-
公开(公告)号：CN104077595A
公开(公告)日：2014-10-01
申请号：CN201410266127.8
申请日：2014-06-15
Applicant: 北京工业大学
Abstract: 基于贝叶斯正则化的深度学习网络图像识别方法属于人工智能和机器学习领域。深度信念网络越来越多的在数字检测及图像识别领域发挥重要作用。为了解决该网络在训练过程中的过拟合问题，本文基于网络的稀疏特性及连接权值的变化，提出一种基于贝叶斯正则化的深度信念网。通过将贝叶斯正则化应用到网络训练过程中，有效地调节误差减小与权值增大之间的平衡。本文使用数字手写体数据库的分类实验来证明该改进算法的有效性。实验结果表明在深度信念网中，该方法能够有效克服过拟合现象，提高数字识别的正确率。
-
Patent Agency Ranking
公开(公告)号：CN106873379B
公开(公告)日：2019-12-27
申请号：CN201710205688.0
申请日：2017-03-31
Applicant: 北京工业大学
IPC: G05B13/04
Abstract: 一种基于迭代ADP算法的污水处理最优控制方法针对污水处理过程(Wastewater treatment process,WWTP)溶解氧浓度和硝态氮浓度的控制问题。该策略中无需知道污水处理过程的非线性动力学模型，只需系统的输入输出观测信息，利用神经网络逼近非线性函数结构的特性，采用神经网络来逼近性能评价指标和最优控制策略，研究了控制器的在线学习算法，取得了较好的效果，提高污水处理的精度和控制器的稳定性、降低了污水处理成本，实现污水处理过程最优控制，从而促使污水处理厂高效稳定运行。
-
公开(公告)号：CN108898220A
公开(公告)日：2018-11-27
申请号：CN201810596869.5
申请日：2018-06-11
Applicant: 北京工业大学
Abstract: 本发明涉及污水处理出水TP区间预测方法，利用集员辨识和神经网络相结合的思想基于采集到的数据进行建模，并给出输出变量出水TP的区间估计。本方法有两个部分：利用RBF神经网络对输入输出数据进行建模以及采用参数线性集员辨识算法得到网络输出权值的集合描述。其一，利用RBF神经网络的逼近能力，将其用于污水处理出水总磷的软测量建模；其二，RBF神经网络的中心和宽度被确定后，考虑到建模误差的有界性，采用参数线性集员辨识算法得到网络输出权值的集合描述，从而得到出水总磷的可靠区间估计。本发明给出了一种新的软测量方法，可以计算出水总磷的置信区间，从而实现对水质指标的可靠检测。
-
公开(公告)号：CN104076265A
公开(公告)日：2014-10-01
申请号：CN201410266126.3
申请日：2014-06-15
Applicant: 北京工业大学
IPC: G01R31/26
Abstract: 一种快速测量半导体器件电学参数温度变化系数的方法和装置，属于半导体器件电学和热学测量技术领域。所述方法包括：快速拉升半导体器件环境温度，并随时间快速线性上升。同时采集线性升高的环境温度和器件温敏参数值随时间变化。当测量温度随时间的线性变化率，以及温敏参数随温度变化率，即可得到温敏参数随温度的变化系数。所述装置包括：温度系数测试仪、温度控制平台和被测半导体器件。本发明采用动态法测量半导体器件温度系数，改变环境温度的同时采集相应温敏参数。该方法测量速度快，精度高，重复性好，极大地提高了半导体器件热性能的测量效率。
-
公开(公告)号：CN106873379A
公开(公告)日：2017-06-20
申请号：CN201710205688.0
申请日：2017-03-31
Applicant: 北京工业大学
IPC: G05B13/04
Abstract: 一种基于迭代ADP算法的污水处理最优控制方法针对污水处理过程(Wastewater treatment process,WWTP)溶解氧浓度和硝态氮浓度的控制问题。该策略中无需知道污水处理过程的非线性动力学模型，只需系统的输入输出观测信息，利用神经网络逼近非线性函数结构的特性，采用神经网络来逼近性能评价指标和最优控制策略，研究了控制器的在线学习算法，取得了较好的效果，提高污水处理的精度和控制器的稳定性、降低了污水处理成本，实现污水处理过程最优控制，从而促使污水处理厂高效稳定运行。
-
公开(公告)号：CN104077595B
公开(公告)日：2017-06-20
申请号：CN201410266127.8
申请日：2014-06-15
Applicant: 北京工业大学
Abstract: 基于贝叶斯正则化的深度学习网络图像识别方法属于人工智能和机器学习领域。深度信念网络越来越多的在数字检测及图像识别领域发挥重要作用。为了解决该网络在训练过程中的过拟合问题，本文基于网络的稀疏特性及连接权值的变化，提出一种基于贝叶斯正则化的深度信念网。通过将贝叶斯正则化应用到网络训练过程中，有效地调节误差减小与权值增大之间的平衡。本文使用数字手写体数据库的分类实验来证明该改进算法的有效性。实验结果表明在深度信念网中，该方法能够有效克服过拟合现象，提高数字识别的正确率。
-
-
-
-
-
Search Results
6
records
(took 0.019 seconds)
