CN110187647A - 模型训练方法及系统 - Google Patents
模型训练方法及系统 Download PDFInfo
- Publication number
- CN110187647A CN110187647A CN201810155550.9A CN201810155550A CN110187647A CN 110187647 A CN110187647 A CN 110187647A CN 201810155550 A CN201810155550 A CN 201810155550A CN 110187647 A CN110187647 A CN 110187647A
- Authority
- CN
- China
- Prior art keywords
- parameter
- iteration
- rule
- input parameter
- model training
- 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
- 238000012549 training Methods 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000004088 simulation Methods 0.000 claims abstract description 50
- 238000005457 optimization Methods 0.000 claims abstract description 18
- 238000013135 deep learning Methods 0.000 claims description 8
- 238000010801 machine learning Methods 0.000 claims description 8
- 241000208340 Araliaceae Species 0.000 claims 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims 1
- 235000003140 Panax quinquefolius Nutrition 0.000 claims 1
- 235000008434 ginseng Nutrition 0.000 claims 1
- 230000003993 interaction Effects 0.000 abstract description 6
- 230000002708 enhancing effect Effects 0.000 abstract description 5
- 238000012545 processing Methods 0.000 description 10
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 238000004140 cleaning Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B17/00—Systems involving the use of models or simulators of said systems
- G05B17/02—Systems involving the use of models or simulators of said systems electric
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种模型训练方法及系统。方法包括以下步骤:将输入参数输入仿真模型进行仿真,并获取所述仿真模型的输出参数;判断所述输出参数的数值是否满足优化目标值;在判断为否时,根据迭代规则调整所述输入参数的数值并返回将输入参数输入所述仿真模型的步骤。本发明能够在几倍于真实时间的实验环境下通过并行计算,实现增强学习,对仿真模型的参数进行调优,得到训练结果,也即最佳模型参数。且通过目标输入参数的自行选择,可明确各个参数之间的关联关系、相互作用及影响,得到准确的训练结果。
Description
技术领域
本发明涉及计算机技术领域,特别涉及一种工程模型的模型训练方法及系统。
背景技术
随着模拟仿真技术在工程领域的逐渐成熟,越来越多的企业倾向于使用仿真软件建立模拟实验环境,通过分析仿真实验中产生的数据建立工程模型,为工程方案的优化提供支撑,例如对生产流程(如仓储)、逻辑控制(如六轴机械臂)等方面进行优化。
现有技术中,进行模型训练时,模拟仿真与数据分析在流程上是分离的,因此无法确定工程模型中各个环境参数(或模型的输入参数)的关联关系,例如对新开仓库的生产流程进行优化时,输送线布局、货架位置、工作站位置等参数之间的关联关系、相互作用及影响全部未知,致使利用老仓库中积累的数据进行新仓库的模型建立,分析结果不能完全匹配,得到的新仓库模型的模型参数准确性不高。
发明内容
本发明要解决的技术问题是为了克服现有技术中进行模型训练时,模拟仿真与数据分析在流程上是分离的,导致模型中各个环境参数的关联关系无法确定,得到的训练结果的准确性不高的缺陷,提供一种模型训练方法及系统。
本发明是通过下述技术方案来解决上述技术问题:
一种模型训练方法,所述模型训练方法包括以下步骤:
将输入参数输入仿真模型进行仿真,并获取所述仿真模型的输出参数;
判断所述输出参数的数值是否满足优化目标值;
在判断为否时,根据迭代规则调整所述输入参数的数值并返回将输入参数输入所述仿真模型的步骤。
较佳地,将输入参数输入仿真模型的步骤之前,所述模型训练方法还包括:
获取所述迭代规则。
较佳地,根据迭代规则调整所述输入参数的步骤之前,所述模型训练方法还包括:
根据所述输出参数生成所述迭代规则。
较佳地,根据所述输出参数生成所述迭代规则的步骤,具体包括:
基于深度学习算法和/或机器学习算法并根据所述输出参数生成所述迭代规则。
较佳地,所述迭代规则包括:
从所述输入参数中选择目标输入参数,随机更改所述目标输入参数的数值;
或,从所述输入参数中选择目标输入参数,按百分比上调所述目标输入参数的数值;
或,从所述输入参数中选择目标输入参数,按百分比下调所述目标输入参数的数值。
较佳地,将输入参数输入仿真模型的步骤之前,所述模型训练方法还包括:
设置所述仿真模型的仿真速率。
本发明还提供一种模型训练系统,所述模型训练系统包括:
仿真服务器,用于将输入参数输入仿真模型进行仿真,并获取所述仿真模型的输出参数;
调度服务器,用于判断所述输出参数的数值是否满足优化目标值;
在判断为否时,所述调度服务器还用于根据迭代规则调整所述输入参数的数值并调用所述仿真服务器。
较佳地,所述调度服务器包括:迭代规则获取模块;
所述迭代规则获取模块用于获取所述迭代规则。
较佳地,所述模型训练系统还包括:学习服务器;
在判断为否时,所述调度服务器还用于调用所述学习服务器;
所述学习服务器用于根据所述输出参数生成所述迭代规则。
较佳地,所述学习服务器具体用于基于深度学习算法和/或机器学习算法并根据所述输出参数生成所述迭代规则。
较佳地,所述迭代规则包括:
从所述输入参数中选择目标输入参数,随机更改所述目标输入参数的数值;
或,从所述输入参数中选择目标输入参数,按百分比上调所述目标输入参数的数值;
或,从所述输入参数中选择目标输入参数,按百分比下调所述目标输入参数的数值。
较佳地,所述仿真服务器包括:速率设置模块;
所述速率设置模块用于设置所述仿真模型的仿真速率。
本发明的积极进步效果在于:本发明能够在几倍于真实时间的实验环境下通过并行计算,实现增强学习,对仿真模型的参数进行调优,得到训练结果,也即最佳模型参数。且通过目标输入参数的自行选择,可明确各个参数之间的关联关系、相互作用及影响,得到准确的训练结果。
附图说明
图1为本发明实施例1的模型训练方法的流程图。
图2为本发明实施例2的模型训练方法的流程图。
图3为本发明实施例3的模型训练系统的架构示意图。
图4为本发明实施例4的模型训练系统的架构示意图。
具体实施方式
下面通过实施例的方式进一步说明本发明,但并不因此将本发明限制在所述的实施例范围之中。
实施例1
如图1所示,本实施例的模型训练方法包括以下步骤:
步骤101、建立仿真模型,并设置仿真模型的仿真速率。
其中,具体建模方法及过程因不同仿真软件而异,不在此做过多说明。为实现超实时训练,应根据服务器硬件条件将仿真速率设置为高于实时仿真的某个倍数。
其中,仿真模型例如可以是仓库管理模型、仓库货架布置模型和订单拣选模型等。
步骤102、将输入参数输入仿真模型进行仿真,并获取仿真模型的输出参数。
以建立新开仓库的仓库货架布置模型为例,其输入参数包括以下参数中的至少一种:货架数量、货架布局位置信息、输送线布局信息、工作站的数量、工作站的位置信息和AGV(自动导引运输车)运行速率等。进行仓库货架布置模型仿真时,则将货架数量、货架布局位置信息、输送线布局信息、工作站的数量、工作站的位置信息和AGV运行速率等参数输入至仓库货架布置模型进行仿真,将仓库货架布置模型输出的订单出库时间作为输出参数。其中,初始输入参数可人为设定,也可从老仓库的生产流程历史数据中获取。
步骤103、判断输出参数的数值是否满足优化目标值。
其中,优化目标也即停止迭代的条件,优化目标值可根据实际需求自行设置。
若步骤103判断为否,说明没有达到停止迭代条件,则执行步骤104;若步骤103判断为是,说明达到停止迭代条件,则执行步骤105并停止迭代。
本实施例中,步骤103之前,还可对仿真运行中产生的数据进行清洗,以去除不符合预定范围的数据或将无用的参数去除,步骤103中则对经过清洗处理的输出参数进行判断。其中,数据处理方法可采用但不限于Spark-Streaming方法、Storm方法。
步骤104,根据迭代规则调整输入参数的数值,并返回步骤102。
本实施例中,迭代规则采用人为设定的方式,也即步骤101之前,模型训练方法还包括:
步骤100、获取迭代规则。
其中,迭代规则用于确定步骤104中每次迭代需要调整的参数、调整的方式,迭代规则例如可以是:从输入参数中选择目标输入参数,随机更改目标输入参数的数值;或,从输入参数中选择目标输入参数,按百分比上调目标输入参数的数值;或,从输入参数中选择目标输入参数,按百分比下调目标输入参数的数值。需要说明的是,每次迭代可以选择一个输入参数作为目标参数,也可以同时选择多个输入参数作为目标输入参数。目标输入参数的数值发生变化,仿真模型的输出参数的数值也会相应的发生变化。因此,通过从输入参数中依次选择不同的目标输入参数进行数值调节,并输入仿真模型进行迭代仿真,即可以得到各个输入参数之间的关联关系、相互作用及影响。
步骤105、将当前的输入参数确定为最佳模型参数,并停止迭代。
还是以仓库货架布置模型为例,若将货架布局位置信息作为目标输入参数,则当步骤103判断为否时,步骤104中则根据迭代规则(例如通过遗传算法在每次迭代中随机生成货架布局位置信息)调整货架布局位置信息的数值,将经过数值调整的货架布局位置信息以及未经过数值调整的货架数量、输送线布局信息、工作站的数量和工作站的位置信息等参数重新输入仓库货架布置模型进行仿真,如此反复迭代,直至步骤103判断为是,也即仿真模型的输出参数的数值满足优化目标值,则将当前输入仿真模型的输入参数确定为最佳模型参数。
本实施例中,能够在几倍于真实时间的实验环境下通过并行计算,实现增强学习,对仿真模型的参数进行调优,得到训练结果,也即最佳模型参数。且通过目标输入参数的自行选择,可明确各个参数之间的关联关系、相互作用及影响,得到准确的训练结果。
实施例2
实施例2与实施例1基本相同,不同之处在于,本实施例中的迭代规则根据仿真模型的输出参数生成,如图2所示,也即在步骤103判断为否时,模型训练方法还包括:
步骤103-1、根据输出参数生成迭代规则。
具体的,步骤103-1中,基于深度学习算法和/或机器学习算法并根据输出参数生成迭代规则。
本实施例中,迭代规则根据输出参数自行生成,因此可以更快速、更准确得得到最佳模型参数。
实施例3
如图3所示,本实施的模型训练系统包括:仿真服务器1、调度服务器2和数据处理集群3。数据处理集群3分别与仿真服务器1和调度服务器2通信连接。
仿真服务器1用于运行模型仿真,也即将仿真模型的输入参数输入仿真模型进行仿真,并获取仿真模型的输出参数。其中,初始输入参数可人为设定,也可使用工程项目的历史数据。
调度服务器2用于判断输出参数的数值是否满足优化目标值。其中,优化目标也即停止迭代的条件,优化目标值可根据实际需求自行设置。
若调度服务器2判断为否,说明没有达到停止迭代条件,调度服务器2则根据迭代规则调整输入参数的数值后调用仿真服务器,仿真服务器1使用经过数值调整后的新的输入参数重新进行模型仿真,如此反复迭代,直至仿真模型的输出参数的数值满足优化目标值。若调度服务器判断为是,说明达到停止迭代条件,调度服务器则停止迭代,并将输入仿真模型的当前的输入参数确定为最佳模型参数。
本实施例中,迭代规则采用人为设定的方式,也即需要预先设置迭代规则。调度服务器2包括:迭代规则获取模块。迭代规则获取模块用于获取迭代规则。
其中,迭代规则用于告知系统每次迭代需要调整的输入参数、调整的方式。迭代规则例如可以是:从输入参数中选择目标输入参数,随机更改目标输入参数的数值;或,从输入参数中选择目标输入参数,按百分比上调目标输入参数的数值;或,从输入参数中选择目标输入参数,按百分比下调目标输入参数的数值。
本实施例中,仿真服务器1包括:速率设置模块。速率设置模块用于设置仿真模型的仿真速率。为实现超实时训练,应根据服务器硬件条件将仿真速率设置为高于实时仿真的某个倍数。
为了便于理解,以利用本实施例的模型训练系统对新开仓库的生产流程进行优化为例,对模型训练系统的工作原理进行说明:
使用的仿真模型为仓库货架布置模型,模型的输入参数包括:货架数量、货架布局位置信息、输送线布局信息、工作站的数量、工作站的位置信息和AGV运行速率等,输出参数包括订单出库时间和库存量等。其中,将货架布局位置信息设定为目标输入参数,将调整方式设为随机(例如通过遗传算法在每次迭代中随机生成货架布局位置信息),优化目标为订单出库时间,优化目标值为20min(分钟)。
使用运行在仿真服务器1上的仿真软件建立仓库货架布置模型,设置仿真速率,将工程项目的历史数据(也即老仓库的生产流程历史数据)中的货架数量、货架布局位置信息、输送线布局信息、工作站的数量、工作站的位置信息和AGV运行速率等参数作为初始输入参数输入至仓库货架布置模型进行仿真。调度服务器获取仓库货架布置模型每次仿真的输出参数,并判断其中的订单出库时间的数值是否满足优化目标值。若订单出库时间大于20min,说明不满足优化目标值,调度服务器调节初始输入参数的数值,也即改变货架布局位置信息的数值,并将经过数值调节后的货架布局位置信息和其他未调节的输入参数重新输入至仓库货架布置模型,如此反复迭代,直至仿真模型输出的订单出库时间小于20min,则停止迭代,并将当前输入仓库货架布置模型的输入参数确定为最佳模型参数。
为了减少调度服务器的数据处理量,将仿真服务器1仿真运行中产生的数据实时传递到数据处理集群3,数据处理集群3对其进行清洗以去除不符合预定范围的数据或将无用的参数去除,并将经过清洗处理后的输出参数传输至调度服务器,调度服务器对经过数据清洗的输出参数进行判断处理。其中,数据处理框架包括但不限于Spark-Streaming、Storm。数据传递可有多种方式,如通过socket协议直接传递,或仿真软件将数据写入数据库,Spark-Streaming通过读取数据库取得数据,或通过消息队列等其他形式。
本实施例中,能够在几倍于真实时间的实验环境下通过并行计算,实现增强学习,对仿真模型的参数进行调优,得到训练结果,也即最佳模型参数。且通过目标输入参数的自行选择,可明确各个参数之间的关联关系、相互作用及影响,通过此系统得到的训练结果准确性高。
实施例4
实施例4与实施例3基本相同,不同之处在于,本实施例中的迭代规则通过仿真模型的输出参数生成,如图4所示,模型训练系统还包括:学习服务器4。学习服务器4分别与调度服务器2和数据处理集群3通信连接。
本实施例中,数据处理集群3还将经过数据处理后的输出参数传输至学习服务器4。当调度服务器2判断为否时,调度服务器2调用学习服务器4以根据输出参数生成迭代规则。调度服务器2则可根据新生成的迭代规则对输入参数进行调节,生成新的输入参数并输入仿真模型,仿真模型产生新的输出参数,如此反复迭代直到仿真模型的输出参数满足优化目标值。
具体的,学习服务器基于深度学习算法和/或机器学习算法并根据输出参数生成迭代规则。其中,可设置两类学习服务器,一类基于深度学习算法生成迭代规则,一类基于机器学习算法生成迭代规则。
本实施例中,基于模拟仿真与深度学习实现全流程、超实时的模型训练,能够在几倍于真实时间的实验环境下通过并行计算及时反馈机器学习、深度学习训练结果,通过快速迭代,在短时间内实现增强学习,对环境参数进行调优,迅速、准确优化工程方案。
虽然以上描述了本发明的具体实施方式,但是本领域的技术人员应当理解,这仅是举例说明,本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下,可以对这些实施方式做出多种变更或修改,但这些变更和修改均落入本发明的保护范围。
Claims (12)
1.一种模型训练方法,其特征在于,所述模型训练方法包括以下步骤:
将输入参数输入仿真模型进行仿真,并获取所述仿真模型的输出参数;
判断所述输出参数的数值是否满足优化目标值;
在判断为否时,根据迭代规则调整所述输入参数的数值并返回将输入参数输入所述仿真模型的步骤。
2.如权利要求1所述的模型训练方法,其特征在于,将输入参数输入仿真模型的步骤之前,所述模型训练方法还包括:
获取所述迭代规则。
3.如权利要求1所述模型训练方法,其特征在于,根据迭代规则调整所述输入参数的步骤之前,所述模型训练方法还包括:
根据所述输出参数生成所述迭代规则。
4.如权利要求3所述的模型训练方法,其特征在于,根据所述输出参数生成所述迭代规则的步骤,具体包括:
基于深度学习算法和/或机器学习算法并根据所述输出参数生成所述迭代规则。
5.如权利要求1所述的模型训练方法,其特征在于,所述迭代规则包括:
从所述输入参数中选择目标输入参数,随机更改所述目标输入参数的数值;
或,从所述输入参数中选择目标输入参数,按百分比上调所述目标输入参数的数值;
或,从所述输入参数中选择目标输入参数,按百分比下调所述目标输入参数的数值。
6.如权利要求1-5中任意一项所述的模型训练方法,其特征在于,将输入参数输入仿真模型的步骤之前,所述模型训练方法还包括:
设置所述仿真模型的仿真速率。
7.一种模型训练系统,其特征在于,所述模型训练系统包括:
仿真服务器,用于将输入参数输入仿真模型进行仿真,并获取所述仿真模型的输出参数;
调度服务器,用于判断所述输出参数的数值是否满足优化目标值;
在判断为否时,所述调度服务器还用于根据迭代规则调整所述输入参数的数值并调用所述仿真服务器。
8.如权利要求7所述的模型训练系统,其特征在于,所述调度服务器包括:迭代规则获取模块;
所述迭代规则获取模块用于获取所述迭代规则。
9.如权利要求7所述的模型训练系统,其特征在于,所述模型训练系统还包括:学习服务器;
在判断为否时,所述调度服务器还用于调用所述学习服务器;
所述学习服务器用于根据所述输出参数生成所述迭代规则。
10.如权利要求9所述的模型训练系统,其特征在于,所述学习服务器具体用于基于深度学习算法和/或机器学习算法并根据所述输出参数生成所述迭代规则。
11.如权利要求7所述的模型训练系统,其特征在于,所述迭代规则包括:
从所述输入参数中选择目标输入参数,随机更改所述目标输入参数的数值;
或,从所述输入参数中选择目标输入参数,按百分比上调所述目标输入参数的数值;
或,从所述输入参数中选择目标输入参数,按百分比下调所述目标输入参数的数值。
12.如权利要求7-11中任意一项所述的模型训练系统,其特征在于,所述仿真服务器包括:速率设置模块;
所述速率设置模块用于设置所述仿真模型的仿真速率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810155550.9A CN110187647B (zh) | 2018-02-23 | 2018-02-23 | 模型训练方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810155550.9A CN110187647B (zh) | 2018-02-23 | 2018-02-23 | 模型训练方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110187647A true CN110187647A (zh) | 2019-08-30 |
CN110187647B CN110187647B (zh) | 2024-08-16 |
Family
ID=67713541
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810155550.9A Active CN110187647B (zh) | 2018-02-23 | 2018-02-23 | 模型训练方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110187647B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110764315A (zh) * | 2019-10-28 | 2020-02-07 | 深圳市华星光电技术有限公司 | 液晶配向力仿真方法、系统、设备及存储介质 |
CN111260134A (zh) * | 2020-01-17 | 2020-06-09 | 南京星火技术有限公司 | 调试辅助设备、装置、产品调试设备和计算机可读介质 |
CN111274727A (zh) * | 2020-01-17 | 2020-06-12 | 南京星火技术有限公司 | 电子设备、微波产品模型设计装置和计算机可读介质 |
CN111340217A (zh) * | 2020-02-24 | 2020-06-26 | 南京星火技术有限公司 | 电子设备、神经网络训练装置和计算机可读介质 |
CN111461454A (zh) * | 2020-04-14 | 2020-07-28 | 珠海格力电器股份有限公司 | 最优能效的自动仿真方法及系统 |
CN112485260A (zh) * | 2020-11-26 | 2021-03-12 | 常州微亿智造科技有限公司 | 工件缺陷检测方法及装置 |
CN113205070A (zh) * | 2021-05-27 | 2021-08-03 | 三一专用汽车有限责任公司 | 视觉感知算法优化方法及系统 |
CN113627087A (zh) * | 2021-08-23 | 2021-11-09 | 中机中联工程有限公司 | 基于物流仿真与机器学习的生产系统参数自适应优化方法 |
CN114550851A (zh) * | 2022-02-25 | 2022-05-27 | 北京理工大学 | 一种脆性材料本构模型参数优化方法及系统 |
WO2023004593A1 (zh) * | 2021-07-27 | 2023-02-02 | 华为技术有限公司 | 用于对电路进行仿真的方法、介质、程序产品以及电子设备 |
WO2023193236A1 (zh) * | 2022-04-08 | 2023-10-12 | 宁德时代新能源科技股份有限公司 | Agv系统以及agv调度方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102593830A (zh) * | 2012-03-13 | 2012-07-18 | 河海大学 | 一种电力系统模型参数并行辨识方法 |
CN103544351A (zh) * | 2013-10-25 | 2014-01-29 | 北京世纪高通科技有限公司 | 一种对仿真模型调整参数的方法及装置 |
CN104346629A (zh) * | 2014-10-24 | 2015-02-11 | 华为技术有限公司 | 一种模型参数训练方法、装置及系统 |
CN106874616A (zh) * | 2017-03-06 | 2017-06-20 | 北京经纬恒润科技有限公司 | 一种参数优化调整方法及系统 |
US20170300814A1 (en) * | 2016-04-13 | 2017-10-19 | Google Inc. | Wide and deep machine learning models |
-
2018
- 2018-02-23 CN CN201810155550.9A patent/CN110187647B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102593830A (zh) * | 2012-03-13 | 2012-07-18 | 河海大学 | 一种电力系统模型参数并行辨识方法 |
CN103544351A (zh) * | 2013-10-25 | 2014-01-29 | 北京世纪高通科技有限公司 | 一种对仿真模型调整参数的方法及装置 |
CN104346629A (zh) * | 2014-10-24 | 2015-02-11 | 华为技术有限公司 | 一种模型参数训练方法、装置及系统 |
US20170300814A1 (en) * | 2016-04-13 | 2017-10-19 | Google Inc. | Wide and deep machine learning models |
CN106874616A (zh) * | 2017-03-06 | 2017-06-20 | 北京经纬恒润科技有限公司 | 一种参数优化调整方法及系统 |
Non-Patent Citations (1)
Title |
---|
郑琪: "嵌入式系统及其软件理论与实践 基于超系统论", 30 November 2015, 北京航空航天大学出版社, pages: 77 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110764315A (zh) * | 2019-10-28 | 2020-02-07 | 深圳市华星光电技术有限公司 | 液晶配向力仿真方法、系统、设备及存储介质 |
CN110764315B (zh) * | 2019-10-28 | 2022-05-03 | Tcl华星光电技术有限公司 | 液晶配向力仿真方法、系统、设备及存储介质 |
CN111260134A (zh) * | 2020-01-17 | 2020-06-09 | 南京星火技术有限公司 | 调试辅助设备、装置、产品调试设备和计算机可读介质 |
CN111274727A (zh) * | 2020-01-17 | 2020-06-12 | 南京星火技术有限公司 | 电子设备、微波产品模型设计装置和计算机可读介质 |
CN111340217A (zh) * | 2020-02-24 | 2020-06-26 | 南京星火技术有限公司 | 电子设备、神经网络训练装置和计算机可读介质 |
CN111461454B (zh) * | 2020-04-14 | 2022-04-01 | 珠海格力电器股份有限公司 | 最优能效的自动仿真方法及系统 |
CN111461454A (zh) * | 2020-04-14 | 2020-07-28 | 珠海格力电器股份有限公司 | 最优能效的自动仿真方法及系统 |
CN112485260A (zh) * | 2020-11-26 | 2021-03-12 | 常州微亿智造科技有限公司 | 工件缺陷检测方法及装置 |
CN112485260B (zh) * | 2020-11-26 | 2023-01-03 | 常州微亿智造科技有限公司 | 工件缺陷检测方法及装置 |
CN113205070A (zh) * | 2021-05-27 | 2021-08-03 | 三一专用汽车有限责任公司 | 视觉感知算法优化方法及系统 |
CN113205070B (zh) * | 2021-05-27 | 2024-02-20 | 三一专用汽车有限责任公司 | 视觉感知算法优化方法及系统 |
WO2023004593A1 (zh) * | 2021-07-27 | 2023-02-02 | 华为技术有限公司 | 用于对电路进行仿真的方法、介质、程序产品以及电子设备 |
CN113627087A (zh) * | 2021-08-23 | 2021-11-09 | 中机中联工程有限公司 | 基于物流仿真与机器学习的生产系统参数自适应优化方法 |
CN113627087B (zh) * | 2021-08-23 | 2023-11-03 | 中机中联工程有限公司 | 基于物流仿真与机器学习的生产系统参数自适应优化方法 |
CN114550851A (zh) * | 2022-02-25 | 2022-05-27 | 北京理工大学 | 一种脆性材料本构模型参数优化方法及系统 |
WO2023193236A1 (zh) * | 2022-04-08 | 2023-10-12 | 宁德时代新能源科技股份有限公司 | Agv系统以及agv调度方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110187647B (zh) | 2024-08-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110187647A (zh) | 模型训练方法及系统 | |
CN108121216B (zh) | 一种基于数字化工厂的自动化车间虚拟调试方法 | |
US6820042B1 (en) | Mixed mode network simulator | |
CN106681826B (zh) | 丛集运算架构的资源规划方法、系统及装置 | |
CN110378699A (zh) | 一种交易反欺诈方法、装置及系统 | |
TW201835821A (zh) | 工作計劃最佳化裝置及工作計劃最佳化方法 | |
CN106647336A (zh) | 一种基于仿真的飞机装配过程智能监控系统 | |
Göppert et al. | Automated scenario analysis of reinforcement learning controlled line-less assembly systems | |
US7353160B2 (en) | Method for controlling sequential object-oriented system-simulations | |
Lugaresi et al. | Generation and tuning of discrete event simulation models for manufacturing applications | |
CN111722539A (zh) | 一种基于时间自动机的数字孪生制造单元行为建模方法 | |
CN108198268B (zh) | 一种生产设备数据标定方法 | |
Xia et al. | Virtual comissioning of manufacturing system intelligent control | |
CN115145817A (zh) | 一种软件测试方法、装置、设备及可读存储介质 | |
CN105205545A (zh) | 一种运用仿真实验优化物流系统的方法 | |
Peng et al. | Real-time control and scheduling of flexible manufacturing systems: an ordinal optimisation based approach | |
CN117149410A (zh) | 一种基于ai智能模型训练调度指挥监控系统 | |
JP5023414B2 (ja) | 生産計画評価方法およびシステム | |
Hoover et al. | Industry 4.0 trends in intelligent manufacturing automation exploring machine learning | |
Chen | Predicting wafer-lot output time with a hybrid FCM–FBPN approach | |
Irdem et al. | An experimental study of an iterative simulation-optimization algorithm for production planning | |
Priggemeyer et al. | Simulation-based control of reconfigurable robotic workcells: interactive planning and execution of processes in cyber-physical systems | |
Valeev et al. | Intelligent Decision Support System of Operation Sequencing of Technological Processes Planning | |
Singh et al. | Investigation of different inputs and a new release policy in the proposed simulation model for wafer fabrication system | |
Sakr et al. | A discrete event simulation logic for semiconductor production planning and control within industry 4.0 paradigm |
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 |