-
公开(公告)号：CN112733891A
公开(公告)日：2021-04-30
申请号：CN202011593440.4
申请日：2020-12-29
Applicant: 华侨大学
Abstract: 本发明涉及一种对出行链断链时公交IC卡乘客进行下车站点识别的方法，综合使用集计模型和非集计模型的基于两层Stacking框架。在第一层Stacking框架中提出一种基于群体历史记录的方法来进行改善下车站点的识别概率，弥补基于个人历史记录方法中个人历史出行记录较少的缺点。在第二层Stacking框架中使用Logistic回归模型，对于不同数据集可以有效确定第一层中各方法的权重，得到的模型参数更适合该数据集，具有更好的泛化能力，对识别的准确率产生了有益的影响。本发明能够识别全部出行链断裂时IC卡数据的下车站点；在第二层中使用Logistic回归模型来确定第一层多个方法的不同权重，并且权重可以根据不同的数据集进行调整，具有更好的泛化能力，进而具有更高的准确率。
-
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：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：CN112733891B
公开(公告)日：2023-08-01
申请号：CN202011593440.4
申请日：2020-12-29
Applicant: 华侨大学
IPC: G06F18/27 , G06F18/23213 , G06F18/22 , G06Q10/047 , G06Q50/26
Abstract: 本发明涉及一种对出行链断链时公交IC卡乘客进行下车站点识别的方法，综合使用集计模型和非集计模型的基于两层Stacking框架。在第一层Stacking框架中提出一种基于群体历史记录的方法来进行改善下车站点的识别概率，弥补基于个人历史记录方法中个人历史出行记录较少的缺点。在第二层Stacking框架中使用Logistic回归模型，对于不同数据集可以有效确定第一层中各方法的权重，得到的模型参数更适合该数据集，具有更好的泛化能力，对识别的准确率产生了有益的影响。本发明能够识别全部出行链断裂时IC卡数据的下车站点；在第二层中使用Logistic回归模型来确定第一层多个方法的不同权重，并且权重可以根据不同的数据集进行调整，具有更好的泛化能力，进而具有更高的准确率。
-
-
-
Search Results
4
records
(took 0.019 seconds)
