CN111123884A - 一种基于模糊神经网络的测试性评估方法及系统 - Google Patents
一种基于模糊神经网络的测试性评估方法及系统 Download PDFInfo
- Publication number
- CN111123884A CN111123884A CN201911085106.5A CN201911085106A CN111123884A CN 111123884 A CN111123884 A CN 111123884A CN 201911085106 A CN201911085106 A CN 201911085106A CN 111123884 A CN111123884 A CN 111123884A
- Authority
- CN
- China
- Prior art keywords
- neural network
- testability
- evaluation
- weight
- index
- 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
Images
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
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
-
- 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
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/24—Pc safety
- G05B2219/24065—Real time diagnostics
Abstract
本发明涉及电子设备设计技术领域,尤其涉及一种基于模糊神经网络的测试性评估方法及系统。所述方法包括:S1,确定设备测试性评估指标体系;S2,输入数据的模糊化处理;S3,采用训练好的所述BP神经网络进行测试性评估;S4,对所述测试性评估结果去模糊化处理;所述系统包括指标设定模块、模糊化处理模块、BP神经网络评估模块、去模糊化处理模块;本发明实施例所述系统执行上述方法,通过对测试性指标样本数据的模糊化处理,计算过程简便,信息处理速度快,采用了模糊化的运行机制,加强系统的容错能力,提高计算的准确性。
Description
技术领域
本发明涉及电子设备设计技术领域,尤其涉及一种基于模糊神经网络的测试性评估方法及系统。
背景技术
在电子设备设计时,测试性设计已经引起人们的普遍重视。良好的测试性设计不仅能有效地提高设备的可用性,维修性,保障性,而且能大大缩减设备的全寿命周期费用。为了判断测试性设计是否达到测试性需求,应进行测试性评估。
传统的测试性评估方法是通过对测试性指标,如故障检测率、故障隔离率以及故障虚警率等直接进行定量计算从而作出评价,这种方法对于单机设备具有很好的适用性。
现有技术存在以下问题:对于复杂系统来说信息处理量大、范围广,此时存在准确性和运算效率不高。
发明内容
为克服现有技术存在的问题,本发明实施例提供一种基于模糊神经网络的测试性评估方法及系统,提高了测试性评估方法的准确性和效率,是一种有效的测试性评估。
一方面本发明实施例提供一种基于模糊神经网络的测试性评估方法,包括以下步骤:
S1,确定设备测试性评估指标体系;具体包括故障检测率、故障隔离率、故障虚警率、故障检测准确率、关键功能检测覆盖率、关键性能检测覆盖率构成;
S2,输入数据的模糊化处理;具体包括选择高斯型隶属度函数对测试性指标样本数据的模糊化处理;所述高斯型隶属度函数m公式如下:
这里参数z代表测试性指标样本数据,用于指定变量的论域,c代表函数中心点,σ代表函数曲线的宽度,e是自然对数的底数;
S3,采用训练好的所述BP神经网络进行测试性评估;具体包括将模糊化处理后的所述测试指标样本输入训练好的所述BP神经网络进行测试性评估;
S4,对所述测试性评估结果去模糊化处理;具体包括当所述测试性评估结果超过设定的测试性评估阈值时就可判定为满足要求。
另一方面本发明实施例提供一种基于模糊神经网络的测试性评估系统,包括:
指标设定模块,确定设备测试性评估指标体系;具体包括故障检测率、故障隔离率、故障虚警率、故障检测准确率、关键功能检测覆盖率、关键性能检测覆盖率构成;
模糊化处理模块,输入数据的模糊化处理;具体包括选择高斯型隶属度函数对测试性指标样本数据的模糊化处理;所述高斯型隶属度函数m公式如下:
这里参数z代表测试性指标样本数据,用于指定变量的论域,c代表函数中心点,σ代表函数曲线的宽度,e是自然对数的底数;
BP神经网络评估模块,采用训练好的所述BP神经网络进行测试性评估;具体包括将模糊化处理后的所述测试指标样本输入训练好的所述BP神经网络进行测试性评估;
去模糊化处理模块,对所述测试性评估结果去模糊化处理;具体包括当所述测试性评估结果超过设定的测试性评估阈值时就可判定为满足要求。
本发明实施例提供一种基于模糊神经网络的测试性评估方法及系统,通过对测试性指标样本数据的模糊化处理,计算过程简便,信息处理速度快,采用了模糊化的运行机制,加强系统的容错能力,提高计算的准确性。
附图说明
为了更清楚地说明本发明的技术方案,下面将对本发明技术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性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例一种基于模糊神经网络的测试性评估方法流程示意图;
图2为本发明实施例BP神经网络带动量的批处理梯度下降方法流程示意图;
图3为本发明实施例一种基于模糊神经网络的测试性评估系统结构示意图;
图4为本发明实施例BP神经网络结构示意图;
附图标记:
指标设定模块-1 模糊化处理模块-2 BP神经网络评估模块-3
去模糊化处理模块-4。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1为本发明实施例一种基于模糊神经网络的测试性评估方法流程示意图;如图1所示,包括以下步骤:
S1,确定设备测试性评估指标体系;具体包括故障检测率、故障隔离率、故障虚警率、故障检测准确率、关键功能检测覆盖率、关键性能检测覆盖率构成;
S2,输入数据的模糊化处理;具体包括选择高斯型隶属度函数对测试性指标样本数据的模糊化处理;所述高斯型隶属度函数m公式如下:
这里参数z代表测试性指标样本数据,用于指定变量的论域,c代表函数中心点,σ代表函数曲线的宽度,e是自然对数的底数;
S3,采用训练好的所述BP神经网络进行测试性评估;具体包括将模糊化处理后的所述测试指标样本输入训练好的所述BP神经网络进行测试性评估;
S4,对所述测试性评估结果去模糊化处理;具体包括当所述测试性评估结果超过设定的测试性评估阈值时就可判定为满足要求。
具体地,复杂信息数据计算量大,范围广,对此选择高斯型隶属度函数对测试性指标样本数据的模糊化处理;模糊神经网络除具有一般神经网络的性质和优点外,还可以有一些特殊的性质:由于采用了模糊数学中的计算方法,使得一些处理单元的计算变得较为简便,信息处理的速度显著加快;由于采用了模糊化的运行机制,系统的容错能力大大加强。最主要的是,模糊神经网络扩大了系统处理信息的范围,即系统可同时处理确定性信息和非确定性信息;同时它大大强化了系统处理信息的手段,使系统处理信息的方法变得更加灵活。
例如下表为测试性指标样本:
对以上数据样本采用模糊神经网络进行模糊化处理,得到模糊化处理后的测试性指标样本,如下表:
BP神经网络是一种单向传播的多层前向网络。这种网络不仅有输入节点、输出节点,而且还有一层或多层隐层节点,同层节点中没有任何耦合。对于输入信号,要先向前传播到隐层节点上经过各单元的激活函数运算后,把隐层节点的输出信息传播到输出节点,最后给出输出结果;网络的学习过程由正向和反向传播两部分组成;在正向传播过程中,每一层神经元的状态只影响到下一层神经元网络;如果输出层不能得到期望输出,即不能满足实际输出值与期望输出值之间有误差,那么转入反向传播过程,将误差信号沿原来的连接通路返回,通过修改各层神经元的权值,逐次地向输入层传播去进行计算,再经过正向传播过程,这两个过程的反复运用,使得误差信号最小;将模糊化处理后的所述测试指标样本输入训练好的所述BP神经网络进行测试性评估。
通常采用的去模糊化方法主要有最大隶属度法和阈值法,前者主要用于的分类及模式识别,后者通过人为设定测试性评估阈值来判断是否发生故障。本发明实施例采用的是阈值法,即当测试性评估结果隶属度超过设定的测试性评估阈值时就可判定为测试性设计满足要求;例如:设置的测试性评估阈值为0.95,测试性评估结果0.9651>0.95,满足要求。
本发明实施例提供一种基于模糊神经网络的测试性评估方法,通过对测试性指标样本数据的模糊化处理,计算过程简便,信息处理速度快,采用了模糊化的运行机制,加强系统的容错能力,提高计算的准确性。
进一步地,所述步骤S3中训练好的所述BP神经网络,采用带动量的批处理梯度下降方法进行训练;具体包括待全部输入样本到齐,将全部误差求和累加,根据总误差修正权值。
进一步地,图2为本发明实施例BP神经网络带动量的批处理梯度下降方法流程示意图;包括以下步骤:
S31,初始化权值和阈值;
S32,给定所述输入样本x和输出值y;
S33,计算所述BP神经网络实际输出值yk;公式如下:
其中,f为转移函数,n为节点数,Wij为权值,xj为输入值;
S34,修改权值;具体包括在修改权值计算时加入动量项;计算公式如下:
Wij(t+1)=Wij(t)+ΔWij(t+1)
其中,ΔWij为权值增量,η为动量因子,α为学习因子,E为神经网络总输出误差,Ek为k层神经网络总输出误差,为神经网络输出误差对权值的梯度向量,yik为神经网络节点输出,为yik平均值;ΔWij(t+1):为修正后的权值增量;
S34,达到给定误差精度或重复S32~S33步骤达到循环次数要求,输出结果。
具体地,初始化权值和阈值建立网络,例如,设置网络隐层节点数、输出节点数、训练步长、目标误差、训练最大步数、学习速率等;输入样本到建立好的网络中进行训练,如:
最后,得到训练好的BP神经网络。
本发明实施例提供一种基于模糊神经网络的测试性评估方法,通过对测试性指标样本数据的模糊化处理,计算过程简便,信息处理速度快,采用了模糊化的运行机制,加强系统的容错能力,提高计算的准确性;带动量的批处理梯度下降方法对BP神经网络进行训练,待全部输入样本到齐,将全部误差求和累加,根据总误差修正权值,在调整权值时加入动量项,降低网络对于误差曲线局部细节的敏感性,有效抑制网络限于局部最小,加入的动量项相当于阻尼项,可以减小学习过程的震荡趋势,从而改善收敛性,提高收敛速度。
基于上述实施例,图3为本发明实施例一种基于模糊神经网络的测试性评估系统结构示意图;如图3所示,包括:
指标设定模块1,确定设备测试性评估指标体系;具体包括故障检测率、故障隔离率、故障虚警率、故障检测准确率、关键功能检测覆盖率、关键性能检测覆盖率构成;
模糊化处理模块2,输入数据的模糊化处理;具体包括选择高斯型隶属度函数对测试性指标样本数据的模糊化处理;所述高斯型隶属度函数m公式如下:
这里参数z代表测试性指标样本数据,用于指定变量的论域,c代表函数中心点,σ代表函数曲线的宽度,e是自然对数的底数;
BP神经网络评估模块3,采用训练好的所述BP神经网络进行测试性评估;具体包括将模糊化处理后的所述测试指标样本输入训练好的所述BP神经网络进行测试性评估;
去模糊化处理模块4,对所述测试性评估结果去模糊化处理;具体包括当所述测试性评估结果超过设定的测试性评估阈值时就可判定为满足要求。
本发明实施例提供一种基于模糊神经网络的测试性评估系统执行上述方法,通过对测试性指标样本数据的模糊化处理,计算过程简便,信息处理速度快,采用了模糊化的运行机制,加强系统的容错能力,提高计算的准确性。
进一步地,图4为本发明实施例BP神经网络结构示意图;如图4所示,所述BP神经网络评估模块中,所述BP神经网络采用带动量的批处理梯度下降方法进行训练;具体包括待全部输入样本到齐,将全部误差求和累加,根据总误差修正权值。所述带动量的批处理梯度下降方法包括:初始化权值和阈值;给定所述输入样本x和输出值y;计算所述BP神经网络实际输出值yk;公式如下:
其中,f为转移函数,n为节点数,Wij为权值,xj为输入值;
修改权值;具体包括在修改权值计算时加入动量项;计算公式如下:
Wij(t+1)=Wij(t)+ΔWij(t+1)
其中,ΔWij为权值增量,η为动量因子,α为学习因子,E为神经网络总输出误差,Ek为k层神经网络总输出误差,为神经网络输出误差对权值的梯度向量,yik为神经网络节点输出,yik为平均值,ΔWij(t+1):为修正后的权值增量;达到给定误差精度或重复上述步骤达到循环次数要求,输出结果。
具体地,BP神经网络模型,由输入层、隐层和输出层构成;传统BP神经网络算法收敛速度慢的特点,因此,本发明实施例采用了带动量的批处理梯度下降的思想,对BP神经网络训练方式进行改进。
本发明实施例提供一种基于模糊神经网络的测试性评估系统,通过对测试性指标样本数据的模糊化处理,计算过程简便,信息处理速度快,采用了模糊化的运行机制,加强系统的容错能力,提高计算的准确性;带动量的批处理梯度下降方法对BP神经网络进行训练,待全部输入样本到齐,将全部误差求和累加,根据总误差修正权值,在调整权值时加入动量项,降低网络对于误差曲线局部细节的敏感性,有效抑制网络限于局部最小,加入的动量项相当于阻尼项,可以减小学习过程的震荡趋势,从而改善收敛性,提高收敛速度。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (6)
1.一种基于模糊神经网络的测试性评估方法,其特征在于,包括以下步骤:
S1,确定设备测试性评估指标体系;具体包括故障检测率、故障隔离率、故障虚警率、故障检测准确率、关键功能检测覆盖率、关键性能检测覆盖率构成;
S2,输入数据的模糊化处理;具体包括选择高斯型隶属度函数对测试性指标样本数据的模糊化处理;所述高斯型隶属度函数m公式如下:
这里参数z代表测试性指标样本数据,用于指定变量的论域,c代表函数中心点,σ代表函数曲线的宽度,e是自然对数的底数;
S3,采用训练好的所述BP神经网络进行测试性评估;具体包括将模糊化处理后的所述测试指标样本输入训练好的所述BP神经网络进行测试性评估;
S4,对所述测试性评估结果去模糊化处理;具体包括当所述测试性评估结果超过设定的测试性评估阈值时就可判定为满足要求。
2.根据权利要求1所述的一种基于模糊神经网络的测试性评估方法,其特征在于,所述步骤S3中训练好的所述BP神经网络,采用带动量的批处理梯度下降方法进行训练;具体包括待全部输入样本到齐,将全部误差求和累加,根据总误差修正权值。
3.根据权利要求2所述的一种基于模糊神经网络的测试性评估方法,其特征在于,所述带动量的批处理梯度下降方法包括以下步骤:
S31,初始化权值和阈值;
S32,给定所述输入样本x和输出值y;
S33,计算所述BP神经网络实际输出值yk;公式如下:
其中,f为转移函数,n为节点数,Wij为权值,xj为输入值;
S34,修改权值;具体包括在修改权值计算时加入动量项;计算公式如下:
Wij(t+1)=Wij(t)+ΔWij(t+1)
其中,ΔWij为权值增量,η为动量因子,α为学习因子,E为神经网络总输出误差,Ek为k层神经网络总输出误差,为神经网络输出误差对权值的梯度向量,yik为神经网络节点输出,为yik平均值;ΔWij(t+1)为修正后的权值增量;
S34,达到给定误差精度或重复S32~S33步骤达到循环次数要求,输出结果。
4.一种基于模糊神经网络的测试性评估系统,其特征在于,包括:
指标设定模块(1),确定设备测试性评估指标体系;具体包括故障检测率、故障隔离率、故障虚警率、故障检测准确率、关键功能检测覆盖率、关键性能检测覆盖率构成;
模糊化处理模块(2),输入数据的模糊化处理;具体包括选择高斯型隶属度函数对测试性指标样本数据的模糊化处理;所述高斯型隶属度函数m公式如下:
这里参数z代表测试性指标样本数据,用于指定变量的论域,c代表函数中心点,σ代表函数曲线的宽度,e是自然对数的底数;
BP神经网络评估模块(3),采用训练好的所述BP神经网络进行测试性评估;具体包括将模糊化处理后的所述测试指标样本输入训练好的所述BP神经网络进行测试性评估;
去模糊化处理模块(4),对所述测试性评估结果去模糊化处理;具体包括当所述测试性评估结果超过设定的测试性评估阈值时就可判定为满足要求。
5.根据权利要求4所述的一种基于模糊神经网络的测试性评估系统,其特征在于,所述BP神经网络评估模块中,所述BP神经网络采用带动量的批处理梯度下降方法进行训练;具体包括待全部输入样本到齐,将全部误差求和累加,根据总误差修正权值。
6.根据权利要求5所述的一种基于模糊神经网络的测试性评估系统,其特征在于,所述带动量的批处理梯度下降方法包括:初始化权值和阈值;给定所述输入样本x和输出值y;计算所述BP神经网络实际输出值yk;公式如下:
其中,f为转移函数,n为节点数,Wij为权值,xj为输入值;
修改权值;具体包括在修改权值计算时加入动量项;计算公式如下:
Wij(t+1)=Wij(t)+ΔWij(t+1)
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911085106.5A CN111123884B (zh) | 2019-11-08 | 2019-11-08 | 一种基于模糊神经网络的测试性评估方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911085106.5A CN111123884B (zh) | 2019-11-08 | 2019-11-08 | 一种基于模糊神经网络的测试性评估方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111123884A true CN111123884A (zh) | 2020-05-08 |
CN111123884B CN111123884B (zh) | 2021-11-12 |
Family
ID=70495725
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911085106.5A Active CN111123884B (zh) | 2019-11-08 | 2019-11-08 | 一种基于模糊神经网络的测试性评估方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111123884B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103345245A (zh) * | 2013-07-29 | 2013-10-09 | 邵阳学院 | 多功能电机控制策略测试实验装置及其应用 |
CN104463359A (zh) * | 2014-12-01 | 2015-03-25 | 河海大学常州校区 | 一种基于bp神经网络的疏浚作业产量预测模型分析方法 |
CN108615231A (zh) * | 2018-03-22 | 2018-10-02 | 浙江科技学院 | 一种基于神经网络学习融合的全参考图像质量客观评价方法 |
CN108829936A (zh) * | 2018-05-23 | 2018-11-16 | 青岛理工大学 | 基于t-s模糊神经网络的既有重力式挡土墙技术状态评估方法 |
CN109359738A (zh) * | 2018-10-19 | 2019-02-19 | 西南交通大学 | 一种基于qpso-bp神经网络的滑坡危险性评估方法 |
-
2019
- 2019-11-08 CN CN201911085106.5A patent/CN111123884B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103345245A (zh) * | 2013-07-29 | 2013-10-09 | 邵阳学院 | 多功能电机控制策略测试实验装置及其应用 |
CN104463359A (zh) * | 2014-12-01 | 2015-03-25 | 河海大学常州校区 | 一种基于bp神经网络的疏浚作业产量预测模型分析方法 |
CN108615231A (zh) * | 2018-03-22 | 2018-10-02 | 浙江科技学院 | 一种基于神经网络学习融合的全参考图像质量客观评价方法 |
CN108829936A (zh) * | 2018-05-23 | 2018-11-16 | 青岛理工大学 | 基于t-s模糊神经网络的既有重力式挡土墙技术状态评估方法 |
CN109359738A (zh) * | 2018-10-19 | 2019-02-19 | 西南交通大学 | 一种基于qpso-bp神经网络的滑坡危险性评估方法 |
Non-Patent Citations (1)
Title |
---|
孙健: "基于改进贝叶斯正则化BP神经网络的测试性评估技术研究", 《计算机测量与控制》 * |
Also Published As
Publication number | Publication date |
---|---|
CN111123884B (zh) | 2021-11-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110047069A (zh) | 一种图像检测装置 | |
Wang et al. | Label words are anchors: An information flow perspective for understanding in-context learning | |
US20220147877A1 (en) | System and method for automatic building of learning machines using learning machines | |
EP0972252A1 (en) | System and method for telecommunications system fault diagnostics | |
CN111428866A (zh) | 一种增量学习方法、装置、存储介质及电子设备 | |
Ni et al. | Vibration-based damage localization in Ting Kau Bridge using probabilistic neural network | |
Wan et al. | Confnet: predict with confidence | |
Vasechkina et al. | Evolving polynomial neural network by means of genetic algorithm: some application examples | |
CN111123884B (zh) | 一种基于模糊神经网络的测试性评估方法及系统 | |
CN113887717A (zh) | 一种基于深度学习预测神经网络训练时长的方法 | |
Syaharuddin et al. | The formula study in determining the best number of neurons in neural network backpropagation architecture with three hidden layers | |
Skorpil et al. | Back-propagation and k-means algorithms comparison | |
Renström et al. | Fraud Detection on Unlabeled Data with Unsupervised Machine Learning | |
CN110363232B (zh) | 基于bp神经网络的毫米波探测器干扰效果评估方法 | |
Ma et al. | Temporal pyramid recurrent neural network | |
Solanke et al. | Intrusion detection using deep learning approach with different optimization | |
CN116303786B (zh) | 一种基于多维数据融合算法的区块链金融大数据管理系统 | |
Asaduzzaman et al. | Making use of damped noisy gradient in training neural network | |
Draisma et al. | A neural network applied to economic time series | |
Möller | Studying and Forecasting Trends for Cryptocurrencies Using a Machine Learning Approach | |
Hidayat et al. | The effect and impact of the electre method for sensitivity testing based on the case study selection of outstanding students | |
Sahithya et al. | Digital Design of Radial Basis Function Neural Network and Recurrent Neural Network | |
Georgieva et al. | Supervised neural network training with a hybrid global optimization technique | |
JP2023037690A (ja) | データ処理装置、深層学習の方法及びプログラム | |
Taher et al. | Using Bayesian Regression Neural Networks Model to Predict Thrombosis for Covid-19 Patients |
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 |