-
公开(公告)号：CN112733076A
公开(公告)日：2021-04-30
申请号：CN202110038650.5
申请日：2021-01-12
Applicant: 中南大学
Abstract: 本发明提供一种基于神经网络常微分方程在非持续激励下的系统辨识方法，主要解决系统辨识需要持续激励或大量输入输出数据的问题。该辨识方法，主要分为用于数据拓展的神经网络常微分方程和用于模型辨识的线性神经网络。采样的非持续激励数据用于优化神经网络常微分方程，神经网络常微分方程用于产生同分布数据；线性神经网络拟合神经网络常微分方程所产生的随机数据，辨识对象模型。本发明提出的辨识方法引入神经网络微分方程避免了持续激烈的采样条件，同时降低了所需数据量，达到了现有辨识方法相近的效果。
-
公开(公告)号：CN114595635B
公开(公告)日：2024-07-23
申请号：CN202210240614.1
申请日：2022-03-10
Applicant: 中南大学
IPC: G06F30/27 , G06F119/02
Abstract: 本公开实施例中提供了一种机组主汽温度数据的特征选择方法、系统及设备，属于数据处理技术领域，具体包括：采集火电机组的无标签数据并生成无标签数据对应的掩码矩阵；将无标签数据和掩码矩阵输入编码器，生成信息表征层；将信息表征层输入第一、第二解码器，得到定位损失函数和重构损失函数；固定编码器、第一解码器和第二解码器的参数；得到批量数据；得到有标签数据上每个特征的重要性评分以及加权特征；根据所述重要性评分和所述加权特征进行下游分类或回归任务，通过反向梯度迭代训练注意力特征提取网络和评估网络，输出特征选择结果。通过本公开的方案，通过自监督预训练和批量注意力机制，提高了特征选择的效率、精准度、安全性和适应性。
-
公开(公告)号：CN114595634B
公开(公告)日：2024-07-23
申请号：CN202210240507.9
申请日：2022-03-10
Applicant: 中南大学
IPC: G06F30/27 , G06Q50/06 , G06F119/02
Abstract: 本公开实施例中提供了一种火电机组控制系统建模方法、装置、设备及介质，属于数据处理技术领域，具体包括：采集时序序列数据集；通过神经常微分方程网络将火电机组控制系统对应的传递函数模型转换为带有不确定项的状态空间模型的离散形式，得到状态方程；将状态变量和输入变量输入状态方程，得到一阶微分的近似值；将近似值进行归一化后输入常微分求解器，计算预测值；将预测值进行反向传播，迭代训练神经常微分方程网络中的权重参数直至收敛，得到火电机组控制系统对应的预测模型。通过本公开的方案，以神经常微分方程网络为基础，结合系统状态空间模型，引入状态方程结构知识对系统进行了建模，提高了建模后的预测精准度和适应性。
-
Patent Agency Ranking
公开(公告)号：CN114595532B
公开(公告)日：2024-09-24
申请号：CN202210240508.3
申请日：2022-03-10
Applicant: 中南大学
IPC: G06F30/17 , G06F30/27 , G06F119/02
Abstract: 本公开实施例中提供了一种基于哈密顿结构网络的机械系统物理参数求解方法，属于数据处理技术领域，具体包括：获取时序序列数据集；将时序序列数据集输入哈密顿结构网络进行求导；计算广义坐标和广义动量的预测误差；得到哈密顿结构网络的损失函数；直到损失函数收敛至预设条件时，保存本次迭代的哈密顿结构网络作为求解模型；将采集到的目标机械系统的轨迹数据输入求解模型，得到目标机械系统对应的物理参数。通过本公开的方案，将哈密顿动力学先验知识以结构化的方式引入深度神经网络中，采用深度神经网络对哈密顿动力学的关键结构进行描述,构建机械系统物理参数求解模型，提高了机械系统物理参数求解的适应性和计算效率。
-
公开(公告)号：CN112733076B
公开(公告)日：2023-08-04
申请号：CN202110038650.5
申请日：2021-01-12
Applicant: 中南大学
Abstract: 本发明提供一种基于神经网络常微分方程在非持续激励下的系统辨识方法，主要解决系统辨识需要持续激励或大量输入输出数据的问题。该辨识方法，主要分为用于数据拓展的神经网络常微分方程和用于模型辨识的线性神经网络。采样的非持续激励数据用于优化神经网络常微分方程，神经网络常微分方程用于产生同分布数据；线性神经网络拟合神经网络常微分方程所产生的随机数据，辨识对象模型。本发明提出的辨识方法引入神经网络微分方程避免了持续激烈的采样条件，同时降低了所需数据量，达到了现有辨识方法相近的效果。
-
公开(公告)号：CN114595635A
公开(公告)日：2022-06-07
申请号：CN202210240614.1
申请日：2022-03-10
Applicant: 中南大学
IPC: G06F30/27 , G06F119/02
Abstract: 本公开实施例中提供了一种机组主汽温度数据的特征选择方法、系统及设备，属于数据处理技术领域，具体包括：采集火电机组的无标签数据并生成无标签数据对应的掩码矩阵；将无标签数据和掩码矩阵输入编码器，生成信息表征层；将信息表征层输入第一、第二解码器，得到定位损失函数和重构损失函数；固定编码器、第一解码器和第二解码器的参数；得到批量数据；得到有标签数据上每个特征的重要性评分以及加权特征；根据所述重要性评分和所述加权特征进行下游分类或回归任务，通过反向梯度迭代训练注意力特征提取网络和评估网络，输出特征选择结果。通过本公开的方案，通过自监督预训练和批量注意力机制，提高了特征选择的效率、精准度、安全性和适应性。
-
公开(公告)号：CN114595634A
公开(公告)日：2022-06-07
申请号：CN202210240507.9
申请日：2022-03-10
Applicant: 中南大学
IPC: G06F30/27 , G06Q50/06 , G06F119/02
Abstract: 本公开实施例中提供了一种火电机组控制系统建模方法、装置、设备及介质，属于数据处理技术领域，具体包括：采集时序序列数据集；通过神经常微分方程网络将火电机组控制系统对应的传递函数模型转换为带有不确定项的状态空间模型的离散形式，得到状态方程；将状态变量和输入变量输入状态方程，得到一阶微分的近似值；将近似值进行归一化后输入常微分求解器，计算预测值；将预测值进行反向传播，迭代训练神经常微分方程网络中的权重参数直至收敛，得到火电机组控制系统对应的预测模型。通过本公开的方案，以神经常微分方程网络为基础，结合系统状态空间模型，引入状态方程结构知识对系统进行了建模，提高了建模后的预测精准度和适应性。
-
公开(公告)号：CN114595532A
公开(公告)日：2022-06-07
申请号：CN202210240508.3
申请日：2022-03-10
Applicant: 中南大学
IPC: G06F30/17 , G06F30/27 , G06F119/02
Abstract: 本公开实施例中提供了一种基于哈密顿结构网络的机械系统物理参数求解方法，属于数据处理技术领域，具体包括：获取时序序列数据集；将时序序列数据集输入哈密顿结构网络进行求导；计算广义坐标和广义动量的预测误差；得到哈密顿结构网络的损失函数；直到损失函数收敛至预设条件时，保存本次迭代的哈密顿结构网络作为求解模型；将采集到的目标机械系统的轨迹数据输入求解模型，得到目标机械系统对应的物理参数。通过本公开的方案，将哈密顿动力学先验知识以结构化的方式引入深度神经网络中，采用深度神经网络对哈密顿动力学的关键结构进行描述,构建机械系统物理参数求解模型，提高了机械系统物理参数求解的适应性和计算效率。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.02 seconds)
