-
公开(公告)号：CN113779506A
公开(公告)日：2021-12-10
申请号：CN202111067225.5
申请日：2021-09-13
Applicant: 华侨大学
Abstract: 本发明涉及一种基于深度迁移学习的多点频域振动响应预测方法及系统，利用第一个频率下的振动响应频域数据样本集训练多输入多输出回归分析模型，获得第一个频率的频域振动响应预测模型，根据传递函数在频域的连续性，将第一个频率的频域振动响应预测模型的权值迁移到与其最相似频率的训练模型中进行训练，得到此频率下的预测模型；依次循环此过程，得到所有频率点的模型。本发明基于数据驱动的神经网络和模型迁移技术直接对数据集训练模型，解决了矩阵病态求逆问题，可以获得更好的神经网络模型的初值，不容易陷入局部最优，加快了神经网络的收敛速度，提高了不相关多源未知载荷下的多点频域振动响应预测的精度和效率。
-
公开(公告)号：CN112528870A
公开(公告)日：2021-03-19
申请号：CN202011472249.4
申请日：2020-12-14
Applicant: 华侨大学
Abstract: 本发明提供一种基于MIMO神经网络和迁移学习的多点振动响应预测方法，具体包括：利用预设频率点的历史数据对多点频域振动响应预测的多输入多输出神经网络模型进行训练；将所述预设频率点下的神经网络的模型参数以及网络权值迁移到相邻的目标频域的神经网络中作为网络权值的初值；利用目标频率的历史数据对多输入多输出神经网络进行微调训练，从而得到目标频率的多点频域振动响应预测模型；将该频率的训练好的神经网络的模型参数迁移到下一个相邻频率的模型，循环该过程直到建立所有频率点的神经网络模型。通过迁移学习得到的神经网络多点频域振动响应预测模型得到较好的神经网络模型的初始权重，有效减少训练时间，并得到更高的识别精度。
-
公开(公告)号：CN117933102A
公开(公告)日：2024-04-26
申请号：CN202410335802.1
申请日：2024-03-22
Applicant: 华侨大学 , 福建三建工程有限公司
Abstract: 本发明提供的基于MKTL的多点频域振动响应预测方法、装置、设备及介质，通过用部分辅助测点的振动响应频域数据加入不同类型的噪声后，训练一个多输入多输出的神经网络振动响应预测模型作为源域的源模型，以应对实际工况条件下噪声变化多样问题的振动响应鲁棒性预测；通过两种多频率知识迁移学习MKTL形式分别结合两种源域存储机制，采用一种迁移形式结合一种源域存储机制的多源域迁移存储机制，组成四种形式并进行融合、综合对比，得到最优BP‑NN神经网络模型，辅助目标域进行训练，达到模型迁移的目的。本发明实现了多个领域知识的综合学习，克服单源域迁移存在的信息不充分问题，增强了模型的鲁棒性，有效提高模型的预测精度和效果。
-
公开(公告)号：CN112364973A
公开(公告)日：2021-02-12
申请号：CN202010777756.2
申请日：2020-08-05
Applicant: 华侨大学
Abstract: 本发明提出了一种基于神经网络和模型迁移学习的不相关多源频域载荷识别方法，具体包括：S1：利用频率点的历史数据对不相关多源载荷识别的多输入多输出神经网络模型进行训练；S2：将S1中的神经网络模型的模型参数迁移到相邻的目标频域的神经网络中作为网络权值的初值；S3：利用目标频率的历史数据对目标频域的神经网络进行二次训练，从而得到目标频率的不相关多源频域载荷识别模型；S4：将目标频率下训练好的神经网络的模型参数迁移到下一个相邻频率的模型；S5：循环该过程直到建立所有频率点的神经网络模型。本发明提出了一种基于神经网络和模型迁移学习的不相关多源频域载荷识别方法，通过迁移学习得到的神经网络多源载荷识别模型得到较好的神经网络模型的初始权重，有效减少训练时间，并得到更高的识别精度。
-
公开(公告)号：CN117952019B
公开(公告)日：2024-06-28
申请号：CN202410335784.7
申请日：2024-03-22
Applicant: 华侨大学 , 福建三建工程有限公司
Abstract: 本发明提供的基于SRT的多点频域振动响应预测方法、装置、设备及介质，涉及多点频域振动响应预测领域，通过获取频率序列中每个频率下的振动响应频域数据样本集，用一频率下的振动响应频域数据训练一个多输入多输出的神经网络振动响应预测模型，并将训练好的预测模型作为源域，采用MMD及方差散度方法，得到不同频率的数据差异之后，使用SRT算法，得到最佳的迁移学习顺序；根据该顺序进行模型迁移学习，将上一个训练学习得到的模型参数作为下一个目标频率网络模型权值的初值并微调，达到模型迁移的目的。本发明考虑到源域和目标域之间的差异性和相似性，解决了在迁移过程中出现辅助域与目标域相差较大而出现负迁移的现象，响应预测的精度更高且速度快。
-
Patent Agency Ranking
公开(公告)号：CN112364994B
公开(公告)日：2023-06-27
申请号：CN202010777752.4
申请日：2020-08-05
Applicant: 华侨大学
IPC: G06N3/126 , G06N3/0464 , G06N3/065 , G06N3/08 , G06F18/214 , G06N3/096
Abstract: 本发明提出一种MMD和TSP的频域载荷识别的模型迁移学习源域选择方法，首先利用MMD距离度量不同频率下样本数据间的差异，得到不同频率间MMD距离矩阵D；其次，通过遗传算法求解访问所有频率所需MMD距离总和的最小代价，求解MMD距离矩阵的TSP问题；最后，利用遗传算法得到迁移顺序频率序列进行频域载荷识别神经网络模型的迁移学习。本发明提出一种MMD和TSP的频域载荷识别的模型迁移学习源域选择方法，通过进行迁移顺序的选择，可以得到更好的神经网络模型，有效提高模型精度，减少训练时间、得到更高的识别精度。
-
公开(公告)号：CN117933102B
公开(公告)日：2024-06-14
申请号：CN202410335802.1
申请日：2024-03-22
Applicant: 华侨大学 , 福建三建工程有限公司
Abstract: 本发明提供的基于MKTL的多点频域振动响应预测方法、装置、设备及介质，通过用部分辅助测点的振动响应频域数据加入不同类型的噪声后，训练一个多输入多输出的神经网络振动响应预测模型作为源域的源模型，以应对实际工况条件下噪声变化多样问题的振动响应鲁棒性预测；通过两种多频率知识迁移学习MKTL形式分别结合两种源域存储机制，采用一种迁移形式结合一种源域存储机制的多源域迁移存储机制，组成四种形式并进行融合、综合对比，得到最优BP‑NN神经网络模型，辅助目标域进行训练，达到模型迁移的目的。本发明实现了多个领域知识的综合学习，克服单源域迁移存在的信息不充分问题，增强了模型的鲁棒性，有效提高模型的预测精度和效果。
-
公开(公告)号：CN117952019A
公开(公告)日：2024-04-30
申请号：CN202410335784.7
申请日：2024-03-22
Applicant: 华侨大学 , 福建三建工程有限公司
Abstract: 本发明提供的基于SRT的多点频域振动响应预测方法、装置、设备及介质，涉及多点频域振动响应预测领域，通过获取频率序列中每个频率下的振动响应频域数据样本集，用一频率下的振动响应频域数据训练一个多输入多输出的神经网络振动响应预测模型，并将训练好的预测模型作为源域，采用MMD及方差散度方法，得到不同频率的数据差异之后，使用SRT算法，得到最佳的迁移学习顺序；根据该顺序进行模型迁移学习，将上一个训练学习得到的模型参数作为下一个目标频率网络模型权值的初值并微调，达到模型迁移的目的。本发明考虑到源域和目标域之间的差异性和相似性，解决了在迁移过程中出现辅助域与目标域相差较大而出现负迁移的现象，响应预测的精度更高且速度快。
-
公开(公告)号：CN112528870B
公开(公告)日：2024-03-01
申请号：CN202011472249.4
申请日：2020-12-14
Applicant: 华侨大学
Abstract: 本发明提供一种基于MIMO神经网络和迁移学习的多点振动响应预测方法，具体包括：利用预设频率点的历史数据对多点频域振动响应预测的多输入多输出神经网络模型进行训练；将所述预设频率点下的神经网络的模型参数以及网络权值迁移到相邻的目标频域的神经网络中作为网络权值的初值；利用目标频率的历史数据对多输入多输出神经网络进行微调训练，从而得到目标频率的多点频域振动响应预测模型；将该频率的训练好的神经网络的模型参数迁移到下一个相邻频率的模型，循环该过程直到建立所有频率点的神经网络模型。通过迁移学习得到的神经网络多点频域振动响应预测模型得到较好的神经网络模型的初始权重，有效减少训练时间，并得到更高的识别精度。
-
公开(公告)号：CN112364973B
公开(公告)日：2023-08-01
申请号：CN202010777756.2
申请日：2020-08-05
Applicant: 华侨大学
IPC: G06N3/096 , G06N3/0464 , G06N3/065 , G06F18/214 , G06F17/18 , G06N3/048
Abstract: 本发明提出了一种基于神经网络和模型迁移学习的不相关多源频域载荷识别方法，具体包括：S1：利用频率点的历史数据对不相关多源载荷识别的多输入多输出神经网络模型进行训练；S2：将S1中的神经网络模型的模型参数迁移到相邻的目标频域的神经网络中作为网络权值的初值；S3：利用目标频率的历史数据对目标频域的神经网络进行二次训练，从而得到目标频率的不相关多源频域载荷识别模型；S4：将目标频率下训练好的神经网络的模型参数迁移到下一个相邻频率的模型；S5：循环该过程直到建立所有频率点的神经网络模型。本发明提出了一种基于神经网络和模型迁移学习的不相关多源频域载荷识别方法，通过迁移学习得到的神经网络多源载荷识别模型得到较好的神经网络模型的初始权重，有效减少训练时间，并得到更高的识别精度。
-
-
-
-
-
-
-
-
-
Search Results
11
records
(took 0.02 seconds)
