“预测试”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967299个，建议您升级VIP下载更多相关专利

[发明专利]一种基于偏差分类的飞行器性能参数预测方法及装置-CN202310864752.1在审
发明人：朱浩;孙俊杰;张君豪;郭海洲;王舒婷;蔡国飙 -专利权人：北京航空航天大学
申请日： 2023-07-13 - 公布日： 2023-09-29 - 主分类号： G06F30/15 文献下载
摘要：本申请提供了一种基于偏差分类的飞行器性能参数预测方法及装置，该方法包括：获取多个测试样本；将每个测试样本分别输入至计算流体力学预测模型、第一变精度预测模型和第二变精度预测模型，获得与该测试样本对应的第一飞行器性能参数、第二飞行器性能参数、第三飞行器性能参数，基于该测试样本的第一飞行器性能参数、第二飞行器性能参数和第三飞行器性能参数，确定该测试样本的预测偏差；按照预测偏差，将多个测试样本划分至第一样本集合和第二样本集合，构建第一样本集合与第一变精度预测模型的第一对应关系以及第二样本集合与第二变精度预测模型的第二对应关系；利用第一对应关系和第二对应关系对飞行器实时状态参数进行飞行器性能参数的预测。
一种基于偏差分类飞行器性能参数预测方法装置

[发明专利]一种基于时间卷积和LSTM的时间序列预测方法-CN201810469767.7在审
发明人：李玉华;李瑞轩;辜希武;占旭宽;彭城易;梁天安;龚晶;许武奎 -专利权人：华中科技大学
申请日： 2018-05-16 - 公布日： 2018-11-06 - 主分类号： G06N3/04 文献下载
摘要：本发明公开了一种基于时间卷积和LSTM的时间序列预测方法，包括：获取时间序列预测问题的样本数据，包括时间序列和预测目标序列；采用不同的超参数组合，建立基于TC‑LSTM模型的多个候选模型；对时间序列进行预处理，得到窗口序列和目标集，并通过划分得到训练集和测试集；利用训练集对候选模型进行训练；利用训练好的候选模型对测试集中的窗口序列子集进行预测，并计算每一个候选模型的预测结果与测试集中的目标集子集的均方根误差；选取均方根误差最小的候选模型作为预测模型；对待预测的时间序列进行预处理，得到待预测的窗口序列，然后利用预测模型对待预测的窗口序列进行预测，得到预测目标值。本发明能够提高时间序列预测的准确度。
候选模型时间序列预测窗口序列预测时间序列预处理均方根误差时间卷积预测模型训练集测试准确度参数组合样本数据预测结果预测目标测试集子集

[发明专利]一种基于BP神经网络预测模型的洋流运动预测算法-CN202111175213.4在审
发明人：史剑;汪浩笛;杜辉;张文;郭海龙;曾智;张雪艳 -专利权人：中国人民解放军国防科技大学
申请日： 2021-10-09 - 公布日： 2021-12-24 - 主分类号： G06F30/27 文献下载
摘要：本发明公开了一种基于BP神经网络预测模型的洋流运动预测算法，包括如下步骤：S1.收集历史影响洋流运动因素变量的数据样本，并对所述数据样本进行分类，以得到训练样本和测试样本；S2.设置所述训练样本的初始权重和初始阈值后进行训练，将训练得到的权重和阈值进行优化，得到优化的BP神经网络预测模型；S3.对优化后的BP神经网络预测模型进行测试，根据测试结果评价优化后的BP神经网络预测模型的洋流运动预测精度和预测性能；S4.将待预测的洋流的参数输入到优化后的BP神经网络预测模型中进行洋流运动预测。本发明能够快速对洋流运动进行预测，提高洋流运动预测精度，提升洋流运动预测的准确度。
一种基于 bp 神经网络预测模型洋流运动算法

[发明专利]基于注意力机制融合特征的电力中期负荷预测方法及系统-CN202211497664.4在审
发明人：续欣莹;徐利美;邢吉伟;贺卫华;李远;朱燕芳;赵文娜 -专利权人：太原理工大学
申请日： 2022-11-25 - 公布日： 2023-04-07 - 主分类号： G06F30/27 文献下载
摘要：本公开实施例公开了一种基于注意力机制融合特征的电力中期负荷预测方法及系统，旨在解决现有的预测方法滚动预测过程中累计误差大、预测精度低的问题；其中方法包括：对电力负荷历史数据进行预处理，基于获取的预处理数据构建训练集、验证集和测试集；构建负荷预测模型，负荷预测模型包括依次串联的输入层、特征提取层、注意力层、特征融合层和特征输出层；在训练集上对负荷预测模型进行训练，并在验证集上对训练的负荷预测模型进行验证；在测试集上构建预测序列，采用递归预测法对训练模型进行测试，获得电力中期负荷预测值；本申请提供的方案专用于电力中期负荷预测，有效减少信息的冗余，提高负荷预测的准确率。
基于注意力机制融合特征电力中期负荷预测方法系统

[发明专利]基于眼睛凝视热力图的人格预测方法-CN201811526903.8在审
发明人：孙晓;郑仕鑫 -专利权人：合肥工业大学
申请日： 2018-12-13 - 公布日： 2019-05-03 - 主分类号： G06K9/00 文献下载
摘要：本发明实施例公开一种基于眼睛凝视热力图的人格预测方法，获取被测试人观看刺激视频时的面部活动视频，根据面部活动视频，确定被测试人眼睛凝视热力图，从眼睛凝视热力图提取特征，将从眼睛凝视热力图提取的特征，应用预先训练后的人格预测模型，得出被测试人的人格预测值，从而实现基于眼睛凝视热力图进行人格预测。
凝视预测活动视频测试提取特征预测模型视频刺激观看应用

[发明专利]一种计量自动化系统无线通信故障预测方法-CN201510137893.9在审
发明人：王少锋;刘涛;伍少成;刘洋;李鹏;刘伊雅 -专利权人：深圳供电局有限公司
申请日： 2015-03-27 - 公布日： 2015-07-01 - 主分类号： G06Q50/06 文献下载
摘要：本发明提供的一种计量自动化系统无线通信故障预测方法，包括将终端采集的历史通信质量数据分为训练样本集和测试集；根据从所述训练样本集中提取的特征将训练样本集转化为训练向量集；基于逻辑回归模型训练所述训练向量集获得特征向量的权重参数向量，以得到预测计量自动化终端通信故障的预测模型；在所述测试集中选取与所述训练样本集中提取的特征相同的特征构建测试向量集；根据所述测试向量集是评价所述训练得到的预测模型，并且根据预测结果对所述预测模型的参数做出调整本发明能提前分析各类通信故障的数据，主动预测终端故障的概率，从而间接提高终端在线率，从而能有效解决电网中通信故障预测的问题。
一种计量自动化系统无线通信故障预测方法

[发明专利]基于CNN和LSTM融合神经网络的空气PM2.5浓度预测方法-CN201711203233.1在审
发明人：张波;雍睿涵;李美子;赵勤;秦东明 -专利权人：上海师范大学
申请日： 2017-11-27 - 公布日： 2018-05-08 - 主分类号： G06Q10/04 文献下载
摘要：本发明涉及一种基于CNN和LSTM融合神经网络的空气PM2.5浓度预测方法，包括：步骤S1：基于深度学习原理和CNN及LSTM构建城市PM2.5浓度预测的模型；步骤S2：针对所构建的模型，从环境监测数据中选择训练数据和测试数据，完成对预测模型的初始化；步骤S3：利用训练数据对模型进行训练；步骤S4：利用训练好的模型，依据测试数据得到测试的预测结果；步骤S5：判断测试的预测结果的准确性，若准确性超过阈值，则执行步骤S6，若为否，则返回步骤S2；步骤S6：利用训练好的模型进行预测。与现有技术相比，本发明预测的准确度较传统的预测方法高，在同样的工作时长和工作条件下，可以产生更好的结果。
基于 cnn lstm 融合神经网络空气 pm2 浓度预测方法

[发明专利]一种工业建筑混凝土碳化深度预测方法-CN202010773417.7在审
发明人：董振平;陈亚州;于军琪;赵安军;张英坤;景媛媛 -专利权人：西安建筑科技大学
申请日： 2020-08-04 - 公布日： 2020-11-06 - 主分类号： G06F30/27 文献下载
摘要：本发明公开了一种工业建筑混凝土碳化深度预测方法，获取自然环境下工业建筑碳化深度的历史数据并分成训练集和测试集；利用变分模态分解方法对训练集和测试集进行自适应分解，得到训练集和测试集的模态分量子序列；利用训练集模态分量子序列作为训练预测模型对门控循环单元每个模态分量子序列进行训练，建立训练集各模态分量子序列的门控循环网络碳化深度预测子模型；利用训练集各模态分量子序列的门控循环网络碳化深度预测子模型对测试集模态分量子序列进行预测，将预测值累加后与真实值进行对比分析，完成工业建筑混凝土碳化深度预测评价本发明更细致掌握工业建筑碳化深度时间序列的特征，大大提高了碳化深度预测的精度。
一种工业建筑混凝土碳化深度预测方法

[发明专利]一种基于深度学习的硬岩隧道掘进机的掘进参数预测方法-CN202010893005.7在审
发明人：赵生捷;刘诗洋;张林;张荣庆;吕征南;马慧生;李凡 -专利权人：同济大学
申请日： 2020-08-31 - 公布日： 2021-01-01 - 主分类号： G06F30/20 文献下载
摘要：本发明涉及一种基于深度学习的硬岩隧道掘进机的掘进参数预测方法，具体包括以下步骤：S1.获取传感器连续记录的掘进数据，划分出原始掘进段进行优化，获得目标掘进段组，并将目标掘进段组划分为训练样本集和测试样本集；S2.构建卷积神经网络模型，将训练样本集输入卷积神经网络模型进行深度学习，获取初步预测模型；S3.获取测试样本集，输入初步预测模型进行测试，根据测试结果调整初步预测模型的超参数；S4.重复步骤S3，记录每次调整超参数后模型的预测误差，当预测误差小于设定阈值时，将当前模型作为最终预测模型输出。与现有技术相比，本发明具有提高掘进机的刀盘转速和推进速度的预测精度、避免经济损失和工期延误等优点。
一种基于深度学习隧道掘进机掘进参数预测方法

[发明专利]一种用于输电线路的风速预测方法-CN202010205494.2在审
发明人：路通;陈俍宇;邓照飞 -专利权人：南京大学
申请日： 2020-03-23 - 公布日： 2020-06-19 - 主分类号： G06Q10/04 文献下载
摘要：本发明公开了一种用于输电线路的风速预测方法，属于机器学习技术领域。本发明包括步骤1：采集输电线路附近的风速、微气象信息和天气预报信息；步骤2：将采集到的微气象信息和天气预报信息划分为训练数据集和测试数据集；步骤3：使用训练集训练得到风速预测模型；步骤4：使用测试集测试风速预测模型的效果，根据测试效果调整模型的超参数，重复步骤3，直至获得理想的模型；步骤5：通过风速预测模型预测输电线路的风速。本发明优点在于结合微气象信息和同时间的天气预报信息对输电线路风速进行预测，弥补了传统预测方法天气信息少的问题，提高了输电线路风速预测精度。
一种用于输电线路风速预测方法

[发明专利]一种基于Xgboost的轧机多目标振动预测方法-CN202011623091.6在审
发明人：张阳;林然锰;胡一剑;马兴旺 -专利权人：太原科技大学
申请日： 2020-12-30 - 公布日： 2021-04-16 - 主分类号： G06K9/00 文献下载
摘要：本发明涉及一种基于Xgboost的轧机多目标振动预测方法。主要是解决现有的振动预测方法存在的作用预测范围窄和无法实现多目标振动预测的技术问题。本发明的技术方案是：其包括如下步骤：步骤1：将从轧机现场实测到的工艺参数和振动数据进行拼接，组成完整的数据集；步骤2：对标准化后的数据进行聚类、降维处理，选取数据特征；步骤3：将选取的数据特征进行训练集、测试集划分，70％为训练集，30％为测试集；步骤4：设置Xgboost模型及参数，设置精度要求；步骤5：将训练集数据导入Xgboost模型进行训练，查看预测精度；步骤6：将测试集数据导入满足精度要求的Xgboost模型，得出预测值，调用Xgboost模型Score接口查看预测准确率，用matplotlib绘制预测结果图像并与测试集真实值进行对比。
一种基于 xgboost 轧机多目标振动预测方法

[发明专利]一种钛合金应力腐蚀临界应力强度因子预测方法-CN202210158920.0在审
发明人：张卫冬;张琬滢;艾轶博 -专利权人：北京科技大学
申请日： 2022-02-21 - 公布日： 2022-06-03 - 主分类号： G06F30/27 文献下载
摘要：本发明提供一种钛合金应力腐蚀临界应力强度因子预测方法，属于钛合金腐蚀检测技术领域。所述方法包括：获取训练样本集和测试样本集；将训练样本集输入到多种不同的回归模型中进行训练，训练完成后，将测试样本集输入到训练好的回归模型中进行测试，根据测试结果得到每种回归模型的KISCC预测值的预测准确度；将待预测的钛合金所处条件下的组织结构、加载方向、压力、温度和溶解氧浓度输入到预测准确度最高的回归模型中，输出KISCC预测值。采用本发明，能够利用待预测的钛合金所处条件下的组织结构、加载方向、压力、温度和溶解氧浓度这五种参数准确预测应力腐蚀临界应力强度因子KISCC。
一种钛合金应力腐蚀临界强度因子预测方法

[发明专利]一种不规则排版发票单据布局预测方法、装置及存储介质-CN202210669299.4在审
发明人：朱立平;易欣;徐倩 -专利权人：中华人民共和国南京海关
申请日： 2022-06-14 - 公布日： 2022-10-18 - 主分类号： G06V30/412 文献下载
摘要：本发明公开了一种不规则排版发票单据版面布局预测方法、预测装置及存储介质，不规则排版发票单据版面布局预测方法包括：利用扫描仪或相机采集不规则排版单据信息；将采集到的不规则排版单据信息进行标注并将已标注数据划分为训练集与测试集；使用训练集训练得到版面布局预测模型；使用测试集测试版面布局预测模型的效果，根据测试效果调整模型的超参数，直至获得理想的模型通过预测模型预测不规则排版发票单据版面布局。本发明优点在于结合不规则排版发票单据的高维视觉特征、低维视觉随机变化和语义特征对其进行版面布局预测，弥补了传统版面分析语义信息少、视觉语义融合简单的问题，提高了对布局不规则发票版面分析的精度。
一种不规则排版发票单据布局预测方法装置存储介质

[发明专利]基于深度学习的条码解码方法、装置、设备及存储介质-CN202310350902.7在审
发明人：胡晓蕾;覃圣钦;高为民 -专利权人：广东省工业边缘智能创新中心有限公司
申请日： 2023-03-28 - 公布日： 2023-06-30 - 主分类号： G06K7/14 文献下载
摘要：本发明公开了基于深度学习的条码解码方法、装置、计算机设备及存储介质，该方法通过样本图像和标注信息构建训练集和测试集；根据训练集对预先构建的深度学习模型进行训练，得到条码预测模型；根据测试集及预设编码规则对条码预测模型进行测试，若满足预设的测试条件，则停止训练，得到目标条码预测模型；将接收到的待解码条形码图像输入至目标条码预测模型，得到第一预测框和多个第二预测框；根据多个第二预测框和预设编码规则得到对应的解码字符及解码字符总数，并根据第一预测框和预设编码规则得到对应的字符总数；若该解码字符总数等于字符总数，则输出解码字符。
基于深度学习条码解码方法装置设备存储介质

[发明专利]一种基于CNN-LSTM模型的台风灾害损失预测方法-CN202310823486.8在审
发明人：陈思浩;陈欢俞;黄梦瑶;聂贝贝;朱佩丽;吴迪 -专利权人：南宁师范大学
申请日： 2023-07-06 - 公布日： 2023-10-03 - 主分类号： G06Q10/04 文献下载
摘要：本发明公开了一种基于CNN‑LSTM模型的台风灾害损失预测方法，其先收集待预测地区历年的台风灾害数据，所述台风灾害数据由台风属性数据、承灾体数据、防灾能力数据和台风损失数据组成，接着将收集到的数据按照时间顺序分类整理得到数据集，再采用留出法将所述的数据集分成训练集和测试集，然后将训练集作为台风灾害损失数据集输入至卷积神经网络提取特征，接着再送至长短期记忆网络进行处理得到预测模型，采用测试集对所得到的预测模型进行测试，若预测模型的精度达不到要求，重复上述模型的训练和测试操作，直到得到最优的台风灾害损失预测模型。本发明解决了现有台风灾害损失预测方法中预测精度低的问题。
一种基于 cnn lstm 模型台风灾害损失预测方法