“elman ”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383个，建议您升级VIP下载更多相关专利

[发明专利]一种图像超分辨重建方法及系统-CN201911105707.8在审
发明人：唐英干;孙树腾 -专利权人：燕山大学
申请日： 2019-11-13 - 公布日： 2020-02-25 - 主分类号： G06T3/40 文献下载
摘要：该方法包括：构建Elman神经网络模型；Elman神经网络模型包括：输入层、特征提取层、级联操作层和输出层；获取待重建图像并导入构建的Elman神经网络模型，得到重建的图像；构建Elman神经网络模型包括：获取训练集和测试集；根据训练集确定Elman神经网络模型的参数；利用训练集训练Elman神经网络模型，得到初步Elman神经网络模型；利用测试集对初步Elman神经网络模型进行调整，得到构建的Elman该方法将Elman神经网络应用于图像超分辨率领域，提高了图像重建后的精度；构建的Elman神经网络模型仅包括四个层，结构简单，提高了训练速度。
一种图像分辨重建方法系统

[发明专利]一种基于改进Elman神经网络的电力参数预测方法-CN202210549574.9在审
发明人：李嘉诚;史兵;乐效鹏;宫一搏;蒋建明 -专利权人：常州大学
申请日： 2022-05-20 - 公布日： 2022-07-22 - 主分类号： G06Q10/04 文献下载
摘要：本发明涉及Elman算法技术领域，尤其涉及一种基于改进Elman神经网络的电力参数预测方法，包括：通过改进粒子群算法的学习因子，并应用到改进Elman网络模型中，通过改进Elman网络模型对电力负荷数据进行训练，建立改进Elman网络模型，并通过测试集进行验证。本发明针对Elman神经网络在电力负荷预测上的精度问题上，通过改进Elman神经网络结构以及与改进粒子群优化算法相结合，提高电力负荷预测精度。
一种基于改进 elman 神经网络电力参数预测方法

[发明专利]一种基于Elman神经网络的轨道预测算法-CN202111286739.X在审
发明人：汪大康;张昊 -专利权人：南京长峰航天电子科技有限公司
申请日： 2021-11-02 - 公布日： 2022-03-15 - 主分类号： G06F30/27 文献下载
摘要：本发明公开了一种基于Elman神经网络的轨道预测算法，其特征在于，包括：将待预测的弹道导弹的轨道坐标输入Elman神经网络预测模型，输出预测的轨道坐标；构建Elman神经网络预测模型，包括：构建Elman神经网络模型；将获取的侦察数据代入Elman神经网络模型进行迭代训练直到符合条件，输出最终的Elman神经网络预测模型。基于侦察数据训练构建的Elman神经网络预测模型；基于迭代次数或者误差精度，完成Elman神经网络预测模型的构建，预测的弹道导弹的轨道坐标更加精确。
一种基于 elman 神经网络轨道预测算法

[发明专利]一种基于FA优化Elman神经网络的短期负荷预测方法-CN201910410224.2在审
发明人：刘海涛;孙晓;张潮;孙放;顾思 -专利权人：南京工程学院
申请日： 2019-05-16 - 公布日： 2019-08-06 - 主分类号： G06Q10/04 文献下载
摘要：电力系统的负荷随时间呈现一定范围的非线性波动，但是负荷特性的变化仍然具有一定规律，据此本专利提出一种基于FA优化Elman神经网络的短期负荷预测方法，以提高负荷预测精度。利用萤火虫算法（FA）的非线性寻优能力指导Elman神经网络的权值、阈值进行优化，克服Elman神经网络易陷入局部最优的不足；利用优化后的权值阈值增强Elman神经网络的拟合能力，克服过拟合现象；利用基于FA优化Elman神经网络的短期负荷预测方法预测电力负荷；并且通过仿真验算分析FA优化的Elman神经网络相比于传统的Elman神经网络的优越性。
神经网络短期负荷预测优化拟合非线性波动萤火虫算法电力负荷电力系统负荷特性负荷预测传统的寻优验算预测分析

[发明专利]一种基于GA-Elman-LSTM组合模型的IGBT寿命预测方法-CN202211588473.9在审
发明人：吴松荣;杨平;周懿;张浩然;邓鸿枥;张瀚文;刘齐;付聪;柳博 -专利权人：西南交通大学
申请日： 2022-12-12 - 公布日： 2023-04-14 - 主分类号： G06F30/27 文献下载
摘要：本发明公开了一种基于GA‑Elman‑LSTM组合模型的IGBT寿命预测方法，具体为：获取IGBT老化数据；对数据预处理；利用GA优化的Elman神经网络，将训练数据集导入GA‑Elman模型中进行训练；用训练好的GA‑Elman初步预测模型构建误差修正训练集与验证集；LSTM误差修正预测模型训练；根据步GA‑Elman初步预测模型与LSTM误差修正预测模型搭建GA‑Elman‑LSTM误差修正组合模型
一种基于 ga elman lstm 组合模型 igbt 寿命预测方法

[发明专利]一种基于BFA-Elman的电力负荷预测方法-CN202010589377.0有效
发明人：李军;李浩;王茂琦;郑伟伦;徐康民 -专利权人：南京理工大学
申请日： 2020-06-24 - 公布日： 2022-09-27 - 主分类号： G06Q10/04 文献下载
摘要：本发明公开了一种基于BFA‑Elman的电力负荷预测方法。该方法步骤如下：获取原始负荷数据，对原始负荷数据进行负荷数据预处理和归一化，去除不规则数据和填补缺失数据；构建Elman神经网络拓扑结构，确定网络的参数，初始化Elman神经网络的权值和阈值；设置细菌觅食算法BFA的参数，通过细菌解码，求取最优解，得到最优权值阈值；更新Elman神经网络的权值阈值，训练基于BFA算法优化的Elman神经网络，并对未来电力负荷进行预测。本发明提出的基于BFA‑Elman的电力负荷预测方法，预测精度高，满足了电力系统对电力负荷预测的需要。
一种基于 bfa elman 电力负荷预测方法

[发明专利]基于SSA-Elman模型的变压器油界面张力预测方法-CN202211601834.9在审
发明人：匡红刚;常家宁;陈涛;周渠;贾路芬;刘立;古智奇;刘晓峰;王溢;黄浩川;简瑜;赵娟 -专利权人：国家电网有限公司;国网重庆市电力公司长寿供电分公司;西南大学
申请日： 2022-12-13 - 公布日： 2023-06-13 - 主分类号： G06F30/25 文献下载
摘要：本发明涉及一种基于SSA‑Elman模型的变压器油界面张力预测方法，属于变压器检测技术领域。该方法包括：S1：确定Elman神经网络的输入为降维后的多频超声波数据，输出为变压器油的界面张力，确定网络的训练集与测试集；S2：建立Elman神经网络，确定网络结构并初始化网络的权值和阈值；S3：首先初始化SSA参数，根据Elman神经网络结构，计算出需要优化的变量元素个数；然后循环SSA优化过程；S4：将SSA算法优化后的最优权值阈值参数赋予Elman神经网络，即输出最优的SSA‑Elman模型，利用SSA‑Elman
基于 ssa elman 模型变压器界面张力预测方法

[发明专利]一种基于时间序列的数据修复方法-CN201811568073.5在审
发明人：付明磊;胡海霞 -专利权人：浙江工业大学
申请日： 2018-12-21 - 公布日： 2019-04-23 - 主分类号： G06N3/04 文献下载
摘要：一种基于时间序列的数据修复方法，包括以下步骤：步骤1：正向Elman神经网络预测模型训练，所述正向Elman神经网络预测模型训练包括模型初步结构设计和网络训练；步骤2：反向Elman神经网络推演模型训练，所述反向Elman神经网络预测模型训练包括模型初步结构设计和网络训练；步骤3：数据修复模型设计，过程如下：3.1确定网络参数；3.2数据修复模型设计。结合正向Elman神经网络预测值及反向Elman神经网络推演值，以其各自准确度作为参考权重，从而得出数据修复值，理论上具有较高可信度；以自适应梯度控制法计算网络各层阈值及相互之间权重，具有较快收敛速度，
数据修复神经网络预测模型正向模型设计神经网络时间序列网络训练推演权重神经网络预测准确度高可信度计算网络计算效率模型训练梯度控制网络参数自适应收敛参考

[发明专利]一种基于Elman神经网络的工业物联网参数预测方法-CN201711370115.X在审
发明人：李迅波;于文杰;闫明明;王振林;蔡汉斌;杜磊 -专利权人：电子科技大学
申请日： 2017-12-19 - 公布日： 2018-04-20 - 主分类号： G06N3/04 文献下载
摘要：本发明公开了一种基于Elman神经网络的工业物联网参数预测方法，其中包括Elman神经网络网络模型建立、Elman神经网络的改进以及Elman神经网络的参数预测模型工作流程。
一种基于 elman 神经网络工业联网参数预测方法

[发明专利]基于优化Elman神经网络的锂离子电池荷电状态估计方法-CN202310255017.0在审
发明人：沈德智;丁洁;黄诗萌 -专利权人：南京邮电大学
申请日： 2023-03-16 - 公布日： 2023-06-06 - 主分类号： G01R31/367 文献下载
摘要：本发明公开了一种基于优化Elman神经网络的锂离子电池荷电状态估计方法。包括：利用Elman神经网络辨识输入电流、电压、平均电流、平均电压和温度与输出的电池荷电状态值的内在映射关系；通过鲸鱼优化算法优化Elman神经网络权值与阈值；用训练优化好的Elman神经网络估计锂离子电池荷电状态并用平均绝对误差和均方根误差作为锂离子电池荷电状态估计精确度的评价指标基于Elman神经网络的锂离子电池荷电状态估计方法的优势在于，其不需要复杂的建模过程，操作简单易于实现，且Elman神经网络特殊的结构使其在电池荷电状态估计上具有良好的性能。
基于优化 elman 神经网络锂离子电池状态估计方法

[发明专利]一种脱丁烷塔底部产品丁烷含量的在线软测量方法-CN202010630130.9有效
发明人：葛英辉;朱莹;请求不公布姓名 -专利权人：宁波大学
申请日： 2020-06-23 - 公布日： 2023-09-29 - 主分类号： G06F30/27 文献下载
摘要：本发明公开一种脱丁烷塔底部产品丁烷含量的在线软测量方法，旨在建立深度Elman神经网络模型，从而逐层提取非线性特征，用于实现对丁烷含量的实时软测量。具体来讲，本发明方法通过搭建由多级Elman神经网络串联而成的深度Elman神经网络模型，从而实现对脱丁烷塔过程数据的深度特征提取。在此基础上，建立精度更高，更有保障的底部产品丁烷含量的软测量模型。本发明方法的主要优势在于：在建立软测量模型时，使用的是多级Elman神经网络串联而成的深度Elman神经网络模型，不仅利用了Elman神经网络自有的适应时变特性的能力，而且还通过逐层提取非线性特征实现了对过程数据的深度特征提取
一种丁烷底部产品含量在线测量方法

[发明专利]一种基于栈式Elman神经网络的分馏塔苯含量软测量方法-CN202010630152.5在审
发明人：蓝艇;葛英辉;其他发明人请求不公开姓名 -专利权人：宁波大学
申请日： 2020-06-23 - 公布日： 2020-11-10 - 主分类号： G01N25/14 文献下载
摘要：本发明公开一种基于栈式Elman神经网络的分馏塔苯含量软测量方法。本发明方法通过参考栈式自编码器的组成结构，通过搭建由多级Elman神经网络串联而成的栈式Elman神经网络模型，从而实现对分馏塔过程数据的逐层非线性特征提取。并充分使用各级Elman神经网络的输出估计值来进一步回归预测苯含量，从而建立精度更高的分馏塔苯含量软测量模型。本发明方法不仅利用了Elman神经网络自有的适应时变特性的能力，而且还能逐层提取用于软测量苯含量的非线性特征。此外，本发明方法充分利用各级Elman神经网络提取的非线性特征，使用最小二乘回归进一步缩小软测量值与实际值之差。
一种基于 elman 神经网络分馏塔含量测量方法

[发明专利]一种基于Elman神经网络SCR脱硝系统不良数据辨识方法-CN202010898262.X在审
发明人：陆强;马善为;曲艳超;陈晨;吴洋文;张镇西;郑树 -专利权人：华北电力大学
申请日： 2020-08-31 - 公布日： 2020-12-01 - 主分类号： G06F30/27 文献下载
摘要：本发明提出了一种基于Elman神经网络预测估计鉴别脱硝系统不良数据的方法，主要步骤包括：获取原始数据，构建Elman神经网络，神经网络学习，筛选、标记不良样本，剔除不良样本后重新构建和训练Elman神经网络本发明基于Elman神经网络预测估计鉴别脱硝系统不良数据，通过多次构建和训练Elman神经网络减少不良样本对网络预测精度的影响，通过对原始样本进行随机测试以避免人工选取的主观性，通过优化样本构建和训练Elman
一种基于 elman 神经网络 scr 系统不良数据辨识方法

[发明专利]一种ARIMA与改进Elman神经网络组合的风电功率预测方法-CN201911341237.5在审
发明人：曹权;李双明;李岩;刘辉;曹树新 -专利权人：南京理工大学
申请日： 2019-12-23 - 公布日： 2021-07-09 - 主分类号： G06Q10/04 文献下载
摘要：本发明公开了一种ARIMA与改进Elman神经网络组合的风电功率预测方法，该组合模型将ARIMA模型和改进Elman神经网络模型相结合，进行短期风电功率的预测。其中，ARIMA模型考虑风电功率时序数据的线性行为，Elman神经网络模型考虑其非线性行为，借助遗传算（GA）来训练优化Elman网络的权值和阈值。首先将风电功率数据输入到ARIMA模型中进行初步预测，然后将ARIMA模型的预测结果输入到改进的Elman模型中再次进行预测，组合模型最终预测结果的误差小于ARIMA和Elman各自单一模型的预测误差。
一种 arima 改进 elman 神经网络组合电功率预测方法

[发明专利]一种基于ELMAN神经网络的短期负荷的预测方法-CN202110755328.4在审
发明人：王建玉 -专利权人：江苏城乡建设职业学院
申请日： 2021-07-05 - 公布日： 2021-09-24 - 主分类号： G06Q10/04 文献下载
摘要：本发明提供一种基于ELMAN神经网络的短期负荷的预测方法，属于冷热电负荷测领域，S1、采集一段时间的综合能源系统、气象数据系统、教务系统中数据；S2、将数据归一化处理；S3、将数据划分为训练样本和测试样本，输入Elman神经网络模型；S4、建立Elman神经网络模型，设置模型参数；S5、设置Elman神经网络模型中隐藏层和承接层神经元的数量；S6、获得Elman神经网络模型最优参数。通过分析影响需求侧冷、热、电负荷的主要因素确定模型结构，通过训练确定模型参数，并用模型精确预测出短期负荷，为电力控制提供依据，通过ELMAN神经网络算法提高预测结果的准确率，减小预测误差。
一种基于 elman 神经网络短期负荷预测方法

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
下一页»
尾页
共 383 条