-
公开(公告)号：CN115982141A
公开(公告)日：2023-04-18
申请号：CN202211542378.5
申请日：2022-12-03
Applicant: 哈尔滨工程大学
IPC: G06F16/215 , G06F16/9537 , G06F16/242 , G06F16/2458 , G06N3/0442
Abstract: 本发明公开了一种针对时序数据预测的特征优化方法，步骤1、获取待预测时序数据集；步骤2、使用相关性分析方法对时序数据集特征参数进行相关性计算，计算数据集各特征参数之间的相关系数；步骤3、根据步骤2得到其他特征参数与预测目标特征参数的相关系数，根据不同相关系数阈值选择得到若干特征参数子集；步骤4、将特征参数子集分别输入预先训练好的长短期记忆网络模型，输出预测目标特征参数as的预测值，根据各个特征参数子集对应预测值与真实值的误差得到预测目标特征参数as对应的最优特征子集，长短期记忆网络模型由训练时序数据集对应特征参数子集训练得到的；本发明对高维数据输入进行优化，剔除对预测无效的特征，建立最优特征子集。
-
公开(公告)号：CN115062528A
公开(公告)日：2022-09-16
申请号：CN202210295183.9
申请日：2022-03-23
Applicant: 哈尔滨工程大学
Abstract: 本发明公开了一种针对工业过程时序数据的预测方法，属于工业过程时序数据预测领域。本发明包括：准备训练数据集；构建深度长短期记忆网络(Deep‑LSTM)模型,增加LSTM单元个数和网络层数；训练Deep‑LSTM网络模型；将测试数据集输入到训练完成后的Deep‑LSTM，通过网络可预测出λ个未知数据，并计算预测值与真实值的误差，验证网络的预测效果及精度。本发明针对时序数据预测中故障数据样本不足和预测精度的问题，利用改进的GRU‑BEGAN生成对抗网络模型生成人工样本来扩充原始数据集，并利用Deep‑LSTM模型预测工业过程时序数据。
-
公开(公告)号：CN113313000B
公开(公告)日：2022-04-29
申请号：CN202110546145.1
申请日：2021-05-19
Applicant: 哈尔滨工程大学
Abstract: 本发明提供一种基于光学图像的气液两相流智能识别方法，准备训练数据集和测试数据集；构建全卷积网络模型FCN；根据训练好的FCN全卷积网络模型识别气液两相流中的气泡：对于训练完成后的FCN全卷积网络模型，为模型输入一张气液两相流待识别的图片，通过网络可近乎精确识别图片中的气泡，计算并得到气泡识别的精确度。将基于深度监督学习和数据提取的FCN方法引入到气液两相流识别中，它可以通过多层卷积操作从像素级别自动提取信息，以提取抽象的语义概念，使用上采样层和多尺度融合技术来进一步优化结果，使高级子网多次融合了低级子网的特征，保持极高的分辨率，从而提高气泡识别的精度。
-
公开(公告)号：CN113313000A
公开(公告)日：2021-08-27
申请号：CN202110546145.1
申请日：2021-05-19
Applicant: 哈尔滨工程大学
Abstract: 本发明提供一种基于光学图像的气液两相流智能识别方法，准备训练数据集和测试数据集；构建全卷积网络模型FCN；根据训练好的FCN全卷积网络模型识别气液两相流中的气泡：对于训练完成后的FCN全卷积网络模型，为模型输入一张气液两相流待识别的图片，通过网络可近乎精确识别图片中的气泡，计算并得到气泡识别的精确度。将基于深度监督学习和数据提取的FCN方法引入到气液两相流识别中，它可以通过多层卷积操作从像素级别自动提取信息，以提取抽象的语义概念，使用上采样层和多尺度融合技术来进一步优化结果，使高级子网多次融合了低级子网的特征，保持极高的分辨率，从而提高气泡识别的精度。
-
-
-
Search Results
4
records
(took 0.026 seconds)
