-
公开(公告)号：CN112434891A
公开(公告)日：2021-03-02
申请号：CN202011509734.4
申请日：2020-12-18
Applicant: 中国计量大学上虞高等研究院有限公司 , 中国计量大学
Abstract: 本发明公开了一种基于WCNN‑ALSTM的太阳辐照度时间序列的预测方法，包括以下步骤：1)采集某地区一年的太阳辐照度数据，按时间顺序依次记录辐照度数值，得到的时间序列数据；2)使用小波变换WT的方法对时间序列数据进行分解，得到频率不同的多个子序列；3)将各个子序列输入CNN‑ALSTM深度学习网络模型进行训练，所述CNN‑ALSTM深度学习网络模型结合卷积神经网络CNN、长短记忆神经网络LSTM以及Attention机制；4)根据误差评价指标调节模型迭代次数和CNN以及LSTM的内部参数，得到WCNN‑ALSTM深度学习网络模型；5)对太阳辐照度进行预测，具体为：将采集的辐照度数据使用小波变换进行分解，得到频率不同的多个子序列，然后输入CNN‑ALSTM深度学习网络模型中，将每个子序列进行叠加输出最终的预测结果。
-
公开(公告)号：CN112434153A
公开(公告)日：2021-03-02
申请号：CN202011493236.5
申请日：2020-12-16
Applicant: 中国计量大学上虞高等研究院有限公司 , 中国计量大学
IPC: G06F16/335 , G06F40/284 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于ELMo和卷积神经网络的垃圾信息过滤方法，步骤如下：1)对垃圾信息文本进行预处理，最终得到干净的纯文本。2)根据纯文本内容进行分类，手动标注垃圾文本信息，得到一个有标签的数据集。3)使用ELMo方法对数据集进行微调，得到每一个词在该语境下的最佳词向量。4)将上一步得到的词向量输入多层卷积神经网络分类模型中，得到神经网络的输出。5)根据神经网络的输出对神经网络参数进行调整，经过多轮训练，使输出结果的准确率尽可能高，保存准确率最高的神经网络参数。6)使用上述神经网络作为分类器，加载准确率最高的神经网络参数，对输入信息进行识别。该方法在短文本、少数据的情况下对垃圾信息的过滤效果优于其他方法。
-
公开(公告)号：CN114238586A
公开(公告)日：2022-03-25
申请号：CN202111598481.7
申请日：2021-12-24
Applicant: 中国计量大学上虞高等研究院有限公司 , 中国计量大学
Abstract: 本发明公开了一种基于联邦学习框架的Bert结合卷积神经网络的情感分类方法，该方法提出使用Bert来提取全局特征，减少神经网络的迭代次数，加速神经网络的收敛，提升下游分类模型的准确率；提出使用联邦学习框架对各个客户端训练的最优参数发送给中心服务器进行整合后下发新的共同参数给各个客户端使用，有效地降低了传统机器学习源数据聚合带来的许多隐私风险。本发明方法可有效保护各个客户端的数据隐私性，并且在短文本、少数据的情况下对不同种类商品评论的分类效果优于其他方法。
-
公开(公告)号：CN113723606A
公开(公告)日：2021-11-30
申请号：CN202011488385.2
申请日：2020-12-16
Applicant: 中国计量大学上虞高等研究院有限公司 , 中国计量大学
IPC: G06N3/08 , G06N3/04 , G06F17/14 , G06F16/2458
Abstract: 本发明公开了一种基于多任务多通道小波变换嵌套长短期记忆模型(MTMC‑WNLSTM)的空气质量时间序列预测方法，包括以下步骤：采集6个空气质量指标数据(PM2.5，PM10，SO2，NO2，CO，O3)，每个采集点按时间顺序依次记录各指标的浓度数值，得到单维的时间序列数据并进行标准化；通过小波变换，将原数据中每个变量的单维时间序列数据分解成4个数据子序列；使用滑动时间窗方法将所述单维的时间序列分解后得到的4个数据子序列从单维的时间序列数据拓展成多维数据；将数据划分为训练集和测试集；建立多任务多通道NLSTM深度学习模型，将训练集输入以进行模型的训练和优化，训练完成之后输入测试集检验模型性能，最终可采用得到的深度学习模型对6个空气质量指标进行预测。
-
公开(公告)号：CN112434890A
公开(公告)日：2021-03-02
申请号：CN202011504301.X
申请日：2020-12-18
Applicant: 中国计量大学上虞高等研究院有限公司 , 中国计量大学
Abstract: 本发明公开了一种基于CEEMDAN‑BiLSTM的隧道沉降时间序列的预测方法，该方法包括以下步骤：采集隧道上方的地表沉降数据，按时间顺序依次记录每个采集点的沉降数值，得到单维的隧道沉降时间序列并对其进行预处理；将预处理后的隧道沉降时间序列进行自适应噪声的完全集合经验模态分解，得到n个不同尺度的且较为平稳的固有模态函数IMF1～IMFn分量及一个剩余残差Res分量；确定时间尺度，对分解后的IMF分量及误差Res进行重构，归一化统一量纲，确定训练集和测试集；对各个训练集和测试集分别建立双向长短期记忆网络预测模型，预测隧道沉降子序列；将不同尺度下的隧道沉降子序列反归一化后进行叠加，得到最终隧道沉降的结果，按照不同的评价指标评估模型的预测效果以及稳定性。
-
Patent Agency Ranking
公开(公告)号：CN112541552B
公开(公告)日：2022-04-19
申请号：CN202011488355.1
申请日：2020-12-16
Applicant: 中国计量大学上虞高等研究院有限公司 , 中国计量大学
Abstract: 本发明公开了一种双通道卷积神经网络和光梯度提升机相结合的空气处理机组故障检测与诊断方法，该方法采用双通道卷积神经网络(DCCNN)和光梯度提升机(LGBM)这两种高级分类器相结合的混合模型DCCNN‑LGBM，对空气处理机组(AHU)进行准确的故障检测与诊断。本发明还在卷积神经网络中使用了残差网络，提高了双通道卷积神经网络的特征提取能力，同时提高了模型的整体故障检测与诊断精度，可以有效的应用于实际工程中对空气处理机组进行准确的故障检测与诊断。而且本模型的可移植能力很好，只需对模型的某些参数进行改变，就可以很容易移植到别的领域，如冷水机组故障检测与诊断等领域。
-
公开(公告)号：CN114238577A
公开(公告)日：2022-03-25
申请号：CN202111550577.6
申请日：2021-12-17
Applicant: 中国计量大学上虞高等研究院有限公司 , 中国计量大学
Abstract: 本发明公开了一种融合多头注意力机制的多任务学习情感分类方法，该方法使用适用于重要特征提取的多头注意力机制和改善分类泛化性的多任务学习来提高情感分类性能。使用多头注意力机制对分批次输入的句子序列进行特征提取，得到每条语句的预分类标签。使用由长短期记忆网络联合逐点卷积神经网络构成的编码器对分批次输入的句子序列进行编码，将预分类标签作为辅助标签帮助构建多任务情感分类器。设计新的损失函数项加入到原有的损失函数中，经过多轮训练，动态地优化模型参数，即得到最优的情感分类模型，利用该模型可对评论文本进行情感分类。该方法在准确率、F1值评测指标上均优于采用传统多任务学习方法，适用于不同的下游任务和预测场景。
-
公开(公告)号：CN112541552A
公开(公告)日：2021-03-23
申请号：CN202011488355.1
申请日：2020-12-16
Applicant: 中国计量大学上虞高等研究院有限公司 , 中国计量大学
Abstract: 本发明公开了一种双通道卷积神经网络和光梯度提升机相结合的空气处理机组故障检测与诊断方法，该方法采用双通道卷积神经网络(DCCNN)和光梯度提升机(LGBM)这两种高级分类器相结合的混合模型DCCNN‑LGBM，对空气处理机组(AHU)进行准确的故障检测与诊断。本发明还在卷积神经网络中使用了残差网络，提高了双通道卷积神经网络的特征提取能力，同时提高了模型的整体故障检测与诊断精度，可以有效的应用于实际工程中对空气处理机组进行准确的故障检测与诊断。而且本模型的可移植能力很好，只需对模型的某些参数进行改变，就可以很容易移植到别的领域，如冷水机组故障检测与诊断等领域。
-
公开(公告)号：CN112434888A
公开(公告)日：2021-03-02
申请号：CN202011501019.6
申请日：2020-12-17
Applicant: 中国计量大学上虞高等研究院有限公司 , 中国计量大学
Abstract: 本发明公开了一种基于深度学习的双向长短期记忆网络的PM2.5预测方法，包括以下步骤：收集某地区各个观测站记录的PM2.5浓度数据，各个观测站按时间顺序依次记录PM2.5的浓度变化，得到单维的PM2.5时间序列原始数据；使用变分模态分解将原始PM2.5单维数据分解成由多个谐波子序列构成的多维数组，各个子序列之和即为原始数据；对原始数据进行预处理；将各个子序列数据划分为相同大小的训练集和测试集。构造BiLSTM模型，然后将训练集和测试集分别输入BiLSTM模型中，依据实验结果调整模型参数；利用调整好参数的BiLSTM模型得到各个子序列的预测结果，然后将各个子序列的预测结果相加，得到最终的预测结果。本发明可有效解决当前空气质量数据波动变化大，预测效果不够精确等问题。
-
公开(公告)号：CN114021455B
公开(公告)日：2024-04-30
申请号：CN202111295840.1
申请日：2021-11-03
Applicant: 中国计量大学上虞高等研究院有限公司 , 中国计量大学
IPC: G06F30/27 , G06F18/24 , G06N3/0475 , G06N3/045 , G06N3/094 , G06N3/0464 , G06F111/04 , G06F111/10
Abstract: 本发明公开了一种改进DRAGAN及数据驱动相结合的冷水机组故障检测与诊断方法，该方法将带有条件的DRAGAN与基于数据驱动的冷水机组故障检测方法相结合，只使用少量的故障数据就能完成冷水机组的准确故障检测与诊断。现有方法往往严重依赖于包含大量正常和故障数据的平衡数据集。然而，在真实世界中，故障数据的收集比较困难，因为故障通常会在短时间内修复，因此收集足够多的错误样本来构建平衡的数据集是比较困难的。本发明使用提出的CDRAGAN来生成故障样本，以此来丰富训练集中的故障数据。并使用重新平衡的数据集来训练分类器，进行故障检测与诊断。且通过实验证实了本发明方法在有限的错误训练样本下仍能实现较高的故障检测与诊断准确率。
-
-
-
-
-
-
-
-
-
Search Results
24
records
(took 0.021 seconds)
