CN110782012A - 一种危化品车辆运输状态自学习预警模型的搭建方法 - Google Patents

一种危化品车辆运输状态自学习预警模型的搭建方法 Download PDF

Info

Publication number
CN110782012A
CN110782012A CN201910999064.XA CN201910999064A CN110782012A CN 110782012 A CN110782012 A CN 110782012A CN 201910999064 A CN201910999064 A CN 201910999064A CN 110782012 A CN110782012 A CN 110782012A
Authority
CN
China
Prior art keywords
layer
sparse
boltzmann machine
limited boltzmann
early warning
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.)
Pending
Application number
CN201910999064.XA
Other languages
English (en)
Inventor
张露
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Quzhou University
Original Assignee
Quzhou University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Quzhou University filed Critical Quzhou University
Priority to CN201910999064.XA priority Critical patent/CN110782012A/zh
Publication of CN110782012A publication Critical patent/CN110782012A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/083—Shipping
    • 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G06Q50/265—Personal security, identity or safety

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Tourism & Hospitality (AREA)
  • Computational Linguistics (AREA)
  • Economics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Human Resources & Organizations (AREA)
  • General Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Computer Security & Cryptography (AREA)
  • Primary Health Care (AREA)
  • Educational Administration (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明公开了一种危化品车辆运输状态自学习预警模型的搭建方法，包括：获取危化品车辆运输状态的多维度和多类型监测样本数据；参照深度置信网络的构架，在受限玻尔兹曼机中加入稀疏表示，形成稀疏受限玻尔兹曼机；基于所述稀疏受限玻尔兹曼机构建稀疏深度置信网络分类模型，结合所述危化品车辆运输状态的多维度和多类型监测样本数据，搭建基于稀疏深度置信网络的危化品车辆运输状态自学习预警模型。本发明采用合理的预警判断规则和预警手段，能在发现设各隐患时，及时预警，及时指导救援工作的开展。

Description

一种危化品车辆运输状态自学习预警模型的搭建方法
技术领域
本发明涉及危化品运输技术领域，具体地说，特别涉及一种基于稀疏受限玻尔兹曼机的危化品车辆运输状态自学习预警模型的搭建方法。
背景技术
危险化学品，指有爆炸、易燃、毒害、腐蚀、放射性等性质，在运输、装卸和储存保管过程中，易造成人身伤亡和财产损毁而需要特别防护的物品，简称危化品。在工业生产相关的各个环节中，危化品以不同的角色参与其中，有时是原材料或产品，有时则是燃料。运输是其在各个环节转移的重要手段，但是由于危化品的特殊性质，需要较高运输技术，才能确保运输任务安全顺利完成同时使人民的生命和财产免于损害。
危化品运输事故造成的损失往往都是难以估算的，这让各国政府以及研究者早早意识到危化品管理的重要性。危化品运输风险评估作为危化品管理中重要的一环，因此对于运输风险的研究相当重视。
基于深度神经网络的危化品运输车辆异常自学习预警模型。运输过程是一个连续过程，车辆、运输物品、司乘人员、车况路况等均在变化，系统需要不断提高“智能”程度去适应变化的运输过程。
发明内容
为了解决现有技术的问题，本发明实施例提供了一种危化品车辆运输状态自学习预警模型的搭建方法。所述技术方案如下：
一方面，提供了一种危化品车辆运输状态自学习预警模型的搭建方法，包括：
1)获取危化品车辆运输状态的多维度和多类型监测样本数据；
2)参照深度置信网络的构架，在受限玻尔兹曼机中加入稀疏表示，形成稀疏受限玻尔兹曼机；
3)基于所述稀疏受限玻尔兹曼机构建稀疏深度置信网络分类模型，结合所述危化品车辆运输状态的多维度和多类型监测样本数据，搭建基于稀疏深度置信网络的危化品车辆运输状态自学习预警模型。
进一步地，所述步骤1)具体为：在数据结构化的基础上，以历史数据为样本，设计无监督学习算法，先对数据进行聚类，然后再使用人工标定的方式区分正常和异常数据，完成自学习过程，从而获取危化品车辆运输状态的多维度和多类型监测样本数据。
进一步地，所述无监督学习算法采用SOM算法。
进一步地，所述步骤2)具体为：对于传统的深度置信网络模型，在预训练阶段中的每一层受限玻尔兹曼机训练过程中采用对数和范数作为稀疏惩罚项，得到稀疏受限玻尔兹曼机；将多个稀疏受限玻尔兹曼机按照所述深度置信网络模型框架堆叠，最后在调优阶段引入BP算法进行有监督学习，得到稀疏深度置信网络模型。
进一步地，所述受限玻尔兹曼机的组成部分分为可见层和隐含层，隐含层和可见层之间的神经元全连接，每层层内的神经元之间无连接关系；所述受限玻尔兹曼机对样本的内在分布特征进行学习；
由于所述受限玻尔兹曼机规定层与层之间以及同层内的神经元之间的连接关系，隐含层和可见层的神经元均要从Boltzmann分布，因此在已知可见层各神经元状态的前提下，通过相应的激活函数求取隐含层的各神经元状P(h|v)，求取隐含层后同理求得重构的可见层状态P(v′|h)；通过不断的调整参数使得重构误差小到一个足以接受的范围时，认定所述受限玻尔兹曼机对训练样本的特征提取能力已足够强。
进一步地，所述深度置信网络模型由多个受限玻尔兹曼机堆叠而成，每个受限玻尔兹曼机训练后的输出数据，将作为后一个受限玻尔兹曼机的输入，依次逐层地进行训练、传递便形成了完整的深度置信网络结构，通过逐层贪婪训练的方式从样本中提取更表征能力、更抽象的特征向量，最后在顶层上引入BP算法对深度置信网络网络参数进行全局调优。
进一步地，所述步骤3)具体为：使用自学习中的指标参数作为输入特征量，根据运输过程中异常情况的统计，使预警系统的输出项尽可能的覆盖异常情况类别，将稀疏受限玻尔兹曼机作为深度置信网络的底层，形成基于稀疏受限玻尔兹曼机危化品车辆运输预警模型，模型的输入为危化品运输车辆监测指标的归一化数据，经过多层稀疏受限玻尔兹曼机的特征提取后，最后经顶层采用softmax分类器的BP神经网络输出该样本属于不同情况的概率，将概率值最大的一项作为该样本的最终结果。
本发明实施例提供的技术方案带来的有益效果是：
本发明提供的一种危化品车辆运输状态自学习预警模型的搭建方法，采用参照深度置信网络的构架，在受限玻尔兹曼机(Restricted Boltzmann Machine,受限玻尔兹曼机)中加入稀疏表示，形成稀疏受限玻尔兹曼机，再基于稀疏受限玻尔兹曼机构建了稀疏深度置信网络分类模型，结合危化品车辆运输状态的多维度和多类型监测样本数据，搭建基于稀疏深度置信网络的危化品车辆运输状态自学习预警模型；采用合理的预警判断规则和预警手段，能在发现设各隐患时，及时预警，及时指导救援工作的开展。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例的危化品车辆运输状态自学习预警模型的搭建方法的流程图；
图2是本发明实施例的自组织神经网络示意图；
图3是本发明实施例的危化品运输数据模拟聚类结果示意图；
图4是本发明实施例的RBM网络模型图；
图5是本发明实施例的深度置信网络结构图；
图6是本发明实施例的危化品车辆运输预警模型训练过程流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。
本发明提供了一种危化品车辆运输状态自学习预警模型的搭建方法，参见图1，包括：
S100：获取危化品车辆运输状态的多维度和多类型监测样本数据；
本实施例中，危化品车辆运输状态的多维度和多类型监测样本数据通过危化品运输数据异常自学习获取。
具体地，从远端获取的数据量庞大，且系统建立时，并没有标定出哪类数据为正常数据，哪类数据为异常数据。人工标定工作量巨大，且误差较大，因此，在数据结构化的基础上，以历史数据为样本，设计无监督学习算法，先对数据进行聚类，然后再使用人工标定的方式区分正常和异常数据，完成自学习过程。
无监督学习算法，采用SOM算法。它的思想很简单，本质上是一种只有输入层--隐藏层的神经网络。隐藏层中的一个节点代表一个需要聚成的类。训练时采用“竞争学习”的方式，每个输入的样例在隐藏层中找到一个和它最匹配的节点，称为它的激活节点，也叫“winning neuron”。紧接着用随机梯度下降法更新激活节点的参数。同时，和激活节点临近的点也根据它们距离激活节点的远近而适当地更新参数。
所以，SOM的一个特点是隐藏层的节点是有拓扑关系的。这个拓扑关系需要我们确定，如果想要一维的模型，那么隐藏节点依次连成一条线；如果想要二维的拓扑关系，那么就行成一个平面，如图2所示(也叫Kohonen Network)；
既然隐藏层是有拓扑关系的，所以我们也可以说，SOM可以把任意维度的输入离散化到一维或者二维(更高维度的不常见)的离散空间上。Computation layer里面的节点与Input layer的节点是全连接的。
拓扑关系确定后，开始计算过程，大体分成几个部分：
a)初始化：每个节点随机初始化自己的参数。每个节点的参数个数与Input的维度相同。
b)对于每一个输入数据，找到与它最相配的节点。假设输入时D维的，即X＝{xi,i＝1,...,D}，那么判别函数可以为欧几里得距离：
Figure BDA0002240701940000051
c)找到激活节点I(x)之后，我们也希望更新和它临近的节点。令Sij表示节点i和j之间的距离，对于I(x)临近的节点，分配给它们一个更新权重：
Tj，I(x)＝exp(-s2 j，I(x)/2σ2)
简单地说，临近的节点根据距离的远近，更新程度要打折扣。
d)接着就是更新节点的参数了。按照梯度下降法更新：
Δwji＝τ(t)*Tj，I(x)*(xi-wji)
迭代，直到收敛。SOM可有效区分数据类别，收敛效果如图3所示；
得到数据分类后，人工标定正常数据和异常数据，完成自学习过程。
S200：参照深度置信网络的构架，在受限玻尔兹曼机中加入稀疏表示，形成稀疏受限玻尔兹曼机；
具体地，受限玻尔兹曼机(Restricted Boltzmann Machine,RBM)最早源于统计物理，是神经网络随机递归类型中的一个类型。它由能量函数定义，并且具有对称结构，具有多种功能特点。首先，RBM的组成部分分为可见层和隐含层，隐含层和可见层之间的神经元全连接，每层层内的神经元之间无连接关系。其次，RBM在对抽象变量的处理上具有较强的能力，主要表现在可以对复杂变量进行描述。最重要的一点在于，RBM可以对样本的内在分布特征进行学习。RBM的网络模型如图4所示。
由于RBM规定了层与层之间以及同层内的神经元之间的连接关系，隐含层和可见层的神经元均要从Boltzmann分布，因此在已知可见层各神经元状态的前提下，可以通过相应的激活函数求取隐含层的各神经元状P(h|v)，求取隐含层后可同理求得重构的可见层状态P(v′|h)。通过不断的调整参数使得重构误差小到一个足以接受的范围时，认为该RMB对训练样本的特征提取能力已足够强。
深度置信网络(Deep Believe Network,DBN)模型由多个RBM堆叠而成，每个RBM训练后的输出数据，将作为后一个RBM的输入，这样依次逐层地进行训练、传递便形成了完整的DBN结构，通过这种逐层贪婪训练的方式可以从样本中提取更表征能力、更抽象的特征向量，最后在顶层上引入BP算法对DBN网络参数进行全局调优。深度置信网络结构图如图5所示。
S300：基于所述稀疏受限玻尔兹曼机构建稀疏深度置信网络分类模型，结合所述危化品车辆运输状态的多维度和多类型监测样本数据，搭建基于稀疏深度置信网络的危化品车辆运输状态自学习预警模型。
具体地，对于传统的DBN模型，在预训练阶段中的每一层RBM训练过程中采用对数和范数作为稀疏惩罚项，即可得到稀疏受限玻尔兹曼机(即Logsum-RBM)。将多个Logsum-RBM按照DBN模型框架堆叠，最后在调优阶段引入BP算法进行有监督学习，即可得到稀疏深度置信网络模型(即Logsum-DBN)。
使用自学习中的指标参数作为输入特征量，根据运输过程中异常情况的统计，使预警系统的输出项尽可能的覆盖异常情况类别，将LogSum-RBM作为DBN的底层，形成基于LogSum-DBN危化品车辆运输预警模型，模型的输入为危化品运输车辆监测指标的归一化数据，经过多层LogSum-RBM的特征提取后，最后经顶层采用softmax分类器的BP神经网络输出该样本属于不同情况的概率，将概率值最大的一项作为该样本的最终结果。危化品车辆运输预警模型训练过程流程图如图6所示。
本发明实施例提供的技术方案带来的有益效果是：
本发明提供的一种危化品车辆运输状态自学习预警模型的搭建方法，采用参照深度置信网络的构架，在受限玻尔兹曼机(Restricted Boltzmann Machine,受限玻尔兹曼机)中加入稀疏表示，形成稀疏受限玻尔兹曼机，再基于稀疏受限玻尔兹曼机构建了稀疏深度置信网络分类模型，结合危化品车辆运输状态的多维度和多类型监测样本数据，搭建基于稀疏深度置信网络的危化品车辆运输状态自学习预警模型；采用合理的预警判断规则和预警手段，能在发现设各隐患时，及时预警，及时指导救援工作的开展。
以上仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种危化品车辆运输状态自学习预警模型的搭建方法，其特征在于，包括：
1)获取危化品车辆运输状态的多维度和多类型监测样本数据；
2)参照深度置信网络的构架，在受限玻尔兹曼机中加入稀疏表示，形成稀疏受限玻尔兹曼机；
3)基于所述稀疏受限玻尔兹曼机构建稀疏深度置信网络分类模型，结合所述危化品车辆运输状态的多维度和多类型监测样本数据，搭建基于稀疏深度置信网络的危化品车辆运输状态自学习预警模型。
2.如权利要求1所述的方法，其特征在于，所述步骤1)具体为：在数据结构化的基础上，以历史数据为样本，设计无监督学习算法，先对数据进行聚类，然后再使用人工标定的方式区分正常和异常数据，完成自学习过程，从而获取危化品车辆运输状态的多维度和多类型监测样本数据。
3.如权利要求2所述的方法，其特征在于，所述无监督学习算法采用SOM算法。
4.如权利要求3所述的方法，其特征在于，所述步骤2)具体为：对于传统的深度置信网络模型，在预训练阶段中的每一层受限玻尔兹曼机训练过程中采用对数和范数作为稀疏惩罚项，得到稀疏受限玻尔兹曼机；将多个稀疏受限玻尔兹曼机按照所述深度置信网络模型框架堆叠，最后在调优阶段引入BP算法进行有监督学习，得到稀疏深度置信网络模型。
5.如权利要求4所述的方法，其特征在于，所述受限玻尔兹曼机的组成部分分为可见层和隐含层，隐含层和可见层之间的神经元全连接，每层层内的神经元之间无连接关系；所述受限玻尔兹曼机对样本的内在分布特征进行学习；
由于所述受限玻尔兹曼机规定层与层之间以及同层内的神经元之间的连接关系，隐含层和可见层的神经元均要从Boltzmann分布，因此在已知可见层各神经元状态的前提下，通过相应的激活函数求取隐含层的各神经元状P(h|v)，求取隐含层后同理求得重构的可见层状态P(v′|h)；通过不断的调整参数使得重构误差小到一个足以接受的范围时，认定所述受限玻尔兹曼机对训练样本的特征提取能力已足够强。
6.如权利要求5所述的方法，其特征在于，所述深度置信网络模型由多个受限玻尔兹曼机堆叠而成，每个受限玻尔兹曼机训练后的输出数据，将作为后一个受限玻尔兹曼机的输入，依次逐层地进行训练、传递便形成了完整的深度置信网络结构，通过逐层贪婪训练的方式从样本中提取更表征能力、更抽象的特征向量，最后在顶层上引入BP算法对深度置信网络网络参数进行全局调优。
7.如权利要求6所述的方法，其特征在于，所述步骤3)具体为：使用自学习中的指标参数作为输入特征量，根据运输过程中异常情况的统计，使预警系统的输出项尽可能的覆盖异常情况类别，将稀疏受限玻尔兹曼机作为深度置信网络的底层，形成基于稀疏受限玻尔兹曼机危化品车辆运输预警模型，模型的输入为危化品运输车辆监测指标的归一化数据，经过多层稀疏受限玻尔兹曼机的特征提取后，最后经顶层采用softmax分类器的BP神经网络输出该样本属于不同情况的概率，将概率值最大的一项作为该样本的最终结果。
CN201910999064.XA 2019-10-21 2019-10-21 一种危化品车辆运输状态自学习预警模型的搭建方法 Pending CN110782012A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910999064.XA CN110782012A (zh) 2019-10-21 2019-10-21 一种危化品车辆运输状态自学习预警模型的搭建方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910999064.XA CN110782012A (zh) 2019-10-21 2019-10-21 一种危化品车辆运输状态自学习预警模型的搭建方法

Publications (1)

Publication Number Publication Date
CN110782012A true CN110782012A (zh) 2020-02-11

Family

ID=69386136

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910999064.XA Pending CN110782012A (zh) 2019-10-21 2019-10-21 一种危化品车辆运输状态自学习预警模型的搭建方法

Country Status (1)

Country Link
CN (1) CN110782012A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112132331A (zh) * 2020-09-15 2020-12-25 宝信软件(武汉)有限公司 一种基于深度学习的炼钢系统预警方法和系统
CN112270517A (zh) * 2020-11-17 2021-01-26 北京化工大学 一种基于变权风险的危险化学品多仓库车辆路径优化方法
CN113205242A (zh) * 2021-04-01 2021-08-03 衢州学院 一种危化品车辆运输状态全感知系统
CN113256019A (zh) * 2021-06-15 2021-08-13 浙江中海达空间信息技术有限公司 一种基于无监督表征学习的地质灾害隐患敏感性预测方法

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101561651B1 (ko) * 2014-05-23 2015-11-02 서강대학교산학협력단 딥 빌리프 네트워크를 이용한 음성기반 호불호 검출방법 및 장치, 그를 기록한 기록매체
CN105245608A (zh) * 2015-10-23 2016-01-13 同济大学 基于自编码网络的车联网网络节点筛选及其通达性路由构建方法
CN107122747A (zh) * 2017-04-28 2017-09-01 北京理工大学 一种轨道车辆车厢状态非接触检测装置及方法
CN107368076A (zh) * 2017-07-31 2017-11-21 中南大学 一种智能环境下机器人运动路径深度学习控制规划方法
CN108108832A (zh) * 2017-11-20 2018-06-01 淮阴工学院 一种基于无线传感器网络的油罐车油气泄漏智能监测系统
CN108122048A (zh) * 2017-11-23 2018-06-05 浙江专线宝网阔物联科技有限公司 一种运输路径调度方法及其系统
US20180189229A1 (en) * 2017-01-04 2018-07-05 Stmicroelectronics S.R.L. Deep convolutional network heterogeneous architecture
CN108694516A (zh) * 2018-06-11 2018-10-23 北京石油化工学院 一种基于大数据的危化品运输风险预测方法
CN108875772A (zh) * 2018-03-30 2018-11-23 浙江大学 一种基于堆叠稀疏高斯伯努利受限玻尔兹曼机和强化学习的故障分类模型及方法
CN109799700A (zh) * 2019-02-20 2019-05-24 广东工业大学 一种基于模糊神经网络的危化品运输预警系统
CN110210569A (zh) * 2019-06-06 2019-09-06 南京工业大学 基于fcm-lstm的化工储罐异常检测算法研究

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101561651B1 (ko) * 2014-05-23 2015-11-02 서강대학교산학협력단 딥 빌리프 네트워크를 이용한 음성기반 호불호 검출방법 및 장치, 그를 기록한 기록매체
CN105245608A (zh) * 2015-10-23 2016-01-13 同济大学 基于自编码网络的车联网网络节点筛选及其通达性路由构建方法
US20180189229A1 (en) * 2017-01-04 2018-07-05 Stmicroelectronics S.R.L. Deep convolutional network heterogeneous architecture
CN107122747A (zh) * 2017-04-28 2017-09-01 北京理工大学 一种轨道车辆车厢状态非接触检测装置及方法
CN107368076A (zh) * 2017-07-31 2017-11-21 中南大学 一种智能环境下机器人运动路径深度学习控制规划方法
CN108108832A (zh) * 2017-11-20 2018-06-01 淮阴工学院 一种基于无线传感器网络的油罐车油气泄漏智能监测系统
CN108122048A (zh) * 2017-11-23 2018-06-05 浙江专线宝网阔物联科技有限公司 一种运输路径调度方法及其系统
CN108875772A (zh) * 2018-03-30 2018-11-23 浙江大学 一种基于堆叠稀疏高斯伯努利受限玻尔兹曼机和强化学习的故障分类模型及方法
CN108694516A (zh) * 2018-06-11 2018-10-23 北京石油化工学院 一种基于大数据的危化品运输风险预测方法
CN109799700A (zh) * 2019-02-20 2019-05-24 广东工业大学 一种基于模糊神经网络的危化品运输预警系统
CN110210569A (zh) * 2019-06-06 2019-09-06 南京工业大学 基于fcm-lstm的化工储罐异常检测算法研究

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
BONELEE: "Self Organizing Maps (SOM): 一种基于神经网络的聚类算法，本质上感觉和kmeans迭代没啥区别", 《HTTPS://WWW.CNBLOGS.COM/BONELEE/P/8191539.HTML》 *
LEAVINGSEASON: "Self Organizing Maps (SOM): 一种基于神经网络的聚类算法", 《HTTPS://WWW.CNBLOGS.COM/SYLVANAS2012/P/5117056.HTML》 *
NANNAN JI 等: "Enhancing performance of restricted Boltzmann machines via log-sum regularization", 《SCIENCEDIRECT》 *
U010540396: "自组织神经网络SOM原理——结合例子MATLAB实现", 《HTTPS://WWW.ITDAAN.COM/BLOG/2016/10/04/EADCD0731EEABC119DD37F113E180762.HTML》 *
张艳霞: "基于受限玻尔兹曼机的深度学习模型及其应用", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112132331A (zh) * 2020-09-15 2020-12-25 宝信软件(武汉)有限公司 一种基于深度学习的炼钢系统预警方法和系统
CN112270517A (zh) * 2020-11-17 2021-01-26 北京化工大学 一种基于变权风险的危险化学品多仓库车辆路径优化方法
CN113205242A (zh) * 2021-04-01 2021-08-03 衢州学院 一种危化品车辆运输状态全感知系统
CN113256019A (zh) * 2021-06-15 2021-08-13 浙江中海达空间信息技术有限公司 一种基于无监督表征学习的地质灾害隐患敏感性预测方法

Similar Documents

Publication Publication Date Title
CN110782012A (zh) 一种危化品车辆运输状态自学习预警模型的搭建方法
CN110263227B (zh) 基于图神经网络的团伙发现方法和系统
CN108091111B (zh) 一种油罐车油气泄漏智能预警系统
Murphey et al. Neural learning from unbalanced data
CN111222133A (zh) 一种工控网络入侵检测的多级自适应耦合方法
CN104834748A (zh) 一种利用基于深度语义排序哈希编码的图像检索方法
KR20180120056A (ko) 학습 데이터 전처리 방법 및 시스템
CN110929843A (zh) 一种基于改进深度自编码网络的异常用电行为辨识方法
CN111665819A (zh) 一种基于深度学习多模型融合的复杂化工过程故障诊断方法
Dahal et al. GA-based learning for rule identification in fuzzy neural networks
Asadi et al. Complexity-based parallel rule induction for multiclass classification
CN115409099A (zh) 一种物联网流量异常检测模型建立方法及检测方法
Chen et al. Application of improved convolutional neural network in image classification
CN114021935A (zh) 基于改进卷积神经网络模型的水产品安全预警方法
CN113191926A (zh) 基于深度集成学习网络的粮油农作物供应链危害物辨识方法及系统
Zhang et al. Hierarchical polynomial-based fuzzy neural networks driven with the aid of hybrid network architecture and ranking-based neuron selection strategies
US20230206063A1 (en) Method for generating a trained convolutional neural network including an invariant integration layer for classifying objects
CN114386494A (zh) 基于可扩展本体的产品全生命周期质量追溯方法和装置
Huang Building the hierarchical Choquet integral as an explainable AI classifier via neuroevolution and pruning
CN107808164A (zh) 一种基于烟花算法的纹理图像特征选择方法
Bai et al. Manufacturing quality prediction based on two-step feature learning approach
Ng et al. Stability and generalization of graph convolutional networks in eigen-domains
Titova et al. Non-destructive diagnosis of food products using neural-genetic algorithm
Jiang et al. A CTR prediction approach for advertising based on embedding model and deep learning
Tej et al. Comparative study of clustering distance measures to determine neural network architectures

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20200211

RJ01 Rejection of invention patent application after publication