-
公开(公告)号：CN110045606A
公开(公告)日：2019-07-23
申请号：CN201910228353.X
申请日：2019-03-25
Applicant: 中南大学
IPC: G05B13/04
Abstract: 本发明实例提供了一种用于分布式参数系统在线建模的增量时空学习方法，该方法先向数据增量集中添加新增数据后，对空间基函数进行增量更新，更新时间系数，辨识新的时序模型，再通过旧的时空合成集与更新后的空间基函数和辨识的时序模型重建历史数据，预测未来输出。本发明实施例的方法弥补了现有方法的不足，减少运算时间与设备使用内存量，简单易行，在工业建模中具有普适性，理论分析和实验结果都证明增量时空学习方法能够实现良好的在线性能，同时计算效果显著，应用前景广阔。
-
公开(公告)号：CN114462294A
公开(公告)日：2022-05-10
申请号：CN202111600999.X
申请日：2021-12-24
Applicant: 中南大学
IPC: G06F30/27 , G06K9/62 , G06F111/06 , G06F119/02
Abstract: 本发明公开了一种两阶段代理模型辅助参数估计方法以及系统，本方法包括：从原始数据中采样初始参数；构建降价模型，根据降价模型和第一差分进化从初始参数中筛选出期望参数；构建数据驱动模型，根据数据驱动模型和第二差分进化从期望参数筛选出最优参数。相较于现有参数估计方案，本发明利用降价模型和数据驱动模型之间的互补优势，在第一阶段中，通过降价模型辅助差分进化来进行参数筛选，过滤掉较差的参数，提高模型训练的效率，在第二阶段中，通过数据驱动模型辅助差分进化来进行精细估计，从而提高估计精度，相较于现有参数估计方案，本发明实现了精度和效率之间的平衡，采用结构简单且搜索能力强的差分进化实现两个阶段的搜索。
-
公开(公告)号：CN114462294B
公开(公告)日：2024-09-24
申请号：CN202111600999.X
申请日：2021-12-24
Applicant: 中南大学
IPC: G06F30/27 , G06F18/23213 , G06F18/214 , G06F111/06 , G06F119/02
Abstract: 本发明公开了一种两阶段代理模型辅助参数估计方法以及系统，本方法包括：从原始数据中采样初始参数；构建降阶模型，根据降阶模型和第一差分进化从初始参数中筛选出期望参数；构建数据驱动模型，根据数据驱动模型和第二差分进化从期望参数筛选出最优参数。相较于现有参数估计方案，本发明利用降阶模型和数据驱动模型之间的互补优势，在第一阶段中，通过降阶模型辅助差分进化来进行参数筛选，过滤掉较差的参数，提高模型训练的效率，在第二阶段中，通过数据驱动模型辅助差分进化来进行精细估计，从而提高估计精度，相较于现有参数估计方案，本发明实现了精度和效率之间的平衡，采用结构简单且搜索能力强的差分进化实现两个阶段的搜索。
-
公开(公告)号：CN110045606B
公开(公告)日：2021-07-27
申请号：CN201910228353.X
申请日：2019-03-25
Applicant: 中南大学
IPC: G05B13/04
Abstract: 本发明实例提供了一种用于分布式参数系统在线建模的增量时空学习方法，该方法先向数据增量集中添加新增数据后，对空间基函数进行增量更新，更新时间系数，辨识新的时序模型，再通过旧的时空合成集与更新后的空间基函数和辨识的时序模型重建历史数据，预测未来输出。本发明实施例的方法弥补了现有方法的不足，减少运算时间与设备使用内存量，简单易行，在工业建模中具有普适性，理论分析和实验结果都证明增量时空学习方法能够实现良好的在线性能，同时计算效果显著，应用前景广阔。
-
-
-
Search Results
4
records
(took 0.018 seconds)
