CN108764600A - 一种人工智能深度学习的方法 - Google Patents
一种人工智能深度学习的方法 Download PDFInfo
- Publication number
- CN108764600A CN108764600A CN201810288058.9A CN201810288058A CN108764600A CN 108764600 A CN108764600 A CN 108764600A CN 201810288058 A CN201810288058 A CN 201810288058A CN 108764600 A CN108764600 A CN 108764600A
- Authority
- CN
- China
- Prior art keywords
- data
- coal
- deep learning
- algorithm
- value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000013135 deep learning Methods 0.000 title claims abstract description 55
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 19
- 239000003245 coal Substances 0.000 claims abstract description 83
- 238000012545 processing Methods 0.000 claims abstract description 40
- 238000001514 detection method Methods 0.000 claims abstract description 6
- 239000004615 ingredient Substances 0.000 claims description 12
- 238000005516 engineering process Methods 0.000 claims description 7
- 238000003672 processing method Methods 0.000 claims description 6
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 4
- 229910052799 carbon Inorganic materials 0.000 claims description 4
- 238000007405 data analysis Methods 0.000 claims description 4
- 241001269238 Data Species 0.000 claims description 3
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical compound [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000007418 data mining Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 230000004992 fission Effects 0.000 claims description 3
- 229910052717 sulfur Inorganic materials 0.000 claims description 3
- 239000011593 sulfur Substances 0.000 claims description 3
- 235000013399 edible fruits Nutrition 0.000 claims 1
- 238000013459 approach Methods 0.000 abstract description 3
- 238000005259 measurement Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- RHZUVFJBSILHOK-UHFFFAOYSA-N anthracen-1-ylmethanolate Chemical compound C1=CC=C2C=C3C(C[O-])=CC=CC3=CC2=C1 RHZUVFJBSILHOK-UHFFFAOYSA-N 0.000 description 3
- 239000003830 anthracite Substances 0.000 description 3
- 238000002485 combustion reaction Methods 0.000 description 3
- 230000005251 gamma ray Effects 0.000 description 3
- 230000002068 genetic effect Effects 0.000 description 3
- 239000003077 lignite Substances 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 238000004939 coking Methods 0.000 description 2
- 239000000470 constituent Substances 0.000 description 2
- 239000007789 gas Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000002802 bituminous coal Substances 0.000 description 1
- 239000011449 brick Substances 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 235000019504 cigarettes Nutrition 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000010977 jade Substances 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Probability & Statistics with Applications (AREA)
- Animal Husbandry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Agronomy & Crop Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种人工智能深度学习的方法,包括如下步骤:步骤A:系统初始化,将数据输入到“煤种专家系统”处理数据;步骤B:将“煤种专家系统”的数据输出到“深度学习系统”处理数据;步骤C:将“深度学习系统”的数据输出到“监督学习算法系统”处理数据,解决了以往媒质实时精准检测设备没有“深度学习”人工智能方法的问题,解决了以往在处理数据时效率低、成本高、实时性差的问题。
Description
技术领域
本发明涉及媒质六大成分值的检测的深度优化领域,特别一种人工智能深度学习的方法。
背景技术
传统方式靠人工采用化学燃烧方式测量煤炭六大成分从而确定煤炭价格,这种检测方法的实时性差、误差大、人为干扰强;近几年为了排除人为干扰,采用了激光测量法、伽马射线法,虽然激光测量法、伽马射线法,但是上述方法投入成本高、误差大、实时性差,同时伽马射线法辐射大,对操作者人身伤害大;2016年起国家要求逐步淘汰了伽马射线法测量技术。
发明内容
为解决现有技术中存在的问题,本发明提供了一种人工智能深度学习的方法,解决了以往媒质实时精准检测设备没有“深度学习”人工智能方法的问题,解决了以往在处理数据时效率低、成本高、实时性差的问题。
本发明采用的技术方案如下:一种人工智能深度学习的方法,方法包括如下步骤:
步骤A1:媒质实时精准检测设备内的系统初始化,将接收到的六大成分数据输入到“煤种专家系统”进行数据处理;
步骤A2:将“煤种专家系统”的数据输出到“深度学习系统”进行数据处理;
步骤A3:将“深度学习系统”的数据输出到“监督学习算法系统”进行数据处理,最后将数据输出到大数据分析系统。
优选地,“煤种专家系统”的数据处理方法包括如下:
步骤B1:录入煤质的六大成分值,通过“深度学习系统”对比输入的煤的六大成分值与已有的煤种特性库的特性值,如果煤质的六大成分值基本相同则提取煤种特性库的特性值和当前值输入到“深度学习系统”中;
步骤B2:如果当前输入的煤的六大成分值与煤种特性库不同,其特性与已有的煤种特性库存在较大差异,且长时间存在,“深度学习系统”将当前数据传输到在煤种特性数据库处理平台,通过大数据处理系统自定义一个煤种特性值,定义后再输入到深度学习系统中。
优选地,“深度学习系统”的数据处理方法如下:
步骤C1:将输入的六大成分值按日期分类,分为过去一天、过去一周、过去一个月、过去三个月、过去半年、过去一年和过去三年,分别标注为CD1、 CD2、CD3、CD4、CD5、CD6、CD7;
步骤C2:将七个时间档CD1、CD2、CD3、CD4、CD5、CD6、CD7的六大成分值在中央处理器内经过算法程序处理,将CD1、CD2、CD3、CD4、CD5、 CD6、CD7转换为媒质的六大成分值,且存放在AI中间值数据库中;
步骤C3:CD1处理后的结果从AI中间值数据库输出,在中央处理器中进行“共性数据、差异数据、剩余数据”算法处理,将当前数据与CD1的共性、差异和剩余的数据进行对比,如果共性数据达到阈值,将停止学习,且将数据输出到“监督学习算法系统”;如果共性数据达不到阈值,将重复步骤B2;
步骤C4:将CD2、CD3、CD4、CD5、CD6、CD7进行步骤C3的数据处理。
优选地,“监督学习算法系统”的处理算法数据如下
监督学习算法包括“找差算法”和“微调算法”;
步骤E1:将数据进行“找差算法”处理,所述找差算法为:
利用“带记忆和裂变的修正K-Means算法”数据挖掘技术找到当前三个质心点为C(c1、c2、c3)基准点;“深度学习”找到共性数据有n个,为Ci(i=1、 2、3…..n)
式中的ASSE就是找差算法的最终值;
步骤E2:将数据进行“微调算法”处理,所述“微调算法”为:
假设三个质心点数值的最大值为Cmax=MAX(c1、c2、c3);中间值为Cmid=MID(c1、c2、c3);最小值为Cmin=MIN(c1、c2、c3);Cmin<=Cmid<=Cmax,
当前输入的值为Cc,其最终值为Cf,则微调算法包括如下步骤:
步骤F1:如果Cc<Cmin,Cf=Cc+ASSE;
步骤F2:如果Cc>Cmax,Cf=Cc-ASSE;
步骤F3:如果Cmin<=Cc<=Cmid,Cf=Cc+ASSE/2;
步骤F4:如果Cmid<=Cc<=Cmax,Cf=Cc-ASSE/2;
Cf为整个监督学习算法的输出值。
式中,C对应为发热量(Q)、水分(M)、灰分(A)、挥发分(V)、固定碳(Fc)和含硫量(S)六种成分的某一成分值便可。
本发明一种人工智能深度学习的方法的有益效果如下:
1.该系统是人工智能相关技术在煤炭成分测量领域的独创、首次运用,为将来的更好发展抛砖引玉;
2.“深度学习系统”技术为其它固体、液体和气体成分值的分析独创性的提供了一种有用的参考;
3.本系统AI的“深度学习系统”具有强大的延展性和优化空间。
附图说明
图1为本发明一种人工智能深度学习的方法的系统总框图。
图2为本发明一种人工智能深度学习的方法的“煤种专家系统”框图。
图3为本发明一种人工智能深度学习的方法的“深度学习系统”框图。
图4为本发明一种人工智能深度学习的方法的“监督学习算法系统”框图。
具体实施方式
下面结合附图对本发明的实施例进行详细说明。
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
如图1所示,一种人工智能深度学习的方法包括如下步骤:
步骤A1:媒质实时精准检测设备内的系统初始化,将接收到的六大成分数据输入到“煤种专家系统”进行数据处理;
步骤A2:将“煤种专家系统”的数据输出到“深度学习系统”进行数据处理;
步骤A3:将“深度学习系统”的数据输出到““监督学习算法系统”的处理算法数据如下”进行数据处理,最后将数据输出到大数据分析系统。
本实施方案在实施时,本部分利用大数据处理系统中提供的有用数据,分析数据的共性和差异,通过AI的“深度学习”、神经网络等技术处理,系统可以自我不断的学习,对“转换模型处理”中得到的煤炭六大成分的数值进行有价值的修正或局部微调,以进一步提升煤炭六大成分的测量精确度,从而逐步降低测量误差,并适应复杂的煤种及混烧掺烧煤种,一般而言,通过AI处理后,煤炭六大成分的测量值误差不会超过0.1%。
本系统包含三部分,分别为:煤种专家系统、深度学习系统和监督学习算法系统。煤种专家系统对所有的常规煤种提供一种定性的参考和基准点;深度学习系统负责对当前及历史的煤质数据分析、学习并做出共性和差异性,以供监督学习算法系统优化煤质六大成分测量值;“监督学习算法系统”的处理算法数据如下主要负责推演出煤质六大成分优化值。
本系统包含三部分,分别为:煤种专家系统、深度学习系统和遗传进化系统。煤种专家系统对所有的常规煤种提供一种定性的参考和基准点;深度学习系统负责对当前及历史的煤质数据分析、学习并做出共性和差异性,以供遗传进化系统优化煤质六大成分测量值;“监督学习算法系统”的处理算法数据如下主要负责推演出煤质六大成分优化值。
如图2所示,“煤种专家系统”的数据处理方法包括如下:
步骤B1:录入煤质的六大成分值,通过“深度学习系统”对比输入的煤的六大成分值与已有的煤种特性库的特性值,如果煤质的六大成分值基本相同则提取煤种特性库的特性值和当前值输入到“深度学习系统”中;
步骤B2:如果当前输入的煤的六大成分值与煤种特性库不同,其特性与已有的煤种特性库存在较大差异,且长时间存在,“深度学习系统”将当前数据传输到在煤种特性数据库处理平台,通过大数据处理系统自定义一个煤种特性值,定义后再输入到深度学习系统中。
本实施方案在实施时,我们国家的煤可以分为无烟煤、烟煤、褐煤3大类,17 个小类别,它们分别是无烟煤、贫烟、贫瘦煤、瘦煤、焦煤、肥煤、1/3焦煤、气肥煤、气煤、1/2中粘煤、弱粘煤、不粘煤、长焰煤、褐煤。每一种煤种都有相对固定的特性,如:无烟煤固定碳含量高,挥发分产率低,密度大,硬度大,燃点高,燃烧时不冒烟;而褐煤的含水量大,燃烧值低。根据这些煤种的特性,本系统将它们分类,赋予其对应的煤质六大成分特性。同时为了适应国内煤炭的混烧和掺烧,本系统可以自定义煤种,并赋予其对应的六大成分特性。
如图3所示,“深度学习系统”的数据处理方法如下:
步骤C1:将输入的六大成分值按日期分类,分为过去一天、过去一周、过去一个月、过去三个月、过去半年、过去一年和过去三年,分别标注为CD1、 CD2、CD3、CD4、CD5、CD6、CD7;
步骤C2:将七个时间档CD1、CD2、CD3、CD4、CD5、CD6、CD7的六大成分值在中央处理器内经过算法程序处理,将CD1、CD2、CD3、CD4、CD5、 CD6、CD7转换为媒质的六大成分值,且存放在AI中间值数据库中;
步骤C3:CD1处理后的结果从AI中间值数据库中输出,在中央处理器中进行“共性数据、差异数据、剩余数据”算法处理,将当前数据与CD1的共性、差异和剩余的数据进行对比,如果共性数据达到阈值,将停止学习,且将数据输出到“遗传进化系统”;如果共性数据达不到阈值,将重复步骤B2;
步骤C4:将CD2、CD3、CD4、CD5、CD6、CD7进行步骤C3的数据处理。
本实施方案在实施时,深度学习系统将历史数据库的煤质6大成分值(对应为“AI最终值数据库”里的数据),按日期分类,分别按过去一天、过去一周、过去一个月、过去三个月、过去半年、过去一年和过去三年的数据分为7个时间档,分别标注为CD1、CD2、CD3、CD4、CD5、CD6、CD7,按照特定的算法得到 7个时间档的煤质六大成分值,这7组值随时间推移相对变化,但变化相对较小,这7组值将作为深度学习7次循环学习的重要原始数据。
初始阶段如果没有时间更长的数据,譬如一年和三年的数据,系统自动初始化为零,且循环学习自动变为5次,依次类推。
原始的煤质成分值进入深度自学习系统,第一次学习以当前时间为基准退后一天的煤质最终成分值为学习的基准数据,简称CD1,通过特定的学习算法,找出当前数据与CD1的共性、差异和剩余数据,如果共性数据多,差异和剩余数据少,且达到阈值,将停止学习,如果共性数据少,差异和剩余数据多,达不到阈值,将进行第二次学习,依次类推,不同的是每次学习的基准数据分别为 CD2、CD3、CD4、CD5、CD6、CD7和每一层学习的算法会不同,原则上来讲;
1.时间上越靠近当前时间的数据越重要,权重越高;
2.历史上煤种特性越接近当前煤种特性的数据越重要,权重越高。如果通过 7层学习任然找不到满足条件的共性数据,系统将自动挑选预设的7层学习,自动从某一层开始学习,这时候,系统的学习方法将做适当调整,直到共性数据达到阈值,为了防止过度学习和死循环,系统在学习次数达到预设值后,将停止学习,当然这个预设值可人为设定,譬如:预设值是15次,那么学习15次后,无论如何,系统将停止学习。从其工作原理可见,系统的煤种专家系统越丰富、历史数据越多,系统的学习能力越强,效果越好。
如图4所示,“监督学习算法系统”的处理算法数据如下
监督学习算法包括“找差算法”和“微调算法”;
步骤E1:将数据进行“找差算法”处理,找差算法为:
利用“带记忆和裂变的修正K-Means算法”数据挖掘技术找到当前三个质心点为C(c1、c2、c3)基准点;“深度学习”找到共性数据有n个,为Ci(i=1、 2、3…..n)
式中的ASSE就是找差算法的最终值;
步骤E2:将数据进行“微调算法”处理,“微调算法”为:
假设三个质心点数值的最大值为Cmax=MAX(c1、c2、c3);中间值为Cmid=MID(c1、c2、c3);最小值为Cmin=MIN(c1、c2、c3);Cmin<=Cmid<=Cmax,
当前输入的值为Cc,其最终值为Cf,则微调算法包括如下步骤:
步骤F1:如果Cc<Cmin,Cf=Cc+ASSE;
步骤F2:如果Cc>Cmax,Cf=Cc-ASSE;
步骤F3:如果Cmin<=Cc<=Cmid,Cf=Cc+ASSE/2;
步骤F4:如果Cmid<=Cc<=Cmax,Cf=Cc-ASSE/2;
Cf为整个监督学习算法的输出值。
式中,C对应为发热量(Q)、水分(M)、灰分(A)、挥发分(V)、固定碳(Fc)和含硫量(S)六种成分的某一成分值便可。
本系统采用“监督类”的深度学习,图示中的“监督学习算法”是基于“共性数据”的相似性分布会趋于统一原理,监督学习算法依次包含两部分:
1用共性数据和参照数据比对,找出共性数据的趋势差异值,该算法简称:找差算法;
2用差异值调整现有数值,该算法简称:微调算法。
Claims (4)
1.一种人工智能深度学习的方法,其特征在于,所述方法包括如下步骤:
步骤A1:媒质实时精准检测设备内的系统初始化,将接收到的六大成分数据输入到“煤种专家系统”进行数据处理;
步骤A2:将“煤种专家系统”的数据输出到“深度学习系统”进行数据处理;
步骤A3:将“深度学习系统”的数据输出到“监督学习算法系统”进行数据处理,最后将数据输出到大数据分析系统。
2.根据权利要求1所述的一种人工智能深度学习的方法,其特征在于,所述“煤种专家系统”的数据处理方法包括如下:
步骤B1:录入煤质的六大成分值,通过“深度学习系统”对比输入的煤的六大成分值与已有的煤种特性库的特性值,如果煤质的六大成分值基本相同则提取煤种特性库的特性值和当前值输入到“深度学习系统”中;
步骤B2:如果当前输入的煤的六大成分值与煤种特性库不同,其特性与已有的煤种特性库存在较大差异,且长时间存在,“深度学习系统”将当前数据传输到在煤种特性数据库处理平台,通过大数据处理系统自定义一个煤种特性值,定义后再输入到深度学习系统中。
3.根据权利要求1所述的一种人工智能深度学习的方法,其特征在于,所述“深度学习系统”的数据处理方法如下:
步骤C1:将输入的六大成分值按日期分类,分为过去一天、过去一周、过去一个月、过去三个月、过去半年、过去一年和过去三年,分别标注为CD1、CD2、CD3、CD4、CD5、CD6、CD7;
步骤C2:将七个时间档CD1、CD2、CD3、CD4、CD5、CD6、CD7的六大成分值在中央处理器内经过算法程序处理,将CD1、CD2、CD3、CD4、CD5、CD6、CD7转换为媒质的六大成分值,且存放在AI中间值数据库中;
步骤C3:CD1处理后的结果从AI中间值数据库中输出,在中央处理器中进行“共性数据、差异数据、剩余数据”算法处理,将当前数据与CD1的共性、差异和剩余的数据进行对比,如果共性数据达到阈值,将停止学习,且将数据输出到“监督学习算法系统”;如果共性数据达不到阈值,将重复步骤B2。
步骤C4:将CD2、CD3、CD4、CD5、CD6、CD7进行步骤C3的数据处理。
4.根据权利要求3所述的一种人工智能深度学习的方法,其特征在于,所述“监督学习算法系统”的处理算法数据如下:
所述监督学习算法包括“找差算法”和“微调算法”;
步骤E1:将数据进行“找差算法”处理,所述找差算法为:
利用“带记忆和裂变的修正K-Means算法”数据挖掘技术找到当前三个质心点为C(c1、c2、c3)基准点;“深度学习”找到共性数据有n个,为Ci(i=1、2、3…..n)
式中的ASSE就是找差算法的最终值;
步骤E2:将数据进行“微调算法”处理,所述“微调算法”为:
假设三个质心点数值的最大值为Cmax=MAX(c1、c2、c3);中间值为Cmid=MID(c1、c2、c3);最小值为Cmin=MIN(c1、c2、c3);Cmin<=Cmid<=Cmax,
当前输入的值为Cc,其最终值为Cf,则微调算法包括如下步骤:
步骤F1:如果Cc<Cmin,Cf=Cc+ASSE;
步骤F2:如果Cc>Cmax,Cf=Cc-ASSE;
步骤F3:如果Cmin<=Cc<=Cmid,Cf=Cc+ASSE/2;
步骤F4:如果Cmid<=Cc<=Cmax,Cf=Cc-ASSE/2;
Cf为整个监督学习算法的输出值。
式中,C对应为发热量(Q)、水分(M)、灰分(A)、挥发分(V)、固定碳(Fc)和含硫量(S)六种成分的某一成分值便可。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810288058.9A CN108764600B (zh) | 2018-04-03 | 2018-04-03 | 一种人工智能深度学习的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810288058.9A CN108764600B (zh) | 2018-04-03 | 2018-04-03 | 一种人工智能深度学习的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108764600A true CN108764600A (zh) | 2018-11-06 |
CN108764600B CN108764600B (zh) | 2022-05-10 |
Family
ID=63980804
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810288058.9A Active CN108764600B (zh) | 2018-04-03 | 2018-04-03 | 一种人工智能深度学习的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108764600B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130212049A1 (en) * | 2012-02-15 | 2013-08-15 | American Gnc Corporation | Machine Evolutionary Behavior by Embedded Collaborative Learning Engine (eCLE) |
CN104612675A (zh) * | 2015-02-02 | 2015-05-13 | 中石化西南石油工程有限公司地质录井分公司 | 一种碳酸盐岩地层随钻岩性快速识别方法 |
CN107589093A (zh) * | 2017-09-08 | 2018-01-16 | 邓雷 | 一种基于回归分析的煤质在线检测分析方法 |
-
2018
- 2018-04-03 CN CN201810288058.9A patent/CN108764600B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130212049A1 (en) * | 2012-02-15 | 2013-08-15 | American Gnc Corporation | Machine Evolutionary Behavior by Embedded Collaborative Learning Engine (eCLE) |
CN104612675A (zh) * | 2015-02-02 | 2015-05-13 | 中石化西南石油工程有限公司地质录井分公司 | 一种碳酸盐岩地层随钻岩性快速识别方法 |
CN107589093A (zh) * | 2017-09-08 | 2018-01-16 | 邓雷 | 一种基于回归分析的煤质在线检测分析方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108764600B (zh) | 2022-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tantithamthavorn et al. | Automated parameter optimization of classification techniques for defect prediction models | |
Leiva et al. | A novel hyperparameter-free approach to decision tree construction that avoids overfitting by design | |
Chen et al. | Rademacher complexity for enhancing the generalization of genetic programming for symbolic regression | |
Kumaraswamy et al. | Transfer learning via relational type matching | |
Amayuelas et al. | Neural methods for logical reasoning over knowledge graphs | |
CN110909785B (zh) | 基于语义层级的多任务Triplet损失函数学习方法 | |
Yu et al. | Finding the best learning to rank algorithms for effort-aware defect prediction | |
Rokach et al. | Selective voting—getting more for less in sensor fusion | |
Kumar et al. | Learning constraint programming models from data using generate-and-aggregate | |
Goyle et al. | Dataassist: A machine learning approach to data cleaning and preparation | |
CN108764600A (zh) | 一种人工智能深度学习的方法 | |
Ghodousian et al. | Solving a non-convex non-linear optimization problem constrained by fuzzy relational equations and Sugeno-Weber family of t-norms | |
Gligorić et al. | Optimal coal supplier selection for thermal power plant based on MCRAT method | |
CN115437960A (zh) | 回归测试用例排序的方法、装置、设备和存储介质 | |
Pößnecker et al. | A general framework for the selection of effect type in ordinal regression | |
Mueller et al. | Feature selection for measurement models | |
Zhang et al. | Pseudo high-frequency boosts the generalization of a convolutional neural network for cassava disease detection | |
CN112990567A (zh) | 建立煤层含气量预测模型的方法、装置、终端与存储介质 | |
Vagin et al. | The problem of object recognition in the presence of noise in original data | |
Moore | Decision trees | |
López et al. | Modified grid searches for hyper-parameter optimization | |
Fomina et al. | Noise Models in Inductive Concept Formation. | |
Lehrer | SIMS: Scalable, Interpretable Machine Learning for Single-Cell Annotation | |
O’Bray | Leveraging global information for machine learning on graphs | |
Rakala et al. | Evolutionary feature selection for machine learning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |