“训练集数据”专利关键词查询_检索下载_查询列表_检索列表_行业专利分布_钻瓜专利网

钻瓜专利网为您找到相关结果2665968个，建议您升级VIP下载更多相关专利

[发明专利]一种基于深度学习的行为识别方法-CN201910041967.7有效
发明人：王玉峰;李潇 -专利权人：南京邮电大学
申请日： 2019-01-16 - 公布日： 2022-08-30 - 主分类号： G06K9/00 文献下载
摘要：本发明公开了一种基于深度学习的行为识别方法，行为识别分为训练阶段和识别阶段，在训练阶段，对加速度传感器采集的三轴加速度数据预处理之后提取合加速度值，即xyz三轴加速度平方和的均方根值，然后对合加速度值进行STFT变换以提取数据中时间和频率之间的关系，将STFT序列的能量谱和每次采集数据对应的行为标签作为行为识别模型的训练集输入；行为识别模型采用基于LSTM单元的DRNN网络，使用训练集数据训练初始模型，选择测试集分类正确率最高的训练模型应用于识别阶段。
一种基于深度学习行为识别方法

[实用新型]一种可采集数据的力量训练装置-CN202021172845.6有效
发明人：庞晓健;杨琳 -专利权人：河北龙言体育科技有限公司
申请日： 2020-06-22 - 公布日： 2022-03-01 - 主分类号： A63B23/12 文献下载
摘要：本实用新型涉及健身器械的技术领域，尤其涉及一种可采集数据的力量训练装置，解决了现有技术中健身器械无法显示训练相关数据的问题。一种可采集数据的力量训练装置，包括底座，底座的顶部固定连接有支撑柱，支撑柱的顶端固定连接有两个支杆，两个支杆的外侧与支撑柱的外侧齐平，两个支杆的内侧两端均设置有第二滑轮，两个第二滑轮均通过连杆与支杆转动连接本实用新型可显示训练相关的数据，帮助使用者了解或记录个人的而训练进度，完成个人训练目标。
一种采集数据力量训练装置

[发明专利]一种基于小样本数据的电阻点焊质量评价模型的构建方法-CN202211256862.1有效
发明人：佟星;宁宝玲;刘显敏;王挺;李栋;曾鹏 -专利权人：中国科学院沈阳自动化研究所
申请日： 2022-10-14 - 公布日： 2023-04-11 - 主分类号： G06F18/2415 文献下载
摘要：本发明涉及了一种基于小样本数据的电阻点焊质量评价模型的构建方法，属于智能制造电阻点焊领域。具体为：获取多维动态电阻特征数据集，并将数据集分为训练集和测试集；用于并训练构建评价模型；通过评价模型对测试集数据进行评价，得到每条未标注数据的预判平均概率阈值，并与焊点预判概率进行比较，继续对评价模型进行训练，并通过新的评价模型对测试集数据进行评价，采用多轮迭代更新样本数据集的方式，最终输出评价模型。本发明基于易获取的焊接过程电阻数据，分析过程电阻特征，采用多轮迭代更新样本数据集的方式，实现了在小样本数据集上完成点焊质量评价方法。
一种基于样本数据电阻点焊质量评价模型构建方法

[发明专利]基于深度学习的文本无关多标号说话人识别方法-CN202010563201.8有效
发明人：邓克琦;卢晶 -专利权人：南京大学
申请日： 2020-06-19 - 公布日： 2023-05-05 - 主分类号： G10L17/00 文献下载
摘要：该方法包括以下步骤：(1)将训练数据集中每个说话人的语音平均分成N份，每份标记上不同的标号；(2)构建相应的神经网络模型，并保证输出层维度与训练数据集标号数一致；(3)将训练数据输入神经网络，并将输出层结果与数据对应的标号相比较，求出交叉熵损失函数，从而进行训练；(4)将测试集数据按照步骤1中训练数据集对应关系为每个说话人的语音数据预设好N个视为有效识别的标号，将测试数据集数据输入神经网络，将模型预测出的标号与预设好的N个标号相比较
基于深度学习文本无关标号说话识别方法

[发明专利]一种基于视觉的物体可用性少样本分类方法-CN202210804230.8在审
发明人：屈雯;赵萌 -专利权人：大连海事大学
申请日： 2022-07-07 - 公布日： 2022-11-01 - 主分类号： G06V10/44 文献下载
摘要：本发明一种基于视觉的物体可用性少样本分类方法，属于计算机视觉、人工智能领域，包括以下步骤：构建用于物体可用性分类的数据集；对数据集进行预处理，得到预处理后的数据集；将预处理后的数据集划分为类别互斥的训练集、验证集和测试集，分别将训练集和测试集；构建可用性少样本分类模型；将训练集数据输入到可用性少样本分类模型中，对可用性少样本分类模型进行训练，得到训练好的可用性少样本分类模型；将测试集数据输入到训练好的可用性少样本分类模型中
一种基于视觉物体可用性样本分类方法

[发明专利]电站温度热失控预警方法、系统及终端-CN202211174980.8在审
发明人：任浩雯;丁鹏;吴炜坤;王得成;冯媛;宋伟;周国鹏;蔡宗霖;严晓;赵恩海 -专利权人：上海玫克生储能科技有限公司
申请日： 2022-09-26 - 公布日： 2023-04-07 - 主分类号： G01R31/367 文献下载
摘要：本发明提供一种电站温度热失控预警方法、系统及终端，包括以下步骤：获取电站所包含的电池模组的采集数据；每个采集数据包括多个温度采集装置获取的所述电池模组的采集温度值；对所述采集数据进行归一化处理，获取标准数据集；基于所述标准数据集训练基于CNN‑LSTM的温度预测模型，以获取所述电池模组在输出时间窗口内的预测温度值；基于训练好的基于CNN‑LSTM的温度预测模型获取电池模组在输出时间窗口内的预测温度值，并基于所述预测温度值判断电站是否存在热失控风险
电站温度失控预警方法系统终端

[发明专利]一种模数转换器的非线性校正方法、装置及电子设备-CN202011054006.9在审
发明人：朱佳伟;陈仕川;郑仕链;杨小牛 -专利权人：中国电子科技集团公司第三十六研究所
申请日： 2020-09-29 - 公布日： 2021-01-05 - 主分类号： H03M1/10 文献下载
摘要：其中的方法包括：获取多个样本数据，每个样本数据包括模数转换器的采集数据、以及根据采集数据构造的误差标签信号；构造适于信号处理的卷积神经网络；使用多个样本数据对卷积神经网络进行训练得到训练好的卷积神经网络；将待校正信号数据输入至训练好的卷积神经网络，得到训练好的卷积神经网络输出的误差校正信号，将待校正信号减去误差校正信号，得到非线性校正后的信号数据。本申请实施例是基于卷积神经网络对模数转换器采集的待校正信号数据进行非线性校正，可以适于各种不同规格的模数转换器的非线性校正，具有通用性。
一种转换器非线性校正方法装置电子设备

[发明专利]基于炉温软测量模型的炉膛温度预测方法及装置-CN202110554324.X在审
发明人：蒋若宁;李锋;贺诗文;陈志宏 -专利权人：上海华谊信息技术有限公司
申请日： 2021-05-20 - 公布日： 2021-07-27 - 主分类号： G06F30/27 文献下载
摘要：本发明涉及一种基于炉温软测量模型的炉膛温度预测方法及装置，所述方法包括如下步骤：步骤一：采集水煤浆气化炉生产时可检测的所有点位数据；步骤二：对于各个点位数据分析，选取与气化炉炉温数据相关性超过设定阈值的操作变量；步骤三：将数据分为测试集和训练集，并建立炉膛温度预测模型，使用训练集数据对模块进行训练，测试集数据进行预测；步骤四：调整数据测试集与训练集的范围或调整模型的相关参数进行调优，选取评分超过设定阈值的回归参数并构建最佳模型；步骤五：将步骤四得到的最佳模型部署在实际系统中，当系统实时产生数据时，将各参数代入模型中得出气化炉炉膛温度。
基于炉温测量模型炉膛温度预测方法装置

[发明专利]一种基于图像识别的水位测量方法-CN202310636856.7有效
发明人：陈伟昌;赵帅;杨跃;张兵;张彬培;洪晓达;乐鸣;韦三刚;赵旭升;赖杭;田茂春;徐奕蒙;王高丹;张水平 -专利权人：珠江水利委员会珠江水利科学研究院
申请日： 2023-06-01 - 公布日： 2023-09-01 - 主分类号： G06V10/44 文献下载
摘要：本发明涉及机器视觉技术领域，尤其揭露了一种基于图像识别的水位测量方法，所述方法包括以下步骤：利用自动相机对水尺进行自动化水尺图像采集处理，生成自动化水尺采集数据；基于自动化水尺采集数据利用媒体云分发处理生成水尺分布式云端数据；基于水尺分布式云端数据，对水尺进行形态轮廓检测分割处理，生成水尺标准化区域图像数据；利用神经网络算法对初态刻度数据进行模型构建训练处理，生成水尺定标识别模型；利用分辨率自适应刻度定标计算对水尺刻度会进行模型训练处理，生成水位感知数据。本发明通过规范的图像获取流程采集包含水尺图像信息的有效信息并上传至云端，规范标准的源图像数据和大量的训练，获得了较为稳定的训练模型和参数。
一种基于图像识别水位测量方法

[发明专利]一种基于交叉域迭代网络的MRI欠采样图像重建方法-CN202010881742.5在审
发明人：杨春升;李钊;宋长明;郑利敏;张雪华;李利平 -专利权人：中原工学院
申请日： 2020-08-28 - 公布日： 2022-03-01 - 主分类号： G06T11/00 文献下载
摘要：本发明提出了一种基于交叉域迭代网络的MRI欠采样图像重建方法，准备全采样、欠采样的MRI k空间数据和图像数据集合，形成训练集和验证集数据；构建k空间域和图像域交叉的CNN稠密连接网络，预定义损失函数；将训练集数据输入网络进行训练；利用验证集测试网络的性能和泛化能力，确定网络模型和参数；将欠采样的k空间数据输入训练得到的图像重建网络重建图像。损失函数中既考虑图像域损失又考虑了k空间域的损失，使用多监督训练，有效避免梯度回传时的监督信息丢失。
一种基于交叉域迭代网络 mri 采样图像重建方法

[发明专利]一种电网领域调度令操作时长预测方法及装置-CN202111570535.9在审
发明人：张守田;施建华;庞郑宁;颜维龙;王越崧;齐敬先 -专利权人：南京南瑞信息通信科技有限公司
申请日： 2021-12-21 - 公布日： 2022-04-29 - 主分类号： G06Q10/04 文献下载
摘要：本发明公开了一种电网领域调度令操作时长预测方法及装置，包括获取与操作令时长相关的数据；对所述与操作令时长相关的数据进行分析处理，生成模型训练所需要的训练集数据；基于所述训练集数据，采用集成类算法Xgboost进行模型训练；基于所述训练好的模型进行预测，返回预测结果，本发明通过对操作令影响因素的分析，获取影响因素下，合理的特征表达，根据操作令内容的分类，来做操作令的数据清洗，涉及了词向量和图向量结合的方式，解决了调度员下达的操作令被现场操作人员执行具体任务所需花费时长的预测问题
一种电网领域调度操作预测方法装置

[发明专利]多方安全联合训练处理方法、装置、设备、介质和程序产品-CN202211070743.7在审
发明人：熊乐;陈曦;申志彬;李如先;张剑 -专利权人：深圳前海环融联易信息科技服务有限公司
申请日： 2022-09-02 - 公布日： 2023-01-06 - 主分类号： G06F21/62 文献下载
摘要：本申请涉及多方安全计算技术领域，公开了一种多方安全联合训练处理方法、装置、设备、介质和程序产品，用于解决使模型难以收敛，导致训练失败的问题。方法部分包括：对各参与方提供的样本数据进行隐私安全求交，得到交集数据；对交集数据进行加密，得到加密数据；基于加密数据和预设多方安全加密算法进行多方安全联合训练；记录并判断每次迭代训练过程中，全局模型是否发生震荡筛选出满足预设模型条件的多个局部模型；基于多个局部模型的特征权重系数，得到目标特征权重系数；通过目标特征权重系数更新全局模型的特征权重系数，并判断更新后的全局模型是否收收敛；当更新后的全局模型收敛时，则确定更新后的全局模型训练完成
多方安全联合训练处理方法装置设备介质程序产品

[发明专利]一种基于流感病毒刺激的细胞差异基因数据分类系统-CN201410294369.8有效
发明人：刘文军;李晶;孙清岚;马俊才 -专利权人：中国科学院微生物研究所
申请日： 2014-06-26 - 公布日： 2017-02-22 - 主分类号： G06F17/30 文献下载
摘要：本发明涉及一种基于流感病毒刺激的细胞差异基因数据分类系统，它包括数据处理模块，数据处理模块采集训练样本集数据，依据训练样本集中每个样本的基因数据进行多因素数据分割生成二次数据；数据分类模块读取数据处理模块生成的二次数据，进行数据分类计算，并将计算结果传输至模型建立模块内建立各数据分类模型；测试数据模块用于接收模型建立模块建立的各数据分类模型以及经数据处理模块处理后的待测样本集数据，测试数据模块对接收到的各数据分类模型进行评价；待测样本集数据经数据处理模块处理后生成的二次数据与评价后的各数据分类模型做比较，得到系统预测的差异表达基因的分类。本发明可以广泛在数据挖掘系统中应用。
一种基于流感病毒刺激细胞差异基因数据分类系统

[发明专利]一种基于启发式配置的负荷预测方法、设备及存储介质-CN202211468992.1在审
发明人：陈宝红 -专利权人：苏州瑞城电力科技有限公司
申请日： 2022-11-22 - 公布日： 2023-04-04 - 主分类号： G06Q10/04 文献下载
摘要：本发明公开了一种基于启发式配置的负荷预测方法、设备及存储介质，包括：获取区域内历史负荷数据和温度数据并生成原始数据集，对生成的原始数据集进行清洗形成新数据集，并将新数据集分为训练集、配置集和测试集三部分；构建基于长短期记忆循环神经网络的单步负荷预测模型与递归预测模型；基于训练集数据，通过启发式搜索选择递归预测模型的最优输入特征；提取配置集数据的最优输入特征，配置长短期记忆循环神经网络的最优超参数；基于最优超参数配置了最优的长短期记忆循环神经网络后，对最优的长短期记忆循环神经网络进行正则化处理，提取测试集数据的最优输入特征，导入最优正则化后的递归预测模型，输出预测结果。
一种基于启发式配置负荷预测方法设备存储介质

[发明专利]一种基于振动信号的TBM掘进参数的预测方法-CN202211359635.1在审
发明人：黄江帆;薛亚东;王宝友;罗炜;汪加轩;冀国栋 -专利权人：中铁十八局集团有限公司;同济大学
申请日： 2022-11-02 - 公布日： 2023-02-24 - 主分类号： G01H17/00 文献下载
摘要：包括：S1、在TBM掘进过程中，监测TBM的振动信号；S2、提取TBM主要掘进参数及对应时间的振动数据，将掘进参数和振动信号按相同时段拆分为训练集、验证集和测试集；S3、振动信号处理，对振动数据进行小波变换获得时域图和频域图；S4、建立掘进参数与振动时频图的深度学习模型，通过训练集数据训练模型；S5、通过测试集数据，对建立的模型进行误差优化；S6、通过验证集数据评估模型指标；S7、在模型中输入振动信号，预测掘进参数。
一种基于振动信号 tbm 掘进参数预测方法