[发明专利]一种锂离子电池正极材料电压性能预测方法有效
| 申请号： | 201811276984.0 | 申请日： | 2018-10-30 |
| 公开（公告）号： | CN109635831B | 公开（公告）日： | 2023-04-25 |
| 发明（设计）人： | 朱焱麟;向俊杰;蒲剑苏 | 申请（专利权）人： | 成都大超科技有限公司 |
| 主分类号： | G06N3/0499 | 分类号： | G06N3/0499;G06N3/048;G06N3/084;G06F18/214;G06F18/21;G06F16/25 |
| 代理公司： | 成都三诚知识产权代理事务所(普通合伙) 51251 | 代理人： | 成实;饶振浪 |
| 地址： | 610000 四川省*** | 国省代码： | 四川;51 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明公开了一种锂离子电池正极材料电压性能预测方法，包括(1)建立材料数据库并对各项材料的数据进行采集，同时建立训练集与测试集；(2)构建BP神经网络模型，并将构建后的BP神经网络模型与数据库进行关联；(3)为构建好的BP神经网络模型匹配算法，并对各项参数进行初始化设定，之后进行步骤(4)等步骤；本发明提供一种锂离子电池正极材料电压性能预测方法，有效的降低了预测过程中对数据量的需求，从而很好降低了运算的难度，进而降低了对硬件配置的要求，而达到降低研发成本的目的，还能很好的提高预测的覆盖范围和准确性。 | ||
| 搜索关键词： | 一种 锂离子电池 正极 材料 电压 性能 预测 方法 | ||
【主权项】：
1.一种锂离子电池正极材料电压性能预测方法，其特征在于，包括以下步骤：(1)建立材料数据库并对各项材料的数据进行采集，同时建立训练集与测试集；(2)构建BP神经网络模型，并将构建后的BP神经网络模型与数据库进行关联；(3)为构建好的BP神经网络模型匹配算法，并对各项参数进行初始化设定，之后进行步骤(4)；(4)通过数据库中的训练集对BP神经网络模型进行训练，并对训练结果进行确定，若训练结果不符合要求则返回步骤(3)，若训练结果符合要求则进行步骤(5)；(5)通过BP神经网络模型对材料数据库中的各项材料数据进行采集与训练，并导出训练结果以及拟合度，同时得到最优的初始化设定值，进而完成学习的过程；(6)通过步骤(5)所得的各项最优的初始化设定值完成对测试集的测试，在测试结果的拟合度达到预设值时则判定BP神经网络模型构建成功并进入步骤(7)，若测试结果的拟合度未达到预设值则再次返回步骤(3)；(7)将构建成功的BP神经网络模型与新的材料数据库进行关联，并根据步骤(5)中得到的最优的初始化值完成初始化，最后开始对新的材料数据库中的各项材料数据进行测试。
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于成都大超科技有限公司，未经成都大超科技有限公司许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201811276984.0/，转载请声明来源钻瓜专利网。
- 同类专利
- 一种能够自主选择隐藏层神经元个数的自主学习算法-202310848823.9
- 邢建川;陈洋;曾凤;周春文;付鱼;辛旺 - 电子科技大学
- 2023-07-12 - 2023-10-24 - G06N3/0499
- 本发明公开了一种能够自主选择隐藏层神经元个数的自主学习算法；本申请所述的算法是以分布式并行存储以及并行的协同信息处理为基础，依靠复杂的网络系统，调整网络中不同层节点之间的连接关系以及层与层之间的权值，最终得到能够处理具体信息的网络。它具备传统BP神经网络的优点，能够进行并行信息处理、模式分类、记忆学习以及非线性映射，同时还具有自主学习和自适应的特点，能够自主确定隐含层神经元个数。因为本算法增加了神经元个数自主选择算法，省略了人工选择神经元个数的步骤，故提高了自身自主学习的能力。
- 一种仿真态势数据处理方法、系统、设备及存储介质-202310637352.7
- 傅天晓 - 启元世界（北京）科技有限公司
- 2023-05-31 - 2023-10-17 - G06N3/0499
- 本申请提供一种仿真态势数据处理方法、系统、设备及存储介质，应用于数据处理技术领域。该方法应用于仿真态势数据处理系统，系统包括运行在中央处理器中的数据采样模块、运行在不同的图像处理器中的持续学习模块和预测推断模块。基于从经验回放数据池中获取的目标经验回放数据确定权重更新参数，所述目标经验回放数据包括从仿真环境输入的目标仿真态势数据，能够提高对仿真态势数据处理效率；根据所述权重更新参数构建优化预测模型；响应于请求端触发预测请求，将所述目标仿真态势数据输入至所述优化预测模型中，得到所述优化预测模型输出的结果指令，结果指令用于更新所述仿真环境，降低了模型参数更新的延迟，提高了模型使用性能和可扩展性。
- 一种注塑机料筒温度预测方法-202310325982.0
- 李君;陈振光;陈志刚;朱建猛;李素君;林娅丹 - 西诺控股集团有限公司
- 2023-03-30 - 2023-10-17 - G06N3/0499
- 本发明公开了一种注塑机料筒温度预测方法，包括如下步骤：S1：初始化BP神经网络的拓扑结构；S2：初始化BP神经网络的权值和阈值，将初始化的权值和阈值编码为粒子；S3：设置PSO算法的基本参数，用PSO算法优化BP神经网络，获得PSO‑BP神经网络模型；S4：在PSO‑BP神经网络模型中引入自适应变异，构建获得引入自适应变异的PSO‑BP神经网络；S5：采用获得的引入自适应变异的PSO‑BP神经网络对注塑机料筒的温度进行预测；本发明利用得到的PSO‑BP‑PID控制算法，可以有效实现在控制温度的超调量及快速响应上达到统一的目的。
- 电动助力转向中的马达控制-202180092747.2
- X-D·孙 - 采埃孚汽车英国有限公司
- 2021-12-30 - 2023-09-29 - G06N3/0499
- 一种用于车辆的电动助力转向系统，包括：电马达，被配置为向转向组件的一部分施加辅助扭矩以辅助车辆的驾驶员转动方向盘；用于马达的驱动电路，其选择性地将马达相连接到电源以使电流在马达相中流动，由马达施加的辅助扭矩的量是在马达相中流动的电流的函数，以及控制电路，其生成施加到马达驱动级的控制信号，该控制信号指示马达各相中所需的电流，其中控制电路包括：PID控制器，其在输入端处接收指示马达的所需行为的需求信号，并在输出端处提供被馈送到马达的驱动级的控制信号，控制器与马达被布置在闭环中，并被配置为最小化包括如由需求信号所指示的所需行为与马达的实际行为之间的差异的误差值，以及神经网络，其具有神经元的输入层、神经元的至少一个隐藏层以及包括至少一个输出神经元的输出层，其中神经网络包括前馈神经网络，其在输入神经元的输入层处接收需求信号、从控制器输出的控制信号以及误差值，并且其中神经网络被配置为确定PID控制器使用的P增益、I增益和D增益项中的一个或多个，并且进一步其中神经网络接收至少一个附加离散环境变量作为附加前馈项。
- 一种基于模态空间和贪心算法的改进径向基函数网格变形方法-202310699174.0
- 贺顺;高雪晗;吴承远;谷迎松 - 西北工业大学
- 2023-06-14 - 2023-09-22 - G06N3/0499
- 本发明提出一种基于模态空间和贪心算法的改进径向基函数网格变形方法，利用贪心算法求解出各阶模态振型函数的支撑点集合M
- 模型的蒸馏方法、装置、电子设备及存储介质-202010516895.X
- 苏炜跃;冯仕堃;朱志凡;李伟彬;何径舟;黄世维 - 北京百度网讯科技有限公司
- 2020-06-09 - 2023-09-22 - G06N3/0499
- 本申请公开了模型的蒸馏方法、装置、电子设备及存储介质，涉及深度学习技术领域。具体实现方案为：首先，获取教师模型和学生模型；接着，根据教师模型第一中间全连接层的第一数据处理量和学生模型第二中间全连接层的第二数据处理量，将第二中间全连接层转换为放大全连接层和缩小全连接层，并用放大全连接层和缩小全连接层对第二中间全连接层进行替代以生成训练学生模型；之后，根据教师模型对训练学生模型进行蒸馏训练。该方法通过将第二中间全连接层替换为放大全连接层和缩小全连接层，并根据教师模型对训练学生模型进行蒸馏训练，由此，在训练学生模型的中间层进行蒸馏，不需要引入额外全连接层，没有参数冗余，极大地提高了蒸馏效率和效果。
- 一种神经网络模型生成方法、装置及电子设备-202310716795.5
- 刘嘉炜;卓正兴;杨青 - 度小满科技(北京)有限公司
- 2023-06-16 - 2023-09-19 - G06N3/0499
- 本申请实施例提供了一种神经网络模型生成方法、装置及电子设备，其中，该神经网络模型生成方法包括：基于原始神经网络模型的各项结构参数、权重，确定不同的第一目标子网络模型，根据目标硬件设备的部署要求，再结合各个第一目标子网络模型的性能参数，自适应地生成满足目标硬件设备的部署条件的第二目标子网络模型。如此，可使用规模小且精度高的第二目标子网络模型替代原始神经网络模型部署至目标硬件设备中，该第二目标子网络模型所需的硬件资源较少，能够扩展原始神经网络模型的应用范围的同时，该第二目标子网络模型是适配目标硬件设备的所有子网络模型集合中，精度最高的一个，实现了针对目标硬件设备的最优化模型部署。
- 投影神经网络-202310584408.7
- S.拉维 - 谷歌有限责任公司
- 2018-05-18 - 2023-09-05 - G06N3/0499
- 本发明涉及投影神经网络。提供了用于投影神经网络的方法、系统和设备，包括在计算机存储介质上编码的计算机程序。在一个方面，投影神经网络配置为接收投影网络输入并从投影网络输入生成投影网络输出。投影神经网络包括一个或多个投影层的序列。每个投影层具有多个投影层参数，且配置为接收层输入，将多个投影层函数应用于层输入，并通过将投影层的投影层参数应用于投影函数输出来生成层输出。
- 一种基于搜索空间优化的前馈神经网络结构搜索方法-202010068826.7
- 张文强 - 复旦大学
- 2020-01-21 - 2023-09-01 - G06N3/0499
- 本发明涉及一种基于搜索空间优化的前馈神经网络结构搜索方法，包括以下步骤：S1：按照搜索空间的定义随机生成设定数量的搜索空间并转化为离散编码，构建搜索空间初始种群；S2：利用超网络对初始种群中的所有搜索空间进行性能评估；S3：根据性能评估结果对搜索空间进行优化，输出最优搜索空间；S4：对应搜索算法在最优搜索空间中，搜索设定模型评估算法下最优的前馈神经网络结构，并利用该神经网络结构完成需求数据集下的需求任务，与现有技术相比，本发明具有提高神经网络结构搜索的效率和性能等优点。
- 基于BP神经网络的危险态势分析的处理方法及处理装置-202010948216.6
- 王爱民;杜文持;王建群 - 北京理工大学
- 2020-09-10 - 2023-08-29 - G06N3/0499
- 本发明提供了一种基于BP神经网络的危险态势分析的处理方法及处理装置，其中处理方法包括：根据车间的历史危险因素数据构建案例库；对案例库中的历史危险因素数据进行预处理，得到预处理后的案例数据；根据危险态势预测要求，建立神经网络模型；根据案例数据对神经网络模型进行训练，得到训练好的目标神经网络；获取车间的当前危险因素数据，并输入至目标神经网络中，得到危险态势预测结果。本发明的实施例，采用BP神经网络设计危险态势分析模型，有效地解决了非确定性危险因素与危险态势之间的非线性关系，提高了分析系统适应能力和可靠性。同时还能及时进行排查解决萌芽状态的车间风险点，降低事故率。
- 一种基于MSVL的BP神经网络的构建和训练方法及系统-202110439442.6
- 赵亮;冯哲;段振华;王小兵;田聪;张南 - 西安电子科技大学
- 2021-04-23 - 2023-08-22 - G06N3/0499
- 本发明属于BP神经网络技术领域，公开了一种基于MSVL的BP神经网络的构建和训练方法及系统，所述基于MSVL的BP神经网络的构建和训练方法包括：根据BP神经网络基本的层次化结构和属性行为特征，构建基于MSVL的BP神经网络的底层结构方法库；根据用户的定制需求，利用结构方法库中的MSVL结构体，构建BP神经网络的初始架构；读取样本数据，利用结构方法库中MSVL方法，对初始架构进行训练，得到BP神经网络的形式化架构。本发明涵盖了矩阵运算、反向传播、权值更新等多种神经网络系统的基本行为，可直接用于模型检测、插桩验证等形式化验证技术，并支持与这些行为相关的多方面性质的验证，从而系统的安全可信性能够得到有效的保障。
- 一种基于有监督学习的非侵入式负荷识别网络架构-202110261752.3
- 张乐平;周尚礼;何恒靖;张维;彭建忠;李鹏 - 南方电网数字电网研究院有限公司;江苏林洋能源股份有限公司
- 2021-03-10 - 2023-08-18 - G06N3/0499
- 本发明提供一种基于有监督学习的非侵入式负荷识别网络架构，该构架包括：监督学习单元、识别单元和云端；本发明采用监督学习的方法，即在可以识别的样本小区或者用户处增加设备监控设备即随电器，可以跟踪设备的整个运行周期，然后再经过神经网络算法，得到隐含层的权值，用以在新的判断中进行实时设备识别。由于神经网络有很强的判断学习能力，可以识别很多相识设备，应用范围广，识别效果佳。
- 用于预测行程期间的车辆能量消耗的基于模块化机器学习的系统-202211266896.9
- V·苏普林;K·长白;D·乌列里 - 通用汽车环球科技运作有限责任公司
- 2022-10-17 - 2023-08-15 - G06N3/0499
- 一种用于预测车辆在行程期间的能量消耗的系统具有适于接收行程的路线规划的控制器。控制器具有处理器和其上记录指令的有形非暂时性存储器。系统具有多个机器学习模块，包括行为预测器、驾驶消耗预测器和辅助消耗预测器。控制器适于通过执行多个机器学习模块来预测车辆在行程期间消耗的总能量。驾驶消耗预测器适于部分基于路线规划预测用于推进车辆所消耗的主要能量。辅助消耗预测器适于预测车辆为非推进目的消耗的次要能量。行为预测器适于至少部分基于交通状况预测平均车辆速度。
- 一种深度机器学习模型-202310562261.1
- 李保军;杜军 - 中国人民解放军空军工程大学
- 2023-05-18 - 2023-08-11 - G06N3/0499
- 本发明公开了一种深度机器学习模型，包括前置神经网络和广义线性结构；所述前置神经网络与广义线性结构连接后一起输入最终的输出层；所述前置神经网络包括对数值型特征直接处理后与连接层连接和对类别型特征利用相关性的传递性去探索历史数据中从未出现过的特征组合通过嵌入层使用低维稠密特征输入连接层；所述连接层通过全连接层(1024)、全连接层(512)、全连接层(256)进行低维稠密特征输入到输出层。该发明的技术效果为能够快速处理并记忆大量历史行为特征，具有强大的表达能力和提高了模型的泛华能力以及解决问题的针对性。
- 使用后验锐化训练神经网络-201880016417.3
- C.布伦德尔;M.福图纳托;O.文亚尔斯 - 渊慧科技有限公司
- 2018-03-23 - 2023-08-01 - G06N3/0499
- 方法、系统和装置，包括在计算机存储介质上编码的计算机程序，用于训练神经网络。在一个方面，一种方法包括维持对于每个网络参数指定分布参数的相应集合的当前值的数据，所述分布参数集合定义了网络参数的可能值上的后验分布。从网络参数的相应临时梯度值确定每个网络参数的相应当前训练值。根据网络参数的相应当前训练值，更新网络参数的分布参数的相应集合的当前值。基于分布参数的相应集合的更新的当前值，确定网络参数的训练的值。
- 一种基于深度强化学习的自主驾驶规则学习方法-202010050338.3
- 张利国;景艳枰;崔铜巢 - 北京工业大学
- 2020-01-17 - 2023-07-25 - G06N3/0499
- 本发明公开了一种基于深度强化学习的自主驾驶规则学习方法，在车联网环境下，路网中存在两种类型车辆，自主驾驶车和网联车。自主驾驶车通过车载控制系统与车联网的车车(Vehicle‑to‑Vehicle，V2V)通信技术实时获取路网中网联车的行驶状态，通过深度强化学习的方式，在保证交通安全的情况下，学习自主驾驶规则，调节车辆队列驾驶间距，以最大化路网的平均速度和提高路网的通行效率。为以后利用深度强化学习进一步提高车辆的自主决策能力奠定了基础。
- 基于AdaBoost-CBP神经网络的电动汽车锂离子电池健康状态估算方法-201910814961.9
- 薛安荣;陶陶;于彬鹏;杨婉琳;陈伟鹤;盘朝奉;蔡涛;何志刚;王丽梅 - 江苏大学
- 2019-08-30 - 2023-07-18 - G06N3/0499
- 本发明提出了一种基于AdaBoost‑CBP神经网络的电动汽车锂离子电池健康状态估算方法。由于放电电压、放电电流、循环充放电次数在电池使用过程中变化趋势明显，本发明采用这三种参数作为SOH估算的输入数据，并将电池容量作为输出参数。由于电池数据存在噪音并呈现非线性变化特性，采用扩展卡尔曼滤波算法进行去噪。针对BP神经网络易陷入局部最优的问题，采用分数微积分理论对其梯度下降法进行优化。最后，将分数阶BP神经网络作为弱学习器，利用AdaBoost算法的自适应加强性能增强学习器的拟合能力，并将每轮弱学习器进行集成得到强学习器，以提高学习器的多样性，实现各学习器在不同工况数据下性能的优势互补，有效提高估算精度。
- 一种结合信息分组的基于位置编码预测的自监督学习方法-202310188432.9
- 刘亚洲;王毓华;冯锋 - 南京理工大学
- 2023-03-02 - 2023-06-27 - G06N3/0499
- 本发明公开了一种结合信息分组的基于位置编码预测的自监督学习方法，步骤如下：(1)搭建模型；(2)数据预处理；(3)预训练自监督模型；(31)输入数据到模型中，模型使用信息分组的思想处理数据，得到预测结果；(32)根据代理任务生成伪标签；(33)根据代理任务定义的损失函数，结合伪标签和预测结果计算损失；(4)微调目标模型；(5)测试目标模型。本发明针对目前基于Vision Transformer架构的掩码学习方向上研究多样性不足的问题，提出了一种新的基于Vision Transformer架构的掩码学习方法，方法采用了信息分组的思想，提出了位置编码预测这一新的代理任务，在分类任务和目标检测任务中获得和现有方法相当的性能。
- 一种用于评估与系统中的服务相对应的神经网络模型的方法及系统-201880013991.3
- E·S·钟;D·C·伯格;J·弗沃斯;K·奥恰洛夫 - 微软技术许可有限责任公司
- 2018-02-08 - 2023-06-27 - G06N3/0499
- 提供了用于神经网络处理的系统和方法。提供了一种在系统中的方法，该系统包括经由网络互连的多个节点，其中每个节点包括多个片上存储器块和多个计算单元。该方法包括在服务激活时接收与神经网络模型相对应的N×M矩阵系数。该方法包括将与神经网络模型相对应的系数加载到多个片上存储器块中以供多个计算单元处理。该方法包括：无论是否有对多个片上存储器块的利用作为神经网络模型的评估的一部分，都在多个片上存储器块中维持与神经网络模型相对应的系数直到服务被中断或神经网络模型被修改或替换。
- 一种基于改进松鼠算法的KELM神经网络优化方法-202310032229.2
- 张先芝;尚尚;王召斌;叶辰;乔铁柱;祝健;石依山;徐环 - 江苏科技大学
- 2023-01-10 - 2023-06-23 - G06N3/0499
- 本发明属于神经网络优化技术领域，具体地说，是一种基于改进松鼠算法的KELM神经网络优化方法，本发明在迭代过程中通过适应度阈值对松鼠种群进行分类，分别采用不同的动态滑动系数，这种方式增强了算法前期的全局搜索能力和后期的局部勘探能力。非优质松鼠进行大范围的全局寻优，优质松鼠进行小范围的精细探索，提高了算法的寻优性能。采用信息共享策略对位于山核桃树上的松鼠进行位置更新，有效利用了种群的优质信息，加快了算法的收敛速度，帮助算法跳出局部最优。将改进后的SSA优化算法用于优化KELM神经网络的初始化参数，包括正则化系数和核函数的参数，进一步提高了神经网络模型的预测性能和稳定性。
- 基于深度学习提高仪器矢量信号分析性能的处理方法-201811543273.5
- 蒋政波;刘景鑫;洪伟 - 东南大学;上海创远仪器技术股份有限公司
- 2018-12-17 - 2023-06-23 - G06N3/0499
- 本发明涉及一种基于深度学习提高仪器矢量信号分析性能的处理方法，包括(1)将经过非理想的分析仪射频接收机的失真信号进行ADC采样得到序列y，并引入前馈神经网络对y的硬件失真进行补偿(2)根据信号的调制类型和相应星座图的位置对数据序列y进行解析，估计信号要传送的码元序列数据s，并根据具有L层的多层感知器神经网络MLP估计误差ε；(3)根据具有L层的多层感知器神经网络MLP通过激活函数得到MLP输出层；(4)将所述的MLP输出层的输出结果校正y得到最终测量符号。(5)通过训练数据集以及使用反向传播算法BP训练得到MLP的权重集。采用了该方法，拟合出仪器接收机失真的数学特性，进而对失真进行校正，能够保留原本输入信号的特性。
- 一种增强图神经网络点边交互的方法-202010547673.4
- 杨跃东;邓幽扬;宋颖;郑双佳 - 中山大学
- 2020-06-16 - 2023-06-09 - G06N3/0499
- 本发明提供一种增强图神经网络点边交互的方法，步骤包括：获取有向分子图G及其图结构数据，根据图结构数据获取
- 基于径向基函数的可变形反射镜面形控制方法及装置-202010089331.2
- 郝群;常旭;胡摇;程雪岷 - 北京理工大学
- 2020-02-12 - 2023-06-02 - G06N3/0499
- 公开了基于径向基函数的可变形反射镜面形控制方法及装置，计算简单、易于实现、通用性强，并且能较高精度地控制可变形反射镜生成复杂面形，从而实现复杂的波前矫正及像差补偿功能。本发明处理神经网络训练集样本，获取神经网络训练集元素，将各个样本中的可变形反射镜的面形利用径向基函数进行表征，将样本中面形的表征参数作为神经网络的输入，将该面形对应的各压电陶瓷的电压作为神经网络的对应输出，对神经网络进行训练，神经网络的训练次数与样本数量一致，最终获得完成训练的神经网络，验证神经网络训练效果，根据所需生成的面形的表征参数，利用神经网络控制可变形镜生成所需面形。
- 基于验证的前馈神经网络单层权重修复方法-202310306435.8
- 钱俊彦;庞薇;丁浩 - 广西师范大学
- 2023-03-27 - 2023-05-16 - G06N3/0499
- 本发明公开一种基于验证的前馈神经网络单层权重修复方法，先通过验证器对训练好的神经网路进行验证，如果前馈神经网络出错，则验证器会提供反例，再利用反例对前馈神经网络出错层的链接权重进行修改，直到修改后的前馈神经网络通过验证。在对神经网路进行修复的过程中，本发明把惩罚项加入目标函数的方法，提出了前馈神经网络单层修复的方法，这种单层修复的方法不需要重新训练，从而不需要获得原始训练数据(原始训练数据一般难以获得)，定位到出错层对其进行修改，既能从源头修改了错误，也能在一定程度上保持前馈神经网络原有的特性，从而把修复问题转换成优化问题。
- 一种基于内嵌物理信息神经网络的结构振动噪声反演方法-202310069902.X
- 宋晓东;周华伦 - 东南大学
- 2023-02-07 - 2023-05-09 - G06N3/0499
- 本发明公开了一种基于内嵌物理信息神经网络的结构振动噪声反演方法，具体如下：首先根据结构振动所产生的噪声分布情况，对振动噪声进行采集，获得振动噪声在空间中的分布情况；根据结构振动噪声的传播特性，使用线声源声波的物理控制方程对振动噪声的传播进行描述，并结合初始条件、边界条件得到结构振动的偏微分方程表达形式；通过神经网络逼近偏微分方程的真实解，通过自动微分技术构建损失函数，建立内嵌物理信息的神经网络；将实测结构振动噪声作为训练数据对神经网络进行训练，优化网络参数，降低损失函数值，使用神经网络反演声场分布情况，通过实测数据得到整个声场的分布情况。
- 基于层次随机游走采样策略的嵌入向量表示方法及系统-202211423375.X
- 郭仕钧;徐圣兵;谢锐;王振友 - 广东工业大学
- 2022-11-15 - 2023-05-09 - G06N3/0499
- 本发明公开了基于层次随机游走采样策略的嵌入向量表示方法及系统，该方法包括：设置网络结构节点参数并在网络结构中随机选取节点，得到起始节点；对起始节点进行邻域划分处理，得到节点层；根据节点选取规则，对节点层进行随机游走处理，获取节点游走序列；对所获取的节点游走序列输入至word2vec模型中进行向量化表征训练，得到所有游走节点对应的网络嵌入向量表征。该系统包括：选取模块、划分模块、游走模块和训练模块。通过使用本发明，能够充分考虑近邻节点信息进而通过基于层次优先的随机游走采样实现网络嵌入向量表征学习。本发明作为基于层次随机游走采样策略的嵌入向量表示方法及系统，可广泛应用于计算机数据挖掘技术领域。
- 一种基于BP神经网络的多焦点声场合成方法-201910981119.4
- 熊久鹏;潘桃桃;王晓华;刘友江;罗旭 - 遵义医科大学
- 2019-10-16 - 2023-05-05 - G06N3/0499
- 本发明公开了一种基于BP神经网络的多焦点声场合成方法，初始化BP神经网络的参数，将阵元的激励向量u设置为输入层与隐含层间的权重W
- 基于混合网络共生的EEG认知识别方法-202310045688.4
- 赵月;戴国骏;曾虹;郑浩浩;潘登;麻淑婕 - 杭州电子科技大学
- 2023-01-30 - 2023-04-25 - G06N3/0499
- 本发明公开了一种基于混合网络共生的EEG认知识别方法。本发明步骤：1：EEG数据获取；2：数据预处理；3：基于DDCA算法的混合网络共生框架构建方法。本发明将混合网络划分为具有异质结构的认知网络和计算网络，目的是为了同时提取EEG的认知表征和计算表征信息。在HNS框架的基础上提出双向蒸馏共适应算法，在双向闭环反馈模式下通过信息交互来实现混合网络间的交互共生，包括双向前馈过程和双向反馈过程。在DDCA中引入了基于样本关系融合策略和基于序列嵌入的双向反馈学习策略，在训练过程中充分提取并利用可靠的重要的特征信息。本发明可以能有效提升HNS框架在EEG任务上的认知识别能力，适用于各种EEG认识识别任务。
- 基于极限学习机的负载识别方法、系统、装置及存储介质-202110836704.2
- 张春良;李植鑫;岳夏;朱厚耀;陆凤清;王亚东;翁润庭 - 广州大学
- 2021-07-23 - 2023-04-25 - G06N3/0499
- 本发明公开了一种基于极限学习机的负载识别方法、系统、装置及存储介质，方法包括：构建机器人的刚柔耦合动力学模型，并根据刚柔耦合动力学模型确定机器人的第一参数组和第二参数组；根据第一参数组获取机器人的第一监测参数，并根据第一监测参数确定训练样本集；构建极限学习机模型，输入层根据第一参数组确定，输出层根据第二参数组确定；将训练样本集输入到极限学习机模型中进行训练，得到训练好的负载识别模型，进而根据负载识别模型对机器人的负载进行识别。本发明通过刚柔耦合动力学模型以及极限学习机模型训练得到负载识别模型，增强了负载识别模型的可移植性，提高了负载识别的准确性和实时性。本发明可广泛应用于机器人控制技术领域。
- 一种锂离子电池正极材料电压性能预测方法-201811276984.0
- 朱焱麟;向俊杰;蒲剑苏 - 成都大超科技有限公司
- 2018-10-30 - 2023-04-25 - G06N3/0499
- 本发明公开了一种锂离子电池正极材料电压性能预测方法，包括(1)建立材料数据库并对各项材料的数据进行采集，同时建立训练集与测试集；(2)构建BP神经网络模型，并将构建后的BP神经网络模型与数据库进行关联；(3)为构建好的BP神经网络模型匹配算法，并对各项参数进行初始化设定，之后进行步骤(4)等步骤；本发明提供一种锂离子电池正极材料电压性能预测方法，有效的降低了预测过程中对数据量的需求，从而很好降低了运算的难度，进而降低了对硬件配置的要求，而达到降低研发成本的目的，还能很好的提高预测的覆盖范围和准确性。
- 专利分类
