检索结果-内蒙古大学图书馆

作者：罗韬庄毅顾晶晶孙健范璧健夏晓东崔鸿飞杨金龙郝纲 210000 江苏省南京市御道街29号

本发明公开了一种基于混合神经网络模型的大变形柔性体动态应力补偿方法，属于降落伞测量技术和计算机机器学习领域。该方法可应用于大变形柔性体的动态应力补偿，尤其是降落伞、气垫船等设备工作过程中的动态应力补偿。混合神经网络模... 详细信息

标准号: CN104899642B

本发明公开了一种基于混合神经网络模型的大变形柔性体动态应力补偿方法，属于降落伞测量技术和计算机机器学习领域。该方法可应用于大变形柔性体的动态应力补偿，尤其是降落伞、气垫船等设备工作过程中的动态应力补偿。混合神经网络模型包括知识基模型和反向传播神经网络模型，其中，知识基模型表示大变形柔性体力学模型的主要特征，反向传播神经网络表示大变形柔性体力学模型与知识基模型之间的差异特征。本发明使用高精度万能试验机获得样本数据，采用混合神经网络模型构建动态应力补偿模型，补偿结果精度高，计算复杂度低，可以有效应用于大变形柔性体的动态应力补偿，为解决复杂工作环境下动态应力补偿问题提供一种新的思路。

关键词：动态应力大变形混合神经网络模型柔性体知识基降落伞体力学反向传播神经网络模型反向传播神经网络计算机机器学习复杂工作环境计算复杂度万能试验机补偿结果补偿模型差异特征模型表示问题提供样本数据气垫船构建测量应用

来源：评论

学校读者我要写书评

暂无评论

一种基于混合神经网络模型的风速预测方法

一种基于混合神经网络模型的风速预测方法

引用

作者：胡伟飞何亦菡程锦刘振宇谭建荣 310058 浙江省杭州市西湖区余杭塘路866号

本发明公开了一种基于混合神经网络模型的风速预测方法，包括：对风速原始时间序列数据进行集成经验模态分解，建立长短期记忆神经网络对集成经验模态分解得到的分量信号进行预测，通过贝叶斯优化算法对长短期记忆神经网络的超参数进行... 详细信息

标准号: CN111695724B

本发明公开了一种基于混合神经网络模型的风速预测方法，包括：对风速原始时间序列数据进行集成经验模态分解，建立长短期记忆神经网络对集成经验模态分解得到的分量信号进行预测，通过贝叶斯优化算法对长短期记忆神经网络的超参数进行调节优化，将分量信号的预测结果合成为最终的预测结果。本发明通过将随机非稳态的原始短期风速时间序列分解为稳定变化的时间序列数据，并对长短期记忆神经网络的超参数进行自动调节优化，得到预测结果，大大降低了预测误差，提高了预测精度，可应用于短期风速的预测，为风力发电网络的智能运维提供有力工具。

关键词：记忆神经网络预测结果经验模态分解时间序列数据分量信号风速预测混合神经网络模型风速时间序列风力发电风速预测优化算法预测误差贝叶斯非稳态运维优化分解智能应用网络

来源：评论

学校读者我要写书评

暂无评论

一种基于混合神经网络模型的单目图像深度估计方法

一种基于混合神经网络模型的单目图像深度估计方法

引用

作者：霍智勇赵丽萍 210003 江苏省南京市鼓楼区新模范马路66号

本发明属于计算机视觉领域，公开了一种基于混合神经网络模型的单目图像深度估计方法，包括：给定RGB图像和真实深度值，进行标准化操作，将RGB图像经过卷积模块，得到浅层的图像特征，然后将特征划分为块，进行不同区域的特征强化，得... 详细信息

标准号: CN116934825A

本发明属于计算机视觉领域，公开了一种基于混合神经网络模型的单目图像深度估计方法，包括：给定RGB图像和真实深度值，进行标准化操作，将RGB图像经过卷积模块，得到浅层的图像特征，然后将特征划分为块，进行不同区域的特征强化，得到带有重要程度判别的特征并将该特征依次经过Transformer模块，得到深层的特征，将浅层的图像特征与深层的特征组成图像特征序列，进行特征融合，得到完整的特征表示后利用深度信息输出块，获得的深度图，将深度图与真实深度值进行误差分析，得到最终的网络模型，完成深度估计。本发明建立了局部信息和远距离依赖关系，增强了对空间特征的捕获和对局部结构的表达，实现更准确的深度估计结果。

关键词：深度估计图像特征深度图浅层混合神经网络模型计算机视觉领域单目图像局部结构局部信息空间特征深度信息特征表示特征强化特征融合特征组成网络模型误差分析依赖关系远距离卷积捕获标准化输出

来源：评论

学校读者我要写书评

暂无评论

基于混合神经网络模型的低速率网络入侵检测研究

引用

成都工业学院学报 2024年第1期27卷 52-56页

作者：刘珊珊李根管艺博广东财贸职业学院信息技术学院广州510000 广东工商职业技术大学人工智能与大数据学院广东肇庆526040 广东工商职业技术大学计算机学院广东肇庆526040

针对低速率入侵,常规的入侵检测方法能力不足,虚警率、漏警率偏高。为保证网络安全,提出一种基于混合神经网络模型的低速率网络入侵检测方法。利用NetFlow技术采集网络流量数据,对网络流量数据进行过滤和图像化处理。搭建由卷积神经网... 详细信息

针对低速率入侵,常规的入侵检测方法能力不足,虚警率、漏警率偏高。为保证网络安全,提出一种基于混合神经网络模型的低速率网络入侵检测方法。利用NetFlow技术采集网络流量数据,对网络流量数据进行过滤和图像化处理。搭建由卷积神经网络和人工神经网络构成的混合神经网络模型,利用卷积神经网络提取网络流量数据的图像提取特征,利用人工神经网络检测网络入侵类型。结果表明:提出方法的虚警率、漏警率低于Transformer入侵检测方法、栈式自编码-长短期记忆(SAE-LSTM)检测方法和萤火虫优化(GSO)-基分类器检测方法,尤其在入侵速率更低(2 Mb/s)的情况下,所表现出的检测能力更为突出,说明针对低速率网络入侵问题,基于混合神经网络模型的检测方法的检测能力更强,检测结果更为准确。

关键词：混合神经网络模型卷积神经网络人工神经网络低速率入侵网络流量数据入侵检测方法

来源：评论

学校读者我要写书评

暂无评论

一种在特征选择与聚类分析后的混合神经网络模型天气分类方法

一种在特征选择与聚类分析后的混合神经网络模型天气分类方法

引用

作者：荣欢骆维瀚马廷淮张新厂 210032 江苏省南京市江北新区宁六路219号

本发明了一种特征选择与聚类分析后的混合神经网络模型天气分类方法，本发明首先使用MIC最大信息系数最特征进行选择，去除MIC最大信息系数低于0.5,即与其他特征关联性低的特征；接着使用BIC系数估计最佳的聚类模型集群数k，对数据集进... 详细信息

标准号: CN114861775A

本发明了一种特征选择与聚类分析后的混合神经网络模型天气分类方法，本发明首先使用MIC最大信息系数最特征进行选择，去除MIC最大信息系数低于0.5,即与其他特征关联性低的特征；接着使用BIC系数估计最佳的聚类模型集群数k，对数据集进行高斯混合模型聚类，筛选相似的样本；然后分别搭建MLP分类神经网络和MLNN分类神经网络；最后使用集成学习中的AdaBoost自适应加强算法，对两个模型进行顺序训练并生成MLP和MLNN神经网络混合模型。本发明结合了特征选择、聚类分析及混合神经网络对天气数据进行处理，缩减了训练时间。训练多层感知机和形态学‑线性神经网络并加入集成学习的思想混合，在模型训练及混合时应用AdaBoost自适应加强算法，提高天气分类准确率。

关键词：神经网络集成学习聚类分析特征选择最大信息自适应算法分类混合神经网络模型形态学高斯混合模型混合神经网络线性神经网络分类准确率多层感知混合模型聚类模型模型训练天气数据系数估计关联性数据集集群聚类天气去除样本筛选应用

来源：评论

学校读者我要写书评

暂无评论

一种基于CNN-LSTM混合神经网络模型的工艺质量预测方法

一种基于CNN-LSTM混合神经网络模型的工艺质量预测方法

引用

作者：唐军何邦华周冰林文强易斌谭国治蔡波唐丽马宁陈文阴艳超王明悦张曦 650231 云南省昆明市五华区红锦路367号

本发明公开了一种基于CNN‑LSTM混合神经网络模型的工艺质量预测方法，包括如下步骤：(1)采集数据，测量并记录与质量指标相关的变量，获得初始变量；(2)数据筛选，通过相关性分析对初始变量进行筛选，去除掉冗余变量后获得输入变量；选... 详细信息

标准号: CN115169737A

本发明公开了一种基于CNN‑LSTM混合神经网络模型的工艺质量预测方法，包括如下步骤：(1)采集数据，测量并记录与质量指标相关的变量，获得初始变量；(2)数据筛选，通过相关性分析对初始变量进行筛选，去除掉冗余变量后获得输入变量；选取数据集的前80％数据作为训练集，剩余20％的数据作为测试集；(3)采用CNN‑LSTM神经网络建立预测模型，并结合时序注意力机制，在模型中输入的输入变量，获得质量指标的预测数据；(4)根据获得质量指标的预测数据与真实数据之间进行分析评价，验证预测方法的有效性。本发明的工艺质量预测方法，通过建立混合神经网络模型预测质量指标，有针对性地解决了流程制造行业产品质量预测难的问题，满足了流程制造生产过程高水平质量控制的需要，为实现流程生产过程精准预测与优化调控提供方法和途径。

关键词：质量指标质量预测混合神经网络模型流程制造输入变量预测数据预测注意力机制时序采集数据流程生产冗余变量神经网络生产过程数据筛选优化调控预测模型真实数据测试集数据集训练集质量控制除掉测量分析验证筛选记录

来源：评论

学校读者我要写书评

暂无评论

基于混合神经网络模型的短期负荷预测方法

基于混合神经网络模型的短期负荷预测方法

引用

作者：张玲华李昊 210003 江苏省南京市鼓楼区新模范马路66号

本发明是一种基于混合神经网络模型的短期负荷预测方法，包括如下步骤：对负荷数据集进行预处理；将处理后的负荷数据输入到Inception‑GRU‑MA的混合神经网络模型中，该模型是通过处理前24小时的负荷数据，来得出下一个小时的预期负荷数... 详细信息

标准号: CN115238999A

本发明是一种基于混合神经网络模型的短期负荷预测方法，包括如下步骤：对负荷数据集进行预处理；将处理后的负荷数据输入到Inception‑GRU‑MA的混合神经网络模型中，该模型是通过处理前24小时的负荷数据，来得出下一个小时的预期负荷数据：结合负荷预测精度的评价指标对模型进行训练实现Inception‑GRU‑MA模型的最佳负荷预测精度。该预测方法通过GRU模型来处理负荷数据的时间序列性和非线性，并通过MA模型来进一步提取重点特征，进而得到一个高精度的STLF模型。通过对比，本发明提出的Inception‑GRU‑MA模型的STLF的精度最高，可以有效地提高智能电网的社会效益和经济效益。

关键词：负荷数据混合神经网络模型负荷预测预处理短期负荷预测时间序列性处理负荷评价指标智能电网有效地预测

来源：评论

学校读者我要写书评

暂无评论

一种基于混合神经网络模型的视频去色方法

一种基于混合神经网络模型的视频去色方法

引用

作者：刘世光张晓丽 300072 天津市南开区卫津路92号

本发明属于视频处理的技术领域，具体涉及一种基于混合神经网络模型的视频去色方法，包括如下步骤：步骤一，输入彩色视频，并按照预定帧率将视频分割成若干视频帧，编码器利用卷积学习视频帧中图像的局部内容，然后提取局部语义特征；... 详细信息

标准号: CN109871790A

本发明属于视频处理的技术领域，具体涉及一种基于混合神经网络模型的视频去色方法，包括如下步骤：步骤一，输入彩色视频，并按照预定帧率将视频分割成若干视频帧，编码器利用卷积学习视频帧中图像的局部内容，然后提取局部语义特征；步骤二，提取视频帧之间的时序特征，并将时序特征通过融合器融合到局部语义特征；步骤三，利用基于反卷积的解码器对融合的时序特征进行解码，输出灰度化视频。本发明基于CNN和LSTM混合神经网络，能够保持视频帧对比度和连续视频帧间时序一致性，提高灰度化视频的质量，同时，解决了传统视频去色过程中的闪烁问题。

关键词：视频帧时序特征视频局部语义去色混合神经网络模型混合神经网络解码器连续视频帧解码时序传统视频局部内容视频处理视频分割输出灰度输入彩色融合编码器反卷积灰度化融合器预定帧卷积闪烁图像学习

来源：评论

学校读者我要写书评

暂无评论

一种基于混合神经网络模型的光伏发电功率分时预测方法

一种基于混合神经网络模型的光伏发电功率分时预测方法

引用

作者：王锐雷洪涛刘亚杰张涛黄生俊李洁明梦君李凯文 410000 湖南省长沙市德雅路109号

本发明公开了一种基于混合神经网络模型的光法发电功率分时预测方法，包括获取光伏发电站的历史数据；对历史气象数据进行综合聚类分组；按分组结果，将所述的历史数据构建成组数个训练集；建立神经网络预测模型，每一个训练集训练出一... 详细信息

标准号: CN109978284A

本发明公开了一种基于混合神经网络模型的光法发电功率分时预测方法，包括获取光伏发电站的历史数据；对历史气象数据进行综合聚类分组；按分组结果，将所述的历史数据构建成组数个训练集；建立神经网络预测模型，每一个训练集训练出一个神经网络预测模型；获得现实气象数据并划分分组；使用所述分组训练出的预测模型对光伏发电功率进行预测。本发明针对每一特定的训练集建立预测模型，使得预测的准确度和精度大大提高，利用差分算法以及萤火虫算法的混合算法对神经网络的参数进行优化，同时采用分支进化和全局进化相结合，使得模型更具有鲁棒性，更容易获得全局最优值，优化解的能力更强。

关键词：神经网络预测模型发电功率历史数据预测模型训练集分组预测进化混合神经网络模型历史气象数据光伏发电站萤火虫算法准确度差分算法分组结果混合算法气象数据全局最优神经网络鲁棒性分时光法聚类组数优化全局

来源：评论

学校读者我要写书评

暂无评论

一种基于混合神经网络模型的机电设备健康状态预测方法

一种基于混合神经网络模型的机电设备健康状态预测方法

引用

作者：莫毓昌 362000 福建省泉州市丰泽区城华北路269号

本发明公开了一种基于混合神经网络模型的机电设备健康状态预测方法，包括收集机电设备工况参数时间序列历史数据样本和健康状态标志的时间序列历史数据样本；针对每种类型的工况参数的时间序列历史数据样本，分别建立相应的LSTM网络模... 详细信息

标准号: CN112381316A

本发明公开了一种基于混合神经网络模型的机电设备健康状态预测方法，包括收集机电设备工况参数时间序列历史数据样本和健康状态标志的时间序列历史数据样本；针对每种类型的工况参数的时间序列历史数据样本，分别建立相应的LSTM网络模型，并通过各自相应的LSTM网络模型自动提取各种类型的工况参数的特征；为LSTM网络模型的输出层向量中每个特征输出赋予不同的权值，获取各个LSTM网络模型的输出层向量的加权输出等步骤。优点是：针对每个工况参数，设置一个LSTM网络模型，可以充分挖掘工况参数和机电设备健康状态之间的时序依赖关系，并充分考虑不同工况参数对机电设备健康状态之间的不同影响，设置不同的参数值，从而使得机电设备的健康状态预测更为准确。

关键词：工况参数机电设备网络模型历史数据样本健康状态时间序列健康状态预测输出层向量混合神经网络模型时序依赖自动提取输出加权挖掘赋予

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：