-
公开(公告)号：CN120067968A
公开(公告)日：2025-05-30
申请号：CN202510021340.0
申请日：2025-01-07
Applicant: 天津大学
IPC: G06F18/25 , G06F18/213 , G06N3/0442 , G06N3/045 , G06N20/20 , G06F123/02
Abstract: 本发明公开了一种基于极值损失与混合专家结构的时间序列预测方法，主要包括：将时间序列数据进行预处理，使用移动平均值进行计算得到趋势项数据和季节项数据；使用RLinear模型将趋势项数据通过归一化层、多层感知器和线性投影层进行预测，得到趋势项预测结果；利用门控机制选择专家，并基于混合专家结构预测季节项；结合趋势项与季节项的预测结果，生成最终时间序列预测结果。为提升极值预测的准确性，本发明引入极值损失函数，通过设定上下阈值划分序列，计算极值损失。最终损失函数结合了时间序列预测误差和极值误差，模型动态调整对极值和整体预测的关注。该方法有效提升了时间序列的趋势与极值预测精度，适用于复杂时序数据的预测任务。
-
公开(公告)号：CN114492171B
公开(公告)日：2024-10-29
申请号：CN202111674519.4
申请日：2021-12-31
Applicant: 天津大学
IPC: G06F30/27 , G06N3/0442 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于多任务深度学习神经网络的太阳风速度预测方法，所用的模型包括一个由一维卷积神经网络CNN和一个长短时记忆神经网络LSTM组成的共享模块，一个主LSTM模块以及一个自回归层AR模块。共享模块用于提取多个任务共用的浅层空间和时间特征，主LSTM模块用于单独提取主任务的特性，自回归模块用于以一种线性的方式对神经网络模型进行适当的修正。采用多任务学习机制来实现多步预测，构建模型。在太阳风速度预测领域，引入多任务学习的机制是一种新的尝试。本发明的优点是，联合多个独立的预测任务来同时并行学习，充分利用数据信息，共享公共信息来帮助改进浅层特征提取，并为主要任务设计独立的结构来提高预测性能。
-
公开(公告)号：CN114444588B
公开(公告)日：2024-09-17
申请号：CN202210062295.X
申请日：2022-01-19
Applicant: 天津大学
IPC: G06F18/25 , G06F18/213 , G06F18/10 , G06N3/0464 , G06N3/042 , G06N3/045 , G06N3/084 , G06F123/02
Abstract: 本发明公开了一种基于时变特征构图的燃气轮机上多种测点时序预测方法，通过端到端方式提取输入样本的时变特征并构造关联关系网络，并使用时空卷积网络进行序列预测，所采用的预测模型包括一个时变关联网络构造模块，一个时空卷积特征融合模块以及一个序列预测输出反馈模块；时变关联网络构造模块用于提取样本中的时变特征信息并构造时变关联网络，时空卷积特征融合模块用于输入和时变关联网络构造模块的输出聚合样本的特征，序列预测输出反馈模块用于实现网络的迭代优化，最终输出燃气轮机多传感器时间序列预测曲线。本发明将数据中隐含的时变信息加入到关系网络构建当中，实现了自适应的时变特征学习，进一步提升了时间序列的预测效果。
-
公开(公告)号：CN114444790B
公开(公告)日：2024-09-06
申请号：CN202210062290.7
申请日：2022-01-19
Applicant: 天津大学
IPC: G06Q10/04 , G06F18/211 , G06N3/0464 , G06N3/084 , G06F30/27 , G06V10/82 , G06V10/44
Abstract: 本发明公开了一种基于稳态特征构图的燃气轮机上多种测点时序预测方法，通过端到端方式提取输入样本的稳态特征并构造关联关系网络，通过稳态损失指导关联关系构图，基于稳态特征构图的建立时空神经网络序列预测模型；采用该时空神经网络序列预测模型提取定工况下系统的稳态特征，使用时空卷积进行序列预测，实现自适应的稳态特征学习，最终利用该预测模型获得燃气轮机多传感器时间序列预测曲线。在时间序列预测中，将序列的瞬时特征引入构图模块中，通过输入序列来进行关联网络的动态构建。与现有技术相比有更好的预测效果，能够提取定工况下系统的稳态特征，以提升时间序列预测的效果以及用于分析关联网络异常来检查系统工作状况。
-
公开(公告)号：CN118333211A
公开(公告)日：2024-07-12
申请号：CN202410398538.6
申请日：2024-04-03
Applicant: 天津大学
Abstract: 本发明公开了一种基于域自适应和记忆图学习的交通流量预测方法，主要包括：通过时间分布表征将流量数据划分为多个子域，确保子域间分布距离最大化。每个子域的质心作为记忆项，初始化记忆池。利用超网络将记忆项转化为节点嵌入，构建图结构邻接矩阵。训练过程中，迭代更新记忆项和图结构，通过GCN与GRU结合形成的GCRU单元进行时空特征编码。记忆特征与GCRU编码后的特征拼接，形成增强特征，最终通过线性层解码，得到预测结果。本发明不但能够有效捕捉到历史训练数据中的模式，还能够泛化到未来的数据上，改善分布漂移问题，通过基于子域质心的记忆池，实现对各子域特征的均衡考量，提高预测准确性。
-
Patent Agency Ranking
公开(公告)号：CN118297420A
公开(公告)日：2024-07-05
申请号：CN202410398539.0
申请日：2024-04-03
Applicant: 天津大学
IPC: G06Q10/0637 , G06Q50/00 , G06F18/25 , G06N3/0442 , G06N3/048 , G06N3/084
Abstract: 本发明公开了一种基于短小时间序列领域自适应的社交媒体内容热度预测方法，包括：将离散的短小时间序列划分为不同的领域，使每个领域能够充分表征其分布信息；获取短小时间序列的时序模式、短时记忆、关键特征以及长期依赖关系，将每个领域输入GRU进行预训练；量化时序分布的差异，运用分布距离函数计算不同领域之间通过GRU输入的最终隐藏状态的分布距离，从而提供一种正则化手段，强调领域间时序分布特征的差异性；对隐藏状态之间的分布差异的动态变化进行加权评估，在正则化项中加入评估参数。本发明通过有效利用社交媒体内容时间序列的短小特性和分布特性，解决了现有社交媒体内容热度预测技术中存在的时序分布漂移问题，与现有技术相比有更好的预测效果，能获得全局性更优、泛化性能更好的建模结果。
-
公开(公告)号：CN114881212A
公开(公告)日：2022-08-09
申请号：CN202210490907.5
申请日：2022-05-07
Applicant: 天津大学
Abstract: 本发明公开了一种基于双分支判别特征神经网络的声音事件检测方法，包括：将包含声音信号的数据集进行特征提取，得到log‑mel频谱图的数据集，并将其分为训练集、测试集和验证集；建立双分支判别特征网络模型，所述的双分支判别特征网络模型包括双分支采样、特征提取、双分支的特征融合和损失融合：将测试集和验证集作为训练后的模型的输入，该模型的输出即为该数据集的声音事件检测的结果，包括该音频所包含的声音事件类别和发生该事件的起始和终止时间。本发明通过双分支判别特征融合的方式获取到尾部类和难区分类别的判别性特征，并在一定程度上均衡了分类器的类别权重，提高了声音事件检测的效果。
-
公开(公告)号：CN114444588A
公开(公告)日：2022-05-06
申请号：CN202210062295.X
申请日：2022-01-19
Applicant: 天津大学
Abstract: 本发明公开了一种基于时变特征构图的燃气轮机上多种测点时序预测方法，通过端到端方式提取输入样本的时变特征并构造关联关系网络，并使用时空卷积网络进行序列预测，所采用的预测模型包括一个时变关联网络构造模块，一个时空卷积特征融合模块以及一个序列预测输出反馈模块；时变关联网络构造模块用于提取样本中的时变特征信息并构造时变关联网络，时空卷积特征融合模块用于输入和时变关联网络构造模块的输出聚合样本的特征，序列预测输出反馈模块用于实现网络的迭代优化，最终输出燃气轮机多传感器时间序列预测曲线。本发明将数据中隐含的时变信息加入到关系网络构建当中，实现了自适应的时变特征学习，进一步提升了时间序列的预测效果。
-
公开(公告)号：CN110533086B
公开(公告)日：2021-01-26
申请号：CN201910744623.2
申请日：2019-08-13
Applicant: 天津大学
Abstract: 本发明提供了一种图像数据半自动标注方法，包括：对未标注的图像进行部分图像级标注；将标注数据放到协同弱监督识别模型中进行训练；对协同弱监督识别模型进行改造，得到强监督改造模型；用强监督改造模型对未标注的图像进行检测，得到检测结果；使用人工标注图像数据训练强监督改造模型。本发明的方法前期使用一定量的弱标签数据，然后后期使用主动学习的方式逐渐改善模型，从而在少的标注量的同时，保证了精度。
-
公开(公告)号：CN110298823A
公开(公告)日：2019-10-01
申请号：CN201910520115.6
申请日：2019-06-17
Applicant: 天津大学
Abstract: 本发明提供一种基于MSER算法的红外图像辅助标注方法，包括以下步骤：1)导入需要标注的图像，并预先设置矩形框长宽比范围、长宽范围、非零像素比阈值；2)对图像进行灰度变化，并取反值灰度；3)创建两个MSER对象，并对灰度图和反值灰度图执行MSER检测；4)获取两次MSER检测后的点集，形成MAT图像，并对两个图像进行位与操作，获得新的MAT图像；5)对新的MAT图像进行连接缝隙，寻找外部轮廓，并针对轮廓画出最小外界矩形，并显示的图片上；6)根据MSER算法产生的红外图像标注框，进行进一步标注；本发明在传统图像标注工具基础上，增加了MSER算法；提高了标注速度和准确度，减少人力消耗。
-
-
-
-
-
-
-
-
-
Search Results
41
records
(took 0.018 seconds)
