“递归神经网络”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936023个，建议您升级VIP下载更多相关专利

[发明专利]金融时间序列预测的量子粒子群优化递归神经网络方法-CN201710362965.9在审
发明人：孟力;吴铭实 -专利权人：厦门大学
申请日： 2017-05-22 - 公布日： 2017-09-22 - 主分类号： G06N3/00 文献下载
摘要：金融时间序列预测的量子粒子群优化递归神经网络方法，涉及时间序列的分析与预测。首先应用混沌和相空间重构理论，通过饱和关联维(G‑P)方法计算混沌金融时间序列吸引子维度，确定RPNN网络的结构，然后通过量子粒子群优化QPSO算法对递归神经网络RPNN训练、最后确定网络的动态最优权值和阈值，使RPNN神经网络仿真预测值与实际值达到最小误差精度。解决了基于梯度算法优化RPNN神经网络易落入局部极小值问题，所建立的QPSO‑RPNN优化预测方法收敛速度快、搜索具有全局性，编程计算简洁、高效、预测精度高，在金融投资和社会经济中有着广泛的应用。
金融时间序列预测子粒子群优化递归神经网络方法

[发明专利]一种基于递归图和卷积神经网络的地震到时拾取方法-CN202310250360.6在审
发明人：吴为治 -专利权人：安徽省勘查技术院（安徽省地质矿产勘查局能源勘查中心）
申请日： 2023-03-16 - 公布日： 2023-06-09 - 主分类号： G06F18/214 文献下载
摘要：本发明提供一种基于递归图和卷积神经网络的地震到时拾取方法。方法首先建立地震到时样本库，并对样本进行预处理；然后建立卷积神经模型，利用预处理得到的训练集进行神经网络模型训练；之后将待拾取的地震数据进行预处理后输入到训练好的模型中，输出到时拾取在采样点上概率分布；本发明由于采用优化后递归图算法和卷积神经网络，避免了传统算法需要过多人工干预以及一般卷积神经网络针对地震数据进行降维处理而影响到训练时的稳定性，本方法能更加准确快速的拾取地震到时。
一种基于递归卷积神经网络地震到时拾取方法

[发明专利]信息处理方法及装置、电子设备和计算机可读介质-CN201811337624.7在审
发明人：徐涛;吴楠;武永宽;贺斌;王春捷 -专利权人：北京码牛科技有限公司
申请日： 2018-11-13 - 公布日： 2019-05-14 - 主分类号： G06Q30/06 文献下载
摘要：涉及计算机信息处理和通信领域，所述信息处理方法包括：获取自同一来源采集的待检测的图像信息和文字信息；将所述图像信息输入至训练好的深度卷积神经网络模型，并将所述文字信息输入至训练好的递归神经网络模型；利用所述深度卷积神经网络模型输出所述图像信息是否包括毒品信息的第一预测结果，并通过所述递归神经网络模型输出所述文字信息是否包括毒品信息的第二预测结果；根据所述第一预测结果和所述第二预测结果判断所述图像信息和文字信息是否包括毒品信息。
文字信息预测结果图像信息信息处理计算机可读介质递归神经网络卷积神经网络电子设备毒品计算机信息处理图像信息输入通信领域输出采集检测申请

[发明专利]一种基于多元时间序列分析的自组织递归模糊神经网络的出水氨氮浓度预测方法-CN202010132329.9在审
发明人：乔俊飞;丁海旭;李文静;王鼎;武利 -专利权人：北京工业大学
申请日： 2020-02-29 - 公布日： 2020-06-30 - 主分类号： G16C20/20 文献下载
摘要：一种基于多元时间序列分析的自组织递归模糊神经网络的出水氨氮浓度预测方法既属于控制领域，又属于水处理领域。针对当前污水处理过程中出水氨氮浓度测量具有时滞性、成本高、精度低等问题，本发明利用一种自组织递归模糊神经网络实现对关键水质参数氨氮浓度的预测，解决了出水氨氮浓度难以测量的问题；结果表明该自组织递归模糊神经网络能够自适应改变网络结构与参数
一种基于多元时间序列分析组织递归模糊神经网络出水浓度预测方法

[发明专利]一种基于傅里叶-递归神经网络的交通流预测方法-CN202010120339.0在审
发明人：王存;董晓飞 -专利权人：南京新一代人工智能研究院有限公司
申请日： 2020-02-26 - 公布日： 2020-07-28 - 主分类号： G08G1/01 文献下载
摘要：本发明公开了一种基于傅里叶递归神经网络的交通流预测方法，包括以下步骤：(1)对交通流数据进行预处理；(2)设置窗口滑动距离S、窗口大小T、设置窗口函数G，将交通流历史数据分段；(3)对每段交通流历史数据进行短时傅里叶变换，从时间域转变换到频率域；(4)搭建递归神经网络模型，将交通流历史数据样本输入模型进行训练；(5)判断训练次数是否达到最大训练次数；(6)根据训练得到的傅里叶‑递归神经网络模型，计算交通流预测结果。
一种基于傅里叶递归神经网络通流预测方法

[发明专利]一种基于字符编码的深度神经翻译方法及系统-CN201610457514.9有效
发明人：张海军;李婧萱 -专利权人：哈尔滨工业大学深圳研究生院
申请日： 2016-06-22 - 公布日： 2019-08-09 - 主分类号： G06F17/28 文献下载
摘要：本发明提出了一种基于字符编码的深度神经翻译方法及系统，使用递归神经网络（Recurrent Neural Network,RNN）建立一个联合的神经网络模型来覆盖整个翻译过程，从编码器‑解码器框架的角度直接完成翻译任务方法包括：A、词向量生成：将字符级别的输入数据通过神经网络建模进行分词，并生成词向量；B、语言模型生成：利用递归神经网络在时间上具有记忆性的特点，建立语法规则；C、词对齐模型生成：得到对源语言语句中多个词翻译成目标语言词的概率；D、输出：将输入的源语言翻译成目标语言；E、联合翻译模型：将上述4个步骤的神经网络模型联合起来，建立一个基于字符编码的深度神经翻译模型（RNN‑embed），并使用GPU并行计算来加速模型的训练。
一种基于字符编码深度神经翻译方法系统

[发明专利]针对脑电图的多路信号神经网络架构设计方法-CN201810727725.9有效
发明人：欧阳鹏;贤仪寒;张有光;赵巍胜 -专利权人：北京航空航天大学合肥创新研究院;北京航空航天大学
申请日： 2018-07-05 - 公布日： 2021-09-21 - 主分类号： G06F3/01 文献下载
摘要：本发明公开了一种针对脑电图的多路信号神经网络架构设计方法，构建脑电信号处理模块和辅助信号识别模块，其中脑电信号处理模块由递归神经网络和连接在递归神经网络后的全连接层构成，辅助信号识别模块为卷积层、归一化层和激活层构成的卷积神经网络通过网络参数的改变可以在一定程度下，以较小的精度损失实现较大的硬件性能提升，显著降低对内存、功耗和运行时间的消耗。
针对脑电图信号神经网络架构设计方法

[发明专利]一种基于深度递归型条件受限玻尔兹曼机的测谎方法-CN201711315604.5有效
发明人：赵力;查诚;魏昕;徐新洲;黄程韦;塔什甫拉提·尼扎木丁;余华;邹采荣 -专利权人：东南大学
申请日： 2017-12-11 - 公布日： 2020-06-02 - 主分类号： A61B5/16 文献下载
摘要：本发明公开了一种基于深度递归型条件受限玻尔兹曼机的测谎方法，首先在连续语音段落中，利用条件受限玻尔兹曼机对时间序列具有良好的建模特性和简易的推理过程，对训练样本进行建模，得到说话人是否说谎的高阶统计信息；接着用该高阶统计信息和训练样本的标签对递归神经网络进行有监督的参数训练。在获得条件受限玻尔兹曼机和递归神经网络的初始化参数后，将这两个基本网络单元由下至上搭建而成；并在验证数据集上，基于最小二乘回归微调递归神经网络的参数；利用建立的网络，对说话人的语音信号特征进行测试。
一种基于深度递归条件受限玻尔兹曼机方法

[发明专利]融合递归图与深度学习的多目标SSVEP意念控制法及应用-CN201810169303.4有效
发明人：高忠科;党伟东;曲志勇;杨宇轩;张俊 -专利权人：天津大学
申请日： 2018-02-28 - 公布日： 2021-03-16 - 主分类号： G05B13/04 文献下载
摘要：一种融合递归图与深度学习的多目标SSVEP意念控制法及应用，增加相位信息，设计多目标SSVEP脑电实验刺激界面；获取8个以上被试者中每一个被试者经n个刺激图片诱发的n种SSVEP脑电信号；得到8个以上被试者在不同刺激图片诱发下的脑电信号的递归图；为每一个递归图设定标签作为样本，构建数据集；搭建和优化深度卷积神经网络模型结构及参数，确定能够用于有效分类由不同刺激图片诱发的SSVEP脑电信号的递归图的深度卷积神经网络模型；将新的被试者SSVEP脑电信号经相空间重构后，以递归图形式输入优化后的深度卷积神经网络模型，实现多目标SSVEP脑电信号准确分类；生成意念控制指令，实现多目标意念控制。
融合递归深度学习多目标 ssvep 意念控制应用

[发明专利]一种基于深度学习的新能源消纳方法-CN201910157651.4在审
发明人：行舟;韩自奋;傅铮;景乾明;拜润卿;张彦凯;郝如海;陈仕彬;杜瑞凤;乾维江;高磊;邢延东;史玉杰;祁莹;刘文飞;张海龙;张大兴;章云 -专利权人：国网甘肃省电力公司电力科学研究院;国网甘肃省电力公司;西安电子科技大学
申请日： 2019-03-01 - 公布日： 2019-06-18 - 主分类号： G05B13/04 文献下载
摘要：本发明属于新能源发电消纳技术领域，公开了一种基于深度学习的新能源消纳方法，所述基于深度学习的新能源消纳方法采用多层感知神经网络的反向传播算法实现，采用改进的动态递归神经网络方法进行训练；优化过程包括：深度学习模型的线下训练过程本发明基于深度学习的消纳优化算法能够根据不同优化目标的内容和数量，不同约束条件的内容和数量在线确定优化控制器参数，无需人为调整，对于应用场合具有普遍的适应性；本发明采用基于自适应更新系数的动态递归神经网络模型训练方法能够克服常规动态递归神经网络收敛速度慢和容易陷入局部极小值的缺点
新能源动态递归神经网络优化控制器学习多层感知神经网络优化控制器参数递归神经网络新能源发电自适应更新常规动态反向传播模型训练算法实现训练过程优化目标优化算法约束条件在线确定在线优化收敛优化改进保证

[发明专利]基于数据驱动的电力系统预测状态估计方法及系统-CN202010942484.7在审
发明人：张玉敏;吉兴全;王金玉;尹孜阳;于一潇;郑元;张旋 -专利权人：山东科技大学
申请日： 2020-09-09 - 公布日： 2020-12-22 - 主分类号： G06Q10/04 文献下载
摘要：本公开提供了一种基于数据驱动的电力系统预测状态估计方法及系统，包括：获取电力系统的历史数据和节点的量测数据；将历史数据输入递归神经网络，获得训练好的递归神经网络模型；判断节点的量测数据是否存在异常数据；若不存在异常数据，将节点的量测数据通过高斯过程状态估计得到电力系统预测状态；若存在异常数据，则将节点的量测数据输入训练好的递归神经网络模型，并通过潮流计算对节点的量测数据进行修正，将修正后的节点的量测数据通过高斯过程状态估计过程得到准确的电力系统预测状态；建立了基于长期记忆神经网络的电力系统状态预测模型，可以通过潮流计算解决数据缺失的问题，具有较高的准确性和鲁棒性。
基于数据驱动电力系统预测状态估计方法系统

[发明专利]一种基于振动信号空间时时递归图卷积神经网络的结构损伤识别监测方法-CN201910444058.8有效
发明人：段元锋;诸锜;章红梅 -专利权人：浙江大学
申请日： 2019-05-27 - 公布日： 2023-04-28 - 主分类号： G06F30/27 文献下载
摘要：本发明提供一种基于振动信号空间时时递归图卷积神经网络的结构损伤识别监测方法，包括如下步骤：S1)搭建数值模型并生成风激励荷载等外激励；S2)准备不同损伤位置以及损伤程度的结构数值模型并将风激励荷载等激励加载到数值模型上；S3)将时程加速度响应生成相应递归图样本；S4)对样本进行卷积神经网络的训练和测试。本发明的优点为：用于对土木工程领域的结构进行无损损伤识别，提出了将结构上多点的加速度响应生成相应递归图作为分析对象，同时采用卷积神经网络进行特征提取。卷积神经网络相对于传统的机器学习算法，其对二维及以上的高维数据的特征提取具有先天优势，能有效提高其在结构损伤识别上的训练效率和泛化能力，具备较好的精度及较低的训练成本。
一种基于振动信号空间时时递归图卷神经网络结构损伤识别监测方法

[发明专利]基于渐进分割的文字检测方法、装置、设备及介质-CN202211116324.2在审
发明人：陈昊 -专利权人：平安科技（深圳）有限公司
申请日： 2022-09-14 - 公布日： 2022-12-09 - 主分类号： G06V30/148 文献下载
摘要：，提供一种基于渐进分割的文字检测方法、装置、设备及介质，能够基于渐进分割原理构建初始模型，构建损失函数，并基于所述损失函数训练所述初始模型，得到文字检测模型，其中，所述文字检测模型包括首尾相接的全卷积网络及递归神经网络，当接收到文本图像时，对所述文本图像进行预处理，得到待检测图像，利用所述全卷积网络对所述待检测图像进行文本分割，得到文本区域，利用所述递归神经网络对所述文本区域进行文本实例分割及检测，得到识别文本，输出所述识别文本本发明能够结合全卷积网络及递归神经网络实现更加准确的文字检测。此外，本发明还涉及区块链技术，文字检测模型可存储于区块链节点中。
基于渐进分割文字检测方法装置设备介质

[发明专利]基于双层递归神经网络的应用层组播树构建方法-CN200810243911.1无效
发明人：张顺颐;刘世栋;王攀 -专利权人：南京邮电大学
申请日： 2008-12-10 - 公布日： 2009-07-22 - 主分类号： H04L12/56 文献下载
摘要：基于双层递归神经网络的应用层组播树构建方法，通过能量函数所对应的神经元运动方程求出相应的神经元的权值及偏流，并以此去调整相应的反馈权值和偏置，进行迭代计算，直到系统收敛到稳定状态为止。在稳定状态下神经元变量的输出即为实际优化问题的解。本方法中仍然采用Hopfield神经网络模型求解最优化问题的思想，但在此基础上加入双层递归神经网络模型中的Kirchoff限制条件提高了解的合法性；加入了LP型非线性编程神经元，保证了路由求解过程中限制条件的满足；同时通过求解单播路由的神经元矩阵之间相对应神经元的关联保证了最终的组播路由的最优。
基于双层递归神经网络应用层组播树构建方法

[发明专利]经压缩的递归神经网络模型-CN201611262293.6在审
发明人：奥艾斯·阿尔沙里夫;罗希特·普拉卡什·普拉巴瓦尔卡尔;伊恩·C·麦格劳;安托万·让·布吕盖 -专利权人：谷歌公司
申请日： 2016-12-30 - 公布日： 2017-08-11 - 主分类号： G06N3/04 文献下载
摘要：本申请涉及经压缩的递归神经网络模型。用于实现经压缩递归神经网络(RNN)的方法、系统和装置，所述装置包括在计算机存储介质上编码的计算机程序。系统中的一种包括经压缩RNN，经压缩RNN包括多个递归层，其中每个递归层具有相应的递归权重矩阵和相应的层间权重矩阵，并且其中至少一个递归层被压缩使得经压缩层的相应递归权重矩阵由第一经压缩权重矩阵和投影矩阵定义
压缩递归神经网络模型