检索结果-内蒙古大学图书馆

作者：管光华李枭华贾梦浩黄跃群杨家亮 430072 湖北省武汉市武昌区珞珈山武汉大学

本发明公开了一种基于明渠串联多渠池的耦合控制模型、构建方法及其效果验证方法。耦合模型通过在ID模型基础上加入解耦项，进而建立适用于串联多渠池的耦合控制模型。耦合模型包含滞后时间、回水面积和耦合系数三个未知参数。在获得耦... 详细信息

标准号: CN115509132A

本发明公开了一种基于明渠串联多渠池的耦合控制模型、构建方法及其效果验证方法。耦合模型通过在ID模型基础上加入解耦项，进而建立适用于串联多渠池的耦合控制模型。耦合模型包含滞后时间、回水面积和耦合系数三个未知参数。在获得耦合模型表达式后，可利用该模型对渠池下游水位变化过程进行预测，同时可通过模型预测控制算法，将该模型用于明渠控制器设计。本发明提出的耦合控制模型，在应用于串联多渠池时，能有效降低渠池间的耦合影响。本发明使用模型参数辨识及模型效果验证的方法，证明了基于提出的耦合控制模型，能够显著提高水位预测精度和明渠控制性能，其对确保长距离调水工程运行的安全性和高效性具有重要意义。

关键词：耦合控制耦合模型明渠串联模型参数辨识模型预测控制控制器设计变化过程调水工程控制性能模型基础模型效果水位预测未知参数下游水位效果验证重要意义耦合系数耦合影响回水高效性面积和构建解耦算法验证滞后预测应用

来源：评论

学校读者我要写书评

暂无评论

中国股市波动持续性的实证研究

中国股市波动持续性的实证研究

引用

作者：时晶晶北京师范大学

学位级别：硕士

本文以最新的上证综合指数，深证成分指数和深证综合指数收益率序列为研究对象，应用单变量GARCH模型，多元GARCH模型等数量经济理论和方法，并应用EViews5.0，WinRATS等计量经济学软件的模拟计算功能，对中国股市波动特征进行了实证研... 详细信息

本文以最新的上证综合指数，深证成分指数和深证综合指数收益率序列为研究对象，应用单变量GARCH模型，多元GARCH模型等数量经济理论和方法，并应用EViews5.0，WinRATS等计量经济学软件的模拟计算功能，对中国股市波动特征进行了实证研究。\n 首先，检验了沪、深股市收益率的统计特征，发现其分布均与正态分布有显著差异，有明显的高峰厚尾现象；在此基础上对各股指收益率自回归后残差的异方差性进行了LM检验，三个股指的收益率均存在异方差性；接着，利用单变量GARCH模型分别对三个股指波动的时变性特征进行了拟合，参数均显著有效，拟合后对残差的LM异方差检验显示已经消除异方差性，表明GARCH模型拟合效果较好，捕捉到了波动的时变性。对单变量GARCH拟合参数进行分析后发现，三个股指方差波动方程的系数和都接近于1，其波动呈现出明显的持续性。\n 然后，利用三种多元GARCH模型对深证综指和上证综指，深证成指和上证综指分别进行了拟合，对两市的波动相关性和波动协同持续性进行了考察，研究发现：\n 1)深证成指与上证综值的BEKK—MVGARCH模型不存在协同持续性而深证综指和上证综指的BEKK模型存在爆炸根。\n 2)常相关CCC—MVGARCH模型的相关系数均大于0.

关键词：证券市场波动特征 GARCH模型模型效果

来源：评论

学校读者我要写书评

暂无评论

基于深度学习的天然气居民客户用气量异常检测

引用

煤炭经济研究 2024年第7期44卷 27-34页

作者：宫雨李倩曹馨中国石油大学(北京)经济管理学院北京102249

近年来,依托信息技术、人工智能等新兴技术,智慧燃气成为天然气行业的重要发展方向,促进了天然气行业快速发展和转型升级,也是新质生产力的体现。智能燃气表是智慧燃气的重要一环,其直接面向终端居民客户,通过监测其数据可以提高天然气... 详细信息

近年来,依托信息技术、人工智能等新兴技术,智慧燃气成为天然气行业的重要发展方向,促进了天然气行业快速发展和转型升级,也是新质生产力的体现。智能燃气表是智慧燃气的重要一环,其直接面向终端居民客户,通过监测其数据可以提高天然气行业的安全水平及经营管理效率,增强居民客户的满意度。针对天然气居民客户的用气量异常检测问题,提出将深度学习中的长短期记忆神经网络算法(LSTM)和传统的局部加权回归平滑法(LOWESS)相结合的异常检测模型,克服了传统异常检测模型建模时效率低下、无法给出异常值出现的具体时间等缺点。使用某天然气公司的生产数据验证了模型的实际效果,结果表明,异常检测模型效率更高,能有效地检测出用气量异常及异常值出现的时间点,为用气量异常检测提供了新的解决方案,有利于推动天然气行业新质生产力发展。

关键词：用气量异常检测深度学习智慧燃气天然气居民客户模型效果

来源：评论

学校读者我要写书评

暂无评论

关于Word2Vec文本分类效果若干影响因素的分析

引用

现代信息科技 2024年第1期8卷 125-129页

作者：谢庆恒国家图书馆北京100081

Word2Vec向量模型参数众多,在不同情景下分类效果不一,分析其影响因素很有必要。从Word2Vec模型基本原理出发,分析讨论了预训练语料、词向量预训练参数以及分类模型参数三大因素对模型分类效果的影响。结果表明限定域预料效果好于广域预... 详细信息

Word2Vec向量模型参数众多,在不同情景下分类效果不一,分析其影响因素很有必要。从Word2Vec模型基本原理出发,分析讨论了预训练语料、词向量预训练参数以及分类模型参数三大因素对模型分类效果的影响。结果表明限定域预料效果好于广域预料;预训练参数中向量维度越大,效果越好,窗口大小存在最优值,分类算法影响不大;分类模型参数中学习率、激活函数、批次大小对模型分类效果影响较大,训练轮次相对较小。

关键词： Word2Vec 文本分类模型效果影响因素

来源：评论

学校读者我要写书评

暂无评论

数据资料与模型

引用

华北航天工业学院学报 2006年第2期16卷 20-22页

作者：翟秀娜牛莉北华航天工业学院基础部河北廊坊065000

本文论述了数据资料在数学建模中的作用,介绍了数据资料的收集、选取及利用数据资料建立数学模型的方法。

关键词：数据资料组建模型模型检验模型效果

来源：评论

学校读者我要写书评

暂无评论

一种基于神经网络和阻抗谱数据预测电池剩余容量方法

一种基于神经网络和阻抗谱数据预测电池剩余容量方法

引用

作者：常伟 200030 上海市徐汇区古美路1515号19号楼1801室

本发明公开一种基于神经网络和阻抗谱数据预测电池剩余容量方法，包括如下步骤：1、测试并采集电池电化学阻抗谱数据：采用专业阻抗谱测试仪器，并且覆盖一定的温度和频率范围；2、构建模型：数据采集完毕后，构建神经网络，采用回归预... 详细信息

标准号: CN116298893A

本发明公开一种基于神经网络和阻抗谱数据预测电池剩余容量方法，包括如下步骤：1、测试并采集电池电化学阻抗谱数据：采用专业阻抗谱测试仪器，并且覆盖一定的温度和频率范围；2、构建模型：数据采集完毕后，构建神经网络，采用回归预测模型。3、训练神经网络模型：基于采集的电池电化学阻抗谱和电池剩余容量的数据进行训练；4、验证神经网络模型效果：在模型训练中将数据集按照8:2的比例分成训练集合和测试集合，在训练集合上进行模型训练，在测试集合上验证模型效果，检验模型的泛化能力。本发明利用预测模型较好的拟合能力，能够在保证较高预测精度的水平下，兼顾预测的效率，实现准确高效的预测电池剩余容量。

关键词：阻抗谱电池剩余容量电池电化学模型训练神经网络训练集合测试构建预测集合验证采集回归预测模型神经网络模型训练神经网络测试仪器模型效果数据采集数据预测预测模型数据集拟合覆盖检验保证

来源：评论

学校读者我要写书评

暂无评论

对冠心病住院患者死亡概率预测的方法

对冠心病住院患者死亡概率预测的方法

引用

作者：尤丽珏陈龙曲新凯刘伊威陈裔曹译 200040 上海市静安区延安西路221号

本发明公开了对冠心病住院患者死亡概率预测的方法，包括以下步骤：步骤一，目标定义；步骤二，数据采集；步骤三，构建预测模型；步骤四，模型效果评价；步骤五，模型的验证与更新；所述步骤二中，模型构建所需的数据包括患者的信息、... 详细信息

标准号: CN116230222A

本发明公开了对冠心病住院患者死亡概率预测的方法，包括以下步骤：步骤一，目标定义；步骤二，数据采集；步骤三，构建预测模型；步骤四，模型效果评价；步骤五，模型的验证与更新；所述步骤二中，模型构建所需的数据包括患者的信息、就诊的信息、科室的信息和医生的信息；所述步骤四中，评价指标为F1值或者AUC指标；本发明利用利用机器学习技针对冠心病住院患者的全维度信息进行分析，对具体患者的死亡概率进行预测，从而为临床判断提供辅助决策依据，提高临床判断的准确性和时效性，医生和病人借助该预测模型可以更好的做出共同决策，政府部门与卫生管理者也能更好的进行医疗质量管理，合理的配置医疗资源。

关键词：死亡概率预测模型冠心病医疗质量管理辅助决策机器学习模型构建模型效果目标定义评价指标数据包括数据采集医疗资源政府部门住院时效性预测构建全维医生验证更新配置卫生决策分析

来源：评论

学校读者我要写书评

暂无评论

基于深度学习的胃部肿瘤病理分型识别系统

基于深度学习的胃部肿瘤病理分型识别系统

引用

作者：王书浩 100000 北京市海淀区莲花池东路39号6层608

本发明提供了基于深度学习的胃部肿瘤病理分型识别系统，包括：切片获取模块，用于从医院数据库中筛选出胃部病理切片，并将所述胃部病理切片分组为恶性切片和非恶性切片；模型训练模块，用于对所述恶性切片进行标注训练，得到胃癌分型... 详细信息

标准号: CN116309389A

本发明提供了基于深度学习的胃部肿瘤病理分型识别系统，包括：切片获取模块，用于从医院数据库中筛选出胃部病理切片，并将所述胃部病理切片分组为恶性切片和非恶性切片；模型训练模块，用于对所述恶性切片进行标注训练，得到胃癌分型模型，并对非恶性切片进行标注训练，得到胃部低级别瘤变二分类模型；评估模块，用于分别对所述胃癌分型模型和胃部低级别瘤变二分类模型进行模型效果评估，并根据评估结果得到对应的最优模型；集成模块，用于将所述最优模型进行集成得到胃部肿瘤病理分型系统；利用人工智能对切片进行智能分析，对模型进行智能评估，实现实现对胃部肿瘤的识别分型和病变概率判断。

关键词：切片胃部胃部肿瘤分型病理分型病理切片最优模型低级别二分类非恶性胃癌标注模型训练模块医院数据库人工智能概率判断获取模块集成模块模型效果评估结果评估模块识别系统智能分析评估病变筛选分组智能学习

来源：评论

学校读者我要写书评

暂无评论

基于多关系图模型的多模态对话问答生成方法

基于多关系图模型的多模态对话问答生成方法

引用

作者：吕姚嘉朱文轩刘铭徐洁馨李秋霞秦兵 150001 黑龙江省哈尔滨市南岗区西大直街92号

基于多关系图模型的多模态对话问答生成方法，涉及一种多模态对话问答生成方法。本发明为了解决现有的多模态对话系统仅考虑场景序列化信息而导致现有模型效果一般的问题。本发明首先将视频序列化切分为多个视频片段，对于每个片段获取... 详细信息

标准号: CN115712709A

基于多关系图模型的多模态对话问答生成方法，涉及一种多模态对话问答生成方法。本发明为了解决现有的多模态对话系统仅考虑场景序列化信息而导致现有模型效果一般的问题。本发明首先将视频序列化切分为多个视频片段，对于每个片段获取该片段的色彩特征、光流特征和音频特征，并拼接起来，再加入位置信息和模态信息得到各个视频片段的序列表示；将每个视频片段视作顶点，构建基于全联通关系的视频图并输入图卷积神经网络，得到视频隐藏层序列以及与原视频序列的融合表示；然后利用相似的方式处理基于视听场景标题和对话历史对应的词向量得到各自对应的文本隐藏层序列以及与原文本序列的融合表示；最后利用神经网络模型生成回答。

关键词：多模态对话视频片段视频序列神经网络模型场景序列对话历史方式处理加入位置模态信息模型效果片段获取色彩特征神经网络视听场景文本隐藏序列表示音频特征融合词向量视频图隐藏层构建光流联通拼接原文视频

来源：评论

学校读者我要写书评

暂无评论

样本预测方法、装置、存储介质及电子装置

样本预测方法、装置、存储介质及电子装置

引用

作者：唐东格杨青 100193 北京市海淀区西北旺东路10号院西区4号楼6层606室

本发明公开了一种样本预测方法、装置、存储介质及电子装置，涉及人工智能领域。其中，该方法包括：获取第一样本和样本描述信息，其中，第一样本为应用的包名，样本描述信息为应用的文字描述信息；对第一样本进行切分，得到多个第二样... 详细信息

标准号: CN115758152A

本发明公开了一种样本预测方法、装置、存储介质及电子装置，涉及人工智能领域。其中，该方法包括：获取第一样本和样本描述信息，其中，第一样本为应用的包名，样本描述信息为应用的文字描述信息；对第一样本进行切分，得到多个第二样本，其中，第二样本为应用的子包名；根据第一样本、多个第二样本和样本描述信息进行预测，得到第一样本对应的预测结果。本发明解决了相关技术中对用户的APP信息进行建模得到的模型效果不佳，导致预测结果的准确率较低的技术问题。

关键词：样本样本描述预测结果应用人工智能领域文字描述信息存储介质电子装置模型效果预测准确率建模子包

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：