“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LSTM_Attention网络的交通流预测方法-CN201810817827.X在审
发明人：徐东伟;高禾;彭鹏;王永东;戴宏伟;宣琦;刘毅 -专利权人：浙江工业大学
申请日： 2018-07-24 - 公布日： 2019-01-18 - 主分类号： G06Q10/04 文献下载
摘要：一种基于LSTM_Attention网络的交通流预测方法，包括以下步骤：(1)获取道路交通历史数据，将数据分为训练集和测试集，对数据进行预处理；(2)构建一层LSTM网络，根据训练集数据中样本的序列长度设置隐层单元个数，添加一层激活函数为Softmax的全连层，最后添加一层逻辑回归层作为预测层，将训练集数据输入到网络中得到预测值，将预测值与真实值输入到损失函数并通过反向传播对网络模型以及内部参数进行优化；(3)将测试集数据输入到已完成训练的LSTM_Attention网络中得到预测数据。本发明对未来道路交通流量数据进行精确地预测。
交通流预测训练集数据预测网络预处理道路交通流量测试集数据长度设置道路交通反向传播激活函数历史数据逻辑回归内部参数损失函数网络模型预测数据测试集训练集构建隐层样本优化

[发明专利]一种能源的配置方法及装置-CN202210857445.6在审
发明人：赵瑞峰;李波;李响;区伟潮;郑文杰;周俊宇;彭飞进;谭振鹏;郭为斌;曹志辉 -专利权人：广东电网有限责任公司;广东电网有限责任公司佛山供电局
申请日： 2022-07-20 - 公布日： 2022-09-30 - 主分类号： H02J3/06 文献下载
摘要：本发明公开了一种能源的配置方法及装置，其方法包括：获取可再生能源数据、负荷需求数据、网架数据和待测的能源数据，基于所述可再生能源数据、所述负荷需求数据和所述网架数据，结合预设的约束条件，建立潮流优化配置模型，划分所述可再生能源数据为训练集数据和验证集数据，基于多目标骨干粒子群算法、所述训练集数据和所述验证集数据，对所述潮流优化配置模型进行训练和验证，得到目标潮流优化配置模型，将所述待测的能源数据输入所述目标潮流优化配置模型，得到所述待测的能源数据对应能源的优化配置结果数据。
一种能源配置方法装置

[发明专利]一种基于步态特征的身份识别方法-CN201910718693.0有效
发明人：刘家佳;张海宾;李坤林;郭鸿志;孙文;谭欢;文博 -专利权人：西北工业大学
申请日： 2019-08-05 - 公布日： 2022-05-03 - 主分类号： G06K9/62 文献下载
摘要：本发明公开了一种基于步态特征的身份识别方法，包括以下步骤：步骤1，采集数据；步骤2，基于互信息模型对数据去冗余；步骤3，使用PCA模型对训练数据集进行降维；步骤4，训练SVDD模型；步骤5，训练集成神经网络本发明采用智能手机采集数据，避免了额外使用传感器采集数据的需求，数据采集过程更方便，成本也更低。
一种基于步态特征身份识别方法

[发明专利]一种基于支持向量机的超级电容器剩余寿命预测新方法-CN202210572693.6在审
发明人：刘晓明;任宇朋;陈海;姜文涛 -专利权人：河北工业大学
申请日： 2022-05-25 - 公布日： 2022-07-26 - 主分类号： G06F30/27 文献下载
摘要：其中，NSGA‑II算法与SVR相结合，以SVR的训练集数量最少与预测精度最高两个为目标，输出SVR训练集数量与预测精度的非劣Pareto解集，确定支持向量机SVR的训练集数量a、惩罚参数c和核函数参数g的最优解；所述的最优解作为SVR的最优参数，并对建立的SVR进行训练和超级电容器剩余寿命预测。本发明能够在选取最少的模型训练集数据数量的前提下更加准确地预测超级电容器剩余寿命，解决了基于数据驱动的寿命预测方法训练集数量如何选取的问题，同时更能准确的对超级电容器剩余寿命进行预测。
一种基于支持向量超级电容器剩余寿命预测新方法

[发明专利]一种数据标注方法、系统和电子设备-CN202011031077.7在审
发明人：姚超 -专利权人：中兴通讯股份有限公司
申请日： 2020-09-27 - 公布日： 2022-04-05 - 主分类号： G06K9/62 文献下载
摘要：本说明书实施例公开了一种数据标注方法，包括以下步骤：创建训练集和测试集，将待标注数据归入测试集；提取测试集数据进行标注并放入训练集；设定训练参数，根据训练集数据启动AutoML模型训练；将AutoML训练模型应用于所述测试集，输出满足质检要求的标注数据。本发明还提供一种数据标注系统，能够用AutoML辅以人工迭代式提升标注质量，快速提升模型对剩余数据的精度，规避了AutoML可能精度不高的问题，使得需要人工标注的数据量大幅降低，极大减少了人力成本。
一种数据标注方法系统电子设备

[发明专利]人脸识别模型的训练方法、装置和计算机设备-CN202010922740.6有效
发明人：戴磊;胡魁;张国辉;宋晨 -专利权人：平安科技（深圳）有限公司
申请日： 2020-09-04 - 公布日： 2023-08-29 - 主分类号： G06V40/16 文献下载
摘要：本申请涉及智能生活技术，揭示了人脸识别模型的训练方法，人脸模型包括特征生成器、人脸识别判别器和域判别器，包括：通过训练集数据训练特征生成器和人脸识别判别器；判断第一损失函数是否收敛；若是则固定特征生成器的参数，通过训练集数据和目标域数据训练域判别器；判断第二损失函数是否收敛；若是则获取训练域判别器的训练过程对应的第一梯度值；将第一梯度值变更为与第一梯度值相等的负值，成为第一梯度值的第一反向梯度值；在固定域判别器的参数下，通过训练集数据和目标域数据再次训练特征生成器，并将第一反向梯度值用于反向传播训练中；迭代训练人脸识别模型达到预设条件。
识别模型训练方法装置计算机设备

[发明专利]一种气体绝缘组合电器的故障诊断方法及装置-CN202210612283.X在审
发明人：陈邦发;王鹏洋;陈新城;谢志杨;陈柏全;刘益军;高轩;陈斯翔;刘强;黄静;何子兰 -专利权人：广东电网有限责任公司;广东电网有限责任公司佛山供电局;广东电网能源发展有限公司
申请日： 2022-05-31 - 公布日： 2022-09-06 - 主分类号： G06K9/00 文献下载
摘要：本发明公开了一种气体绝缘组合电器的故障诊断方法及装置，其方法包括：获取气体绝缘组合电器的故障信息，划分所述故障信息为训练集数据和测试集数据，基于所述训练集数据和所述测试集数据，结合预设的初始神经网络模型的收敛速度及支路条数，对所述初始神经网络模型进行训练和验证，得到目标神经网络模型，获取待测气体绝缘组合电器的故障数据，将所述待测气体绝缘组合电器的故障数据输入到所述目标神经网络模型，计算得到所述待测气体绝缘组合电器的故障诊断结果数据
一种气体绝缘组合电器故障诊断方法装置

[发明专利]一种国际漫游沉默号码的识别方法、平台及存储介质-CN201810215482.0有效
发明人：徐海勇;韩林;陶涛;黄岩;舒敏根;于玲;尚晶;陈春松;梁恩磊;周世峰;余韦;詹灵月 -专利权人：中移动信息技术有限公司;中国移动通信集团有限公司
申请日： 2018-03-15 - 公布日： 2022-04-01 - 主分类号： H04W8/18 文献下载
摘要：本发明实施例公开了一种国际漫游沉默号码的识别方法，所述方法包括：基于预设基础指标中各个指标之间的相关性，确定特征指标；根据预设沉默号码界定规则，确定样本集中属于沉默号码类别的正样本，以及属于非沉默号码类别的负样本；根据正样本对应的国内外通信数据和负样本对应的国内外通信数据，以及特征指标，确定训练集数据和测试集数据；根据训练集数据和预设挖掘算法，训练识别模型，并根据测试集数据对识别模型进行准确率测试；当识别模型的准确率大于等于预设准确率阈值时，根据目标号码对应的国内外通信数据
一种国际漫游沉默号码识别方法平台存储介质

[发明专利]基于分子语义向量的无监督学习药物虚拟筛选方法和系统-CN202010920613.2在审
发明人：牛张明;郑双佳;江荧辉 -专利权人：牛张明;韦德·门佩斯-史密斯
申请日： 2020-09-04 - 公布日： 2020-12-29 - 主分类号： G16C20/50 文献下载
摘要：本发明公开了一种基于分子语义向量的无监督学习药物虚拟筛选方法，包括：建立预训练数据库；构建候选集数据库D1；构建目标化合物库D2；对所述预训练数据库、候选集数据库D1和目标化合物库D2进行数据预处理，将所述预训练数据库、候选集数据库D1和目标化合物库D2中所有化合物转换成适合机器学习的文件储存格式的数据集；建立无监督深度学习的小分子量化模型，并用预训练数据库中的数据对量化模型进行预训练得到经训练的量化模型；利用经训练的量化模型对所述候选集数据库D1和目标化合物库D2中的数据进行量化，得到候选集量化结果矩阵Va和目标化合物库量化结果矩阵Vb；利用空间向量相似度算法计算候选集量化结果矩阵Va和目标化合物库量化结果矩阵Vb的相似度得分矩阵R；以及通过对相似度得分矩阵R中的结果进行综合排序，挑选出候选集数据库
基于分子语义向量监督学习药物虚拟筛选方法系统

[发明专利]基于FPGA的卷积神经网络训练系统及方法-CN201910060523.8有效
发明人：张敏;魏小淞;李林鹏;赵伟;秦红波;王海 -专利权人：西安电子科技大学
申请日： 2019-01-22 - 公布日： 2020-12-29 - 主分类号： G06N3/04 文献下载
摘要：本发明涉及一种基于FPGA的卷积神经网络训练系统及方法，系统包括：核心处理模块，用于提供第一训练集数据并初始化卷积神经网络的第一网络参数，以及接收第二网络参数误差；输入数据转换模块，用于分别对第一训练集数据和第一网络参数进行处理得到第二训练集数据和第二网络参数；前向计算引擎模块，用于对第二训练集数据和第二网络参数进行处理得到隐层数据和预测误差；反向计算引擎模块，用于对隐层数据、第二网络参数和预测误差进行处理得到第一网络参数误差；输出数据转换模块，用于对第一网络参数误差进行处理得到第二网络参数误差该系统不仅实现了前向传播计算和反向传播计算的同时运行，还减少对公共数据总线的占用以及存储带宽的需求。
基于 fpga 卷积神经网络训练系统方法

[发明专利]一种叠前地震资料线性干扰压制方法及系统-CN202110832975.0有效
发明人：陈文超;胡杨丽江;刘达伟;王晓凯;师振盛 -专利权人：西安交通大学
申请日： 2021-07-22 - 公布日： 2022-12-09 - 主分类号： G06K9/00 文献下载
摘要：本发明公开了一种叠前地震资料线性干扰压制方法及系统，读取原始地震炮集资料后，仅仅对读取的地震炮集数据中的小部分炮集数据基于线性干扰压制方法进行滤波处理，然后基于处理得到的有效波数据及滤除部分构建网络训练集，基于读取的全部数据构建测试集，利用二维卷积神经网络对构建得到的训练集学习得到线性干扰模型，再对读取的全部炮集数据进行线性干扰的有效压制，本发明的处理速度远高于对每个炮集数据进行分别处理的传统方法。
一种地震资料线性干扰压制方法系统

[发明专利]风力发电机组的状态监测方法及其系统及计算机可读存储介质-CN202110850884.X在审
发明人：姜孝谟;唐伟健;成骁彬;赵海心;陈庆;马明骏;林琳;惠怀宇 -专利权人：上海电气风电集团股份有限公司;大连理工大学
申请日： 2021-07-27 - 公布日： 2021-10-08 - 主分类号： G06F30/17 文献下载
摘要：该方法包括：从风力发电机组的SCADA数据中提取风力发电机组健康运行时段的数据；将健康运行时段的数据划分为训练集数据和测试集数据；基于训练集数据来训练和优化AAKR模型以得到优化后的AAKR模型；基于测试集数据来测试优化后的AAKR模型；获取风力发电机组的待监测数据；将待监测数据输入到优化后的AAKR模型中，以得到优化后的AAKR模型输出的待监测数据的模型预测值；以及基于待监测数据和待监测数据的模型预测值来监测风力发电机组的健康状态
风力发电机组状态监测方法及其系统计算机可读存储介质

[发明专利]一种能源数据的聚合方法及装置-CN202210668397.6在审
发明人：赵瑞峰;李波;李响;区伟潮;郑文杰;周俊宇;彭飞进;谭振鹏;郭为斌;曹志辉 -专利权人：广东电网有限责任公司;广东电网有限责任公司佛山供电局
申请日： 2022-06-14 - 公布日： 2022-08-16 - 主分类号： G06K9/62 文献下载
摘要：本发明公开了一种能源数据的聚合方法及装置，其方法包括：获取可再生能源数据和待测的能源数据，基于所述可再生能源数据，建立可再生能源的个体物理模型和聚合集群模型，划分所述可再生能源数据为训练集数据和测试集数据，基于K均值聚类算法、所述训练集数据和所述测试集数据，对所述个体物理模型和所述聚合集群模型进行训练和验证，得到目标个体物理模型和目标聚合集群模型，将所述待测的能源数据输入所述目标个体物理模型和所述目标聚合集群模型，得到所述待测的能源数据的预测聚合指标数据。
一种能源数据聚合方法装置

[发明专利]基于多尺度分析和深度网络模型的云虚拟机负载预测方法-CN202111265373.8在审
发明人：孟海宁;张嘉薇;李维;朱磊;杨哲;童新宇;黑新宏 -专利权人：西安理工大学
申请日： 2021-10-28 - 公布日： 2022-02-18 - 主分类号： G06F9/455 文献下载
摘要：本发明公开了基于多尺度分析和深度网络模型的云虚拟机负载预测方法，收集云虚拟机的资源和性能数据；获取云虚拟机资源和性能序列数据；对原始数据序列进行小波分解；利用阈值去噪；得到去噪后数据序列；对去噪后数据序列进行一阶差分，用一阶差分数据序列构造一个时间步矩阵；将时间步矩阵分为训练集和测试集；对训练集和测试集数据进行归一化处理；采取训练集数据对DLSTM预测模型进行训练，利用训练好的DLSTM预测模型对测试集数据进行预测，并对DLSTM预测模型进行性能评价；本发明解决了传统预测方法对长时间运行、数据量大的云虚拟机负载预测准确度不高的问题。
基于尺度分析深度网络模型虚拟机负载预测方法

[发明专利]一种基于Transformer-LSTM及误差校正的太阳辐照度预测模型-CN202211684027.8在审
发明人：唐志伟;高慧敏 -专利权人：嘉兴学院
申请日： 2022-12-27 - 公布日： 2023-06-09 - 主分类号： G06F30/27 文献下载
摘要：本发明公开一种基于Transformer‑LSTM及误差校正的太阳辐照度预测模型，根据预设的时间分辨率获取所测地区的历史天气数据以及太阳辐照度数据；数据进行预处理后按照设定比例分为训练集数据，验证集数据以及测试集数据；利用现有的Transformer‑LSTM及误差校正模型，训练集数据对模型进行训练学习；预测模型进行筛选，筛选出最佳预测模型；将所测地区的历史天气数据输入至筛选出的最佳预测模型，得到太阳辐照度预测值。本发明克服了现有技术中太阳辐照度预测方法无法捕捉数据之间的长期依赖关系，过于关注全局数据的位置信息，并且忽视误差自相关所产生的影响；提高了太阳辐照度的长序列数据预测精度。
一种基于 transformer lstm 误差校正太阳辐照预测模型