本发明提供了一种基于密度聚类和循环模糊神经网络的涡轮机组预测方法，属于技术领域。解决了现有的预测方法中未考虑到历史输入数据的分布密度和聚类特性导致非线性系统输出的预测精度下降的问题。其技术方案为：包括以下步骤：S1：构建超临界锅炉涡轮机组非线性系统；S2：利用DBSCAN聚类算法自动确定聚类数、局部线性子模型数和模糊规则数，并设计模糊规则；S3：构建循环模糊神经网络。本发明的有益效果是：本发明利用DBSCAN聚类算法自动确定模糊神经网络中最优模糊集数目，在降低计算复杂度的同时获得更高的系统建模预测精度，从而提高超临界锅炉涡轮机组输出的控制性能。
📄 2023101739170
📂 G06N3_08
👤 南通大学
📅 2023-02-28
本发明提供一种基于有向图的深度学习神经网络构建方法和机器人系统，该方法包括：获取初始深度学习神经网络的每个输入节点对应的输入变量之间的连接关系，得到有向图；确定各个输入节点与待改造隐层的隐层节点之间的匹配关系；根据有向图的所述匹配关系确定待改造隐层的各个隐层节点之间的连接关系，得到目标深度学习神经网络。此外，还提供了一种深度学习神经网络构建装置、一种机器人系统和计算机可读存储介质。
📄 2018100100582
📂 G06N3_08
👤 华南师范大学
📅 2018-01-05
本发明提供一种深度学习神经网络方法，该方法包括：对第一深度学习神经网络进行测试得到第一输出正确率，将第一深度学习神经网络的输入层的每个输入变量作为一个输入变量组合组成尝试删除输入变量组合的集合，尝试删除输入变量组合的集合中选取一个输入变量组合，根据输入变量组合得到第二深度学习神经网络，对得到的第二深度学习神经网络进行测试得到第二输出正确率，根据第一输出正确率和第二输出正确率生成了可选删除输入变量组合的集合，在可选删除输入变量组合的集合中选取优选删除的输入变量组合，根据优选删除的输入变量组合得到第三深度学习神经网络。此外，还提供了一种深度学习神经网络装置、一种计算机设备、一种机器人系统和计算机可读存储介质。
📄 2017113310688
📂 G06N3_04
👤 华南师范大学
📅 2017-12-13
本申请涉及一种神经网络深度学习方法、系统、计算机可读存储介质和计算机设备。所述方法包括获取目标初始化神经网络的特征信息，将目标初始化神经网络的特征信息在预设神经网络大数据或数据库中进行分析，得到分析结果，根据分析结果确定目标初始化神经网络，通过训练数据训练目标初始化神经网络，得到深度学习的目标神经网络。本申请的方案通过特征信息分析，将预先存储的深度学习神经网络来作为将来深度学习神经网络初始化的基础，从而优化深度学习神经网络初始化的结果，使得深度学习神经网络在更优初始化的情况下进行训练，从而能够缩短训练时间，提高神经网络的训练速度，同时也能保证神经网络深度学习的效果。
📄 2017112599968
📂 G06N3_08
👤 华南师范大学
📅 2017-12-04
本发明涉及一种残缺数据深度学习神经网络方法、装置、计算机设备及存储介质，方法包括：获取预先训练好的深度学习神经网络；从待预测数据中获取输入数据；根据所述输入数据和所述预先训练好的深度学习神经网络的输入变量确定至少一个缺少数据的输入变量；将对所述缺少数据的输入变量进行赋值获得的数据，与从所述待预测数据中获取的输入数据进行组合，生成多组完整输入数据；将所述多组完整输入数据输入到所述预先训练好的深度学习神经网络中，计算得到多组输出数据。通过这种方式，能够在输入数据缺少数据的情况，仍然能够通过神经网络输出预测的输出变量，为研究工作提供数据支持，减少了输入数据检测和采集的成本。
📄 2017112051934
📂 G06N3_08
👤 华南师范大学
📅 2017-11-27
本发明涉及一种深度学习神经网络进化方法、装置、介质和计算机设备。该方法包括：将输入数据输入调取的已训练的深度学习神经网络得到输出数据，记录使用时间及获取对应的真实结果数据；按照预设的抽查规则选取使用过程中的输入数据、输出数据、使用时间和真实结果数据；将选取的输入数据及对应的输出数据、真实结果数据和使用时间组成数据组；计算数据组中输出数据与真实结果数据的差异值，统计预设时间段内所有数据组中差异值大于预设阈值的差异组的组数；若组数大于或等于存储的组数阈值，根据差异组的输入数据和真实结果数据对已训练的深度学习神经网络进行训练得到进化后的深度学习神经网络。如此可纠正深度学习神经网络的偏差，提高准确率。
📄 2017111358875
📂 G06N3_08
👤 华南师范大学
📅 2017-11-16
本发明涉及一种基于类别树的深度学习方法和神经网络系统，通过多级深度学习神经网络逐层训练和逐层应用，降低了输入项数和输出类别数，从而降低了各级深度学习神经网络的结构复杂性及训练和应用难度，降低了深度学习神经网络的计算复杂些，同时提高了深度学习神经网络的准确率。
📄 2017111057223
📂 G06N3_08
👤 华南师范大学
📅 2017-11-10
本发明涉及一种期望与反期望深度学习方法和神经网络系统，通过输出数据的期望标签和反期望标签构造2个深度学习神经网络，分别对与期望标签对应的深度学习神经网络和与反期望标签对应的深度学习神经网络进行训练，避免了深度学习神经网络当存在属性相反的输出数据时结构动荡的问题，提高了深度学习神经网络训练的可靠性。
📄 2017110017290
📂 G06N3_08
👤 华南师范大学
📅 2017-10-24
本发明请求保护一种基于卷积LSTM神经网络的面向材料有效区域位移场测量方法，包括以下步骤：在材料表面喷涂随机喷涂散斑，使用相机连续采集图像以记录材料在外力作用下发生形变的过程。构造材料形变图像序列作为数据集，数据集包括训练集和测试集。结合卷积、反卷积、多任务和卷积LSTM神经网络，建立一个通过输入材料形变的图像序列来实时测量材料位移场并分割裂纹区域的神经网络模型。利用训练集数据训练材料位移场测量和裂纹区域分割的多任务卷积LSTM神经网络模型。输入相机采集到的时序图像数据，测量材料的实时位移场并分割材料出现裂纹的区域，最后得到非裂纹的有效区域的位移场。本发明能够更好的结合时空特征来对材料的形变位移场进行测量。
📄 202111355850X
📂 G06T7_00
👤 重庆邮电大学
📅 2021-11-16
本发明公开了基于改进全卷积神经网络的室内场景语义分割方法。首先构建卷积神经网络，其隐层包括5个神经网络块、5个特征再提取卷积层块、5个分块注意力卷积块、12个融合层、4个上采样层；使用原始室内场景图像输入到卷积神经网络中进行训练，得到对应的语义分割预测图；再通过计算原始的室内场景图像对应的语义分割预测图构成的集合与对应的真实语义分割图像处理成的独热编码图像构成的集合之间的损失函数值，获得卷积神经网络分类训练模型的最优权值矢量和偏置项；将待语义分割的室内场景图像输入到训练好的卷积神经网络分类训练模型中，得到预测语义分割图像。本发明的优点是提高了室内场景图像的语义分割效率和准确度。
📄 2020115599425
📂 G06T7_10
👤 浙江科技学院
📅 2020-12-25
本发明公开了一种基于卷积神经网络的室内场景语义分割方法。训练阶段，构建卷积神经网络，包括输入层、特征提取层、特征融合层和输出层；使用原始的室内场景图像输入到卷积神经网络中进行训练，得到对应的语义分割预测图；再计算原始的室内场景图像对应的语义分割预测图构成的集合与对应的真实语义分割图像处理成的独热编码图像构成的集合之间的损失函数值，获得卷积神经网络分类训练模型的最终权值矢量和偏置项；在测试阶段，将待语义分割的室内场景图像输入到卷积神经网络分类训练模型中，得到预测语义分割图像。本发明上述方法能够提高了室内场景图像的语义分割效率和准确度。
📄 2020102915176
📂 G06V20_70
👤 浙江科技学院
📅 2020-04-14
本发明公开了一种卷积神经网络边缘辅助增强的双目显著性图像检测方法。采集原始3D图像包括RGB图和深度图构成训练集；构建RGB图网络和深度图网络，RGB图网络和深度图网络之间通过融合卷积模块连接再融合生成最后的显著性图，形成双目卷积神经网络；将训练集进行训练得到总损失；通过反向传播优化神经网络权重参数，获得训练后的双目卷积神经网络；待测的图像输入到双目卷积神经网络中后预测处理，输出结果。本发明采用双目网络区域增强边缘辅助来生成显著性图，用边缘图来对区域图进行边界加强，输出结果更加准确清晰，解决了现有技术存在显著区域不明显和边界不明确的问题，提高检测效率和精度。
📄 2020101916330
📂 G06K9_00
👤 浙江科技学院
📅 2020-03-18
柿子坊 · 知识产权运营
柿子坊知识产权运营平台