获取光照度预测控制量,根据光照度实时值与光照度实际控制量获取光照度扰动量;根据光照度预测控制量与光照度实时控制量的累加和与光照度扰动量的差作为光照度实际控制量。与现有技术相比,本发明提高光照度调节的精确度、光照度调节效益和对光照度参数监控效果。
📄 2025116276908
📂 G06N3_044
👤 淮安大学
📅 2025-11-07
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。
📄 2021114984665
📂 G06N3_0442
👤 南京邮电大学
📅 2021-12-09
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。
📄 2023100555447
📂 G06N3_0442
👤 浙江工业大学
📅 2023-01-19
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。
📄 2019101898132
📂 G06N3_044
👤 西安理工大学
📅 2019-03-13
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。
📄 202311615575X
📂 G06N3_0442
👤 成都权翼网络科技有限公司
📅 2023-11-30