CN112329817A - 一种基于神经网络的采煤机稳态样本分析方法及装置 - Google Patents
一种基于神经网络的采煤机稳态样本分析方法及装置 Download PDFInfo
- Publication number
- CN112329817A CN112329817A CN202011082621.0A CN202011082621A CN112329817A CN 112329817 A CN112329817 A CN 112329817A CN 202011082621 A CN202011082621 A CN 202011082621A CN 112329817 A CN112329817 A CN 112329817A
- Authority
- CN
- China
- Prior art keywords
- state
- neural network
- steady
- mining machine
- coal mining
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 90
- 239000003245 coal Substances 0.000 title claims abstract description 65
- 238000005065 mining Methods 0.000 title claims abstract description 59
- 238000012284 sample analysis method Methods 0.000 title claims abstract description 6
- 238000000034 method Methods 0.000 claims abstract description 31
- 230000008569 process Effects 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims description 52
- 238000012360 testing method Methods 0.000 claims description 25
- 230000036541 health Effects 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 12
- 239000003550 marker Substances 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 4
- 210000002569 neuron Anatomy 0.000 abstract description 4
- 230000006870 function Effects 0.000 abstract description 3
- 230000004913 activation Effects 0.000 abstract description 2
- 210000004556 brain Anatomy 0.000 abstract description 2
- 238000005457 optimization Methods 0.000 abstract description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于神经网络的采煤机稳态样本分析方法，涉及神经网络的学习技术领域，包括以下步骤：通过对采煤机负样本数量进行判定，以实施不同的学习过程，通过模拟人脑中神经元的连接方式而来，它通过设置各种激活函数以及调整神经元之间的连接权值来进行学习修改，可用于求解各种分类以及优化问题，本发明提供的采煤机稳态样本分析方法按照采集到的数据类型，分别使用相对应的神经网络算法进行采煤机稳态样本分析；定义了三种故障数据情况下数据类型，并设计了相应的神经网络算法以及具体的操作过程。
Description
技术领域
本发明涉及神经网络的学习技术领域，更具体地说，它涉及一种基于神经网络的采煤机稳态样本分析方法及装置。
背景技术
在追求煤矿机械智能化发展的今天，对采煤机稳态的自动识别、故障判定有着重大的意义。采煤机的稳态也就是采煤机的工况，显示了采煤机的工作状态，而采煤机的工况也跟采煤机的参数息息相关，通过神经网络对采煤机参数的学习，可以在知晓采煤机参数的情况下自动识别采煤机稳态信息。但是这些方法也有一些技术问题有待解决，如采煤机系统缺少对应的稳态分析方法；在负样本过少的条件下，采煤机工作稳态特征难以学习；采煤机稳态样本下神经网络的参数难以选取调整等。
发明内容
为解决上述技术问题，本发明提供一种基于神经网络的采煤机稳态样本分析方法及装置，通过模拟人脑中神经元的连接方式而来，它通过设置各种激活函数以及调整神经元之间的连接权值来进行学习修改，可用于求解各种分类以及优化问题。
本发明的上述技术目的是通过以下技术方案得以实现的：
一种基于神经网络的采煤机稳态样本分析方法，包括以下步骤：
S1：判定采煤机负样本数量，设置阈值a，当负样本数量<a，定义为少量负样本，当负样本数量≥a，定义为足够负样本；
S2、在足够负样本条件下，将采煤机稳态依照测定模块设定对应位数的二进制数，每位数中的0和1分别表示模块状态，所有位数的二进制数表示当前条件下的采煤机稳态情况，得到稳态结果，并根据该稳态结果进行学习，学习包括以下步骤：
a1、数据处理：将原始数据归一化，按照稳态结果对应各种参数的形式进行存储；
a2、神经网络搭建：根据输入参数，设定神经网络参数输入节点数，根据输出二进制位数设定神经网络输出节点数；
a3、神经网络训练：将原始数据按照1:2～1:3分为测试数据和训练数据，将训练数据输入到神经网络中用以训练，根据反相传播算法调整内部参数，并得到预测精度；
a4、神经网络调整：调整隐含层层数和隐含层节点数，重复a3步骤，记录不同节点下的回归精度；
a5、结果选取：选取回归精度最高的神经网络参数作为最终结果，进行采煤机稳态样本智能化识别；
S3、在少量负样本条件下，将采煤机稳态依照测定模块设定对应位数的二进制数，每位数中的0和1分别表示模块状态，所有位数的二进制数表示当前条件下的采煤机稳态情况，得到稳态结果，使用三重训练算法进行学习，学习包括以下步骤：
b1、数据处理：将原始数据归一化，将有负样本的数据按照稳态结果对应各种参数的形式进行存储，并设定为L；将无负样本的数据按照同一时间的特征进行存储，并设定为U；
b2、神经网络搭建：搭建3个不同的神经网络H1、H2和H3，根据输入参数，设定神经网络参数输入节点个数，根据输出二进制位数设定神经网络输出节点数；
b3、负样本扩大：将已标记样本L(xi,yi)构造为具有差异性训练集的L1、L2和L3，同样的方法将未标记样本U(xj)构造得到训练集U1、U2和U3，根据训练集L1、L1和L3分别三个神经网络，训练完成后将U1输入到H2和H3中进行判别，若输出结果一致，则将输出结果作为稳态结果标记添加到L4中，同样，将U2输入到H1和H3中，若输出结果一致，则将输出结果作为稳态结果标记添加到L4，对U3同样处理，将U3输入到H1和H2中，若输出结果一致，则将输出结果作为稳态结果标记添加到L4中；使得L4中获得足量的负样本；
b4、神经网络训练将L1、L2、L3和L4中的负样本输入到神经网络中训练，得到最终的神经网络；
S4、在无负样本条件下，采集健康状态下采煤机的健康参数数据，将采煤机稳态情况分为正常和可能故障状态，设定健康状态下稳态结果并进行学习，学习包括以下步骤：
c1、数据处理：将原始数据归一化，将同一时间的健康参数添加稳态参数p,得到稳态参数对应的健康参数；
c2、神经网络搭建：根据输入参数，设定神经网络参数输入节点个数，根据输出为1个设定神经网络输出节点，设定隐含层为2层，隐含节点设定为
其中m＝39为输入节点数，n＝1为输出节点数，a取值1到10之间；
c3：神经网络训练：将原始数据按照1:7～1:10分为测试数据和训练数据，将训练数据输入到神经网络中用以训练，根据反向传播算法调整内部参数，并且得到预测精度，将测试样本中人工加入参数偏差极大的样本作为负样本用以测试，设定神经网络测试样本的输出值为a,定义k＝|a-0.9|为偏离参数，定义e为偏离常数，若k大于等于e,则认为测试样本为可能故障状态，若k小于e，则认为测试数据为健康状态；
c4、参数调整：分别在6-10区间内调整参数h，0.3-0.5区间内调整e，得出在无负样本条件下神经网络最优学习参数。
作为一种优选方案，采煤机稳态情况测定模块包括控制状态模块、自检状态模块、记忆截割状态模块、割煤状态模块、牵引状态模块、速度状态模块、启动状态模块、语音状态模块、割煤方向模块和配置状态模块，对应二进制数的位数与模块数量相等。
作为一种优选方案，a3过程中，将原始数据按照3：7分为测试数据和训练数据。
作为一种优选方案，b3过程中，通过boosting方法将已标记样本L(xi，yi)构造为具有差异性训练集的L1到L3。
作为一种优选方案，c3过程中，将原始数据按照1：9分为测试数据和训练数据。
一种基于神经网络的采煤机稳态样本分析，基于上述的基于神经网络的采煤机稳态样本分析方法。
综上所述，本发明具有以下有益效果：
(1)按照采集到的数据类型，分别使用相对应的神经网络算法进行采煤机稳态样本分析；
(2)定义了三种故障数据情况下数据类型，并设计了相应的神经网络算法以及具体的操作过程。
附图说明
图1是人工神经网络分类图。
具体实施方式
本说明书及权利要求并不以名称的差异来作为区分组件的方式，而是以组件在功能上的差异来作为区分的准则。如在通篇说明书及权利要求当中所提及的“包括”为一开放式用语，故应解释成“包括但不限定于”。“大致”是指在可接收的误差范围内，本领域技术人员能够在一定误差范围内解决所述技术问题，基本达到所述技术效果。
本说明书及权利要求的上下左右等方位名词，是结合附图以便于进一步说明，使得本申请更加方便理解，并不对本申请做出限定，在不同的场景中，上下、左右、里外均是相对而言。
以下结合附图对本发明作进一步详细说明。
采煤机实际运行中，由于故障成本过高，采煤机实际维护周期较短，导致采煤机稳态负样本较少，因此，需要分别对采煤机足够负样本条件下、少量负样本条件下、无负样本条件下采取不同稳态分析方法。
方法一：在足够负样本条件下，采煤机稳态情况包括十个模块分别为：控制状态、自检状态、记忆截割状态、割煤状态、牵引状态、速度状态、启动状态、语音状态、割煤方向、配置状态。因此，可将采煤机稳态设定为一个十位的二进制数，其中每一位的0和1分别表示模块状态，十位的二进制数表示足够样本下的采煤机稳态情况。学习方法如下：1.数据处理：将原始数据归一化，按照稳态结果对应各种参数的形式存储好；2.神经网络搭建：根据输入参数，设定神经网络参数输入节点数，根据输出二进制位数设定神经网络输出节点数；3.神经网络训练：将原始数据按照3：7分为测试数据以及训练数据，将训练数据全部输入到神经网络中用以训练，根据反向传播算法调整内部参数，并且得到预测精度；4.神经网络调整：调整隐含层层数，调整隐含层节点数，重复步骤3，记录不同节点下的回归精度；5.结果选取：选取回归精度最高的神经网络参数作为最终结果，进行采煤机稳态样本智能化识别。
方法二：在少量负样本条件下，使用三重训练算法。学习方法如下：1.数据处理：将原始数据归一化，将有负样本数据按照稳态结果对应各种参数的形式存储好设定为L，将无负样本数据按照同一时间的特征存储好设定为U；2.神经网络搭建：搭建3个不同的神经网络H1、H2、H3，根据输入参数，设定神经网络参数输入节点个数，根据输出二进制位数设定神经网络输出节点个数；3.负样本扩大：通过boosting方法将已标记样本L(xi，yi)构造为具有差异性训练集的L1到L3，同样的方法将未标记样本U(xj)构造得到训练集U1到U3，根据训练集L1到L3分别三个神经网络，训练完成后将U1输入到H2以及H3中进行判别，若输出结果一致，则将输出结果作为稳态结果标记添加到L4中，同样，将U2输入到H1以及H3中，若输出结果一致，则将输出结果作为稳态结果标记添加到L4，对U3同样处理，到H1以及H2中，若输出结果一致，则将输出结果作为稳态结果标记添加到L4中。则L4中获得了足量的负样本；4.神经网络训练：将L1到L4中的负样本输入到新的神经网络中训练，得到最终的神经网络。
方法三：无负样本条件下，采集到的数据没有对应的工况时，只有健康状态下采煤机的健康参数数据，此时神经网络没有经过负样本的训练不具有对负样本的辨别能力，只有对健康数据的识别情况。根据实际情况，采煤机稳态情况分为正常以及可能故障状态。设定健康状态下稳态结果。学习方法如下：1.数据处理：将原始数据归一化，将同一时间的采煤机的健康参数按列存储，人工加入稳态参数p。通过随机赋值的办法，对同一时间的健康参数添加稳态参数p,得到稳态参数对应的健康参数；2.神经网络搭建：根据输入参数，设定神经网络参数输入节点个数，根据输出为1个设定神经网络输出节点为10个。设定隐含层为2层，隐含节点设定为
其中m＝39为输入节点数，n＝1为输出节点数，a取值1到10之间，为调节常数，因此先设定h＝6；3.神经网络训练：将原始数据按照1：9分为测试数据以及训练数据，将训练数据全部输入到神经网络中用以训练，根据反向传播算法调整内部参数。并且得到预测精度。将测试样本中人工加入参数偏差极大的样本作为负样本用以测试。设定神经网络测试样本的输出值为a,定义k＝|a-0.9|为偏离参数，定义e为偏离常数，若k大于等于e,则认为测试样本为可能故障状态，若k小于e，则认为测试数据为健康状态；4.参数调整：分别在6-10区间内调整参数h，0.3-0.5区间内调整e，得出在无负样本条件下神经网络最优学习参数。
本具体实施例仅仅是对本发明的解释，其并不是对本发明的限制，本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改，但只要在本发明的权利要求范围内都受到专利法的保护。
Claims (6)
1.一种基于神经网络的采煤机稳态样本分析方法，其特征在于，包括以下步骤：
S1：判定采煤机负样本数量，设置阈值a，当负样本数量<a，定义为少量负样本，当负样本数量≥a，定义为足够负样本；
S2、在足够负样本条件下，将采煤机稳态依照测定模块设定对应位数的二进制数，每位数中的0和1分别表示模块状态，所有位数的二进制数表示当前条件下的采煤机稳态情况，得到稳态结果，并根据该稳态结果进行学习，学习包括以下步骤：
a1、数据处理：将原始数据归一化，按照稳态结果对应各种参数的形式进行存储；
a2、神经网络搭建：根据输入参数，设定神经网络参数输入节点数，根据输出二进制位数设定神经网络输出节点数；
a3、神经网络训练：将原始数据按照1:2～1:3分为测试数据和训练数据，将训练数据输入到神经网络中用以训练，根据反相传播算法调整内部参数，并得到预测精度；
a4、神经网络调整：调整隐含层层数和隐含层节点数，重复a3步骤，记录不同节点下的回归精度；
a5、结果选取：选取回归精度最高的神经网络参数作为最终结果，进行采煤机稳态样本智能化识别；
S3、在少量负样本条件下，将采煤机稳态依照测定模块设定对应位数的二进制数，每位数中的0和1分别表示模块状态，所有位数的二进制数表示当前条件下的采煤机稳态情况，得到稳态结果，使用三重训练算法进行学习，学习包括以下步骤：
b1、数据处理：将原始数据归一化，将有负样本的数据按照稳态结果对应各种参数的形式进行存储，并设定为L；将无负样本的数据按照同一时间的特征进行存储，并设定为U；
b2、神经网络搭建：搭建3个不同的神经网络H1、H2和H3，根据输入参数，设定神经网络参数输入节点个数，根据输出二进制位数设定神经网络输出节点数；
b3、负样本扩大：将已标记样本L(xi,yi)构造为具有差异性训练集的L1、L2和L3，同样的方法将未标记样本U(xj)构造得到训练集U1、U2和U3，根据训练集L1、L1和L3分别三个神经网络，训练完成后将U1输入到H2和H3中进行判别，若输出结果一致，则将输出结果作为稳态结果标记添加到L4中，同样，将U2输入到H1和H3中，若输出结果一致，则将输出结果作为稳态结果标记添加到L4，对U3同样处理，将U3输入到H1和H2中，若输出结果一致，则将输出结果作为稳态结果标记添加到L4中；使得L4中获得足量的负样本；
b4、神经网络训练将L1、L2、L3和L4中的负样本输入到神经网络中训练，得到最终的神经网络；
S4、在无负样本条件下，采集健康状态下采煤机的健康参数数据，将采煤机稳态情况分为正常和可能故障状态，设定健康状态下稳态结果并进行学习，学习包括以下步骤：
c1、数据处理：将原始数据归一化，将同一时间的健康参数添加稳态参数p,得到稳态参数对应的健康参数；
c2、神经网络搭建：根据输入参数，设定神经网络参数输入节点个数，根据输出为1个设定神经网络输出节点，设定隐含层为2层，隐含节点设定为
其中m＝39为输入节点数，n＝1为输出节点数，a取值1到10之间；
c3：神经网络训练：将原始数据按照1:7～1:10分为测试数据和训练数据，将训练数据输入到神经网络中用以训练，根据反向传播算法调整内部参数，并且得到预测精度，将测试样本中人工加入参数偏差极大的样本作为负样本用以测试，设定神经网络测试样本的输出值为a,定义k＝|a-0.9|为偏离参数，定义e为偏离常数，若k大于等于e,则认为测试样本为可能故障状态，若k小于e，则认为测试数据为健康状态；
c4、参数调整：分别在6-10区间内调整参数h，0.3-0.5区间内调整e，得出在无负样本条件下神经网络最优学习参数。
2.根据权利要求1所述的基于神经网络的采煤机稳态样本分析方法，其特征在于，所述采煤机稳态情况测定模块包括控制状态模块、自检状态模块、记忆截割状态模块、割煤状态模块、牵引状态模块、速度状态模块、启动状态模块、语音状态模块、割煤方向模块和配置状态模块，对应二进制数的位数与模块数量相等。
3.根据权利要求2所述的基于神经网络的采煤机稳态样本分析方法，其特征在于，所述a3过程中，将原始数据按照3：7分为测试数据和训练数据。
4.根据权利要求3所述的基于神经网络的采煤机稳态样本分析方法，其特征在于，所述b3过程中，通过boosting方法将已标记样本L(xi，yi)构造为具有差异性训练集的L1到L3。
5.根据权利要求4所述的基于神经网络的采煤机稳态样本分析方法，其特征在于，所述c3过程中，将原始数据按照1：9分为测试数据和训练数据。
6.一种基于神经网络的采煤机稳态样本分析装置，其特征在于，基于权利要求1至5任一所述的基于神经网络的采煤机稳态样本分析方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011082621.0A CN112329817B (zh) | 2020-10-12 | 2020-10-12 | 一种基于神经网络的采煤机稳态样本分析方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011082621.0A CN112329817B (zh) | 2020-10-12 | 2020-10-12 | 一种基于神经网络的采煤机稳态样本分析方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112329817A true CN112329817A (zh) | 2021-02-05 |
| CN112329817B CN112329817B (zh) | 2024-03-15 |
Family
ID=74314693
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011082621.0A Active CN112329817B (zh) | 2020-10-12 | 2020-10-12 | 一种基于神经网络的采煤机稳态样本分析方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112329817B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6119112A (en) * | 1997-11-19 | 2000-09-12 | International Business Machines Corporation | Optimum cessation of training in neural networks |
| CN109948869A (zh) * | 2019-04-22 | 2019-06-28 | 东南大学 | 基于有序聚类离散化的脱硫系统so2出口浓度预测方法 |
| CN110208696A (zh) * | 2019-06-25 | 2019-09-06 | 华北电力大学 | 基于模型自弈和典型样本的磨煤机故障诊断方法 |
| US20200027207A1 (en) * | 2018-07-21 | 2020-01-23 | International Business Machines Corporation | Negative Sample Enhanced Object Detection Machine |
| CN111585997A (zh) * | 2020-04-27 | 2020-08-25 | 国家计算机网络与信息安全管理中心 | 一种基于少量标注数据的网络流量异常检测方法 |
-
2020
- 2020-10-12 CN CN202011082621.0A patent/CN112329817B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6119112A (en) * | 1997-11-19 | 2000-09-12 | International Business Machines Corporation | Optimum cessation of training in neural networks |
| US20200027207A1 (en) * | 2018-07-21 | 2020-01-23 | International Business Machines Corporation | Negative Sample Enhanced Object Detection Machine |
| CN109948869A (zh) * | 2019-04-22 | 2019-06-28 | 东南大学 | 基于有序聚类离散化的脱硫系统so2出口浓度预测方法 |
| CN110208696A (zh) * | 2019-06-25 | 2019-09-06 | 华北电力大学 | 基于模型自弈和典型样本的磨煤机故障诊断方法 |
| CN111585997A (zh) * | 2020-04-27 | 2020-08-25 | 国家计算机网络与信息安全管理中心 | 一种基于少量标注数据的网络流量异常检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 姜磊;叶圣超;李飞龙;: "基于PSO-BP神经网络的采煤机电动机故障诊断研究", 矿山机械, no. 09 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112329817B (zh) | 2024-03-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110162018B (zh) | 基于知识蒸馏与隐含层共享的增量式设备故障诊断方法 | |
| CN109711714B (zh) | 基于并联长短期记忆网络的制造装配产品质量预测方法 | |
| CN111914883B (zh) | 一种基于深度融合网络的主轴轴承状态评估方法及装置 | |
| CN106779069A (zh) | 一种基于神经网络的异常用电检测方法 | |
| CN110070060B (zh) | 一种轴承设备的故障诊断方法 | |
| CN108171209A (zh) | 一种基于卷积神经网络进行度量学习的人脸年龄估计方法 | |
| CN110245745B (zh) | 基于集成双向循环神经网络的设备剩余使用寿命预测方法 | |
| CN107704925A (zh) | 深度神经网络训练过程的可视分析系统及方法 | |
| CN109472088A (zh) | 一种页岩气调产井生产压力动态预测方法 | |
| CN110619084B (zh) | 一种根据图书馆读者借阅行为进行图书推荐的方法 | |
| CN113435707B (zh) | 基于深度学习和计权型多因子评价的测土配方施肥方法 | |
| CN106656357B (zh) | 一种工频通信信道状态评估系统和方法 | |
| CN108595803A (zh) | 基于递归神经网络的页岩气井生产压力预测方法 | |
| CN112756759A (zh) | 点焊机器人工作站故障判定方法 | |
| CN112308298A (zh) | 一种面向半导体生产线的多场景性能指标预测方法及系统 | |
| CN117273440A (zh) | 基于深度学习的工程施工物联网监测管理系统及方法 | |
| Addeh et al. | A Hierarchical System for Recognition of Control Chart Patterns | |
| CN110598326A (zh) | 一种基于人工智能的试井解释方法 | |
| CN112763215B (zh) | 一种基于模块化联邦深度学习的多工况在线故障诊断方法 | |
| CN116681291B (zh) | 一种基于集成模型的风控预测方法及系统 | |
| CN112329817A (zh) | 一种基于神经网络的采煤机稳态样本分析方法及装置 | |
| CN110490218B (zh) | 一种基于两级dbn的滚动轴承故障自学习方法 | |
| CN116720743A (zh) | 基于数据聚类和机器学习的碳排放测算方法 | |
| CN114115152A (zh) | 基于嵌入式和深度学习的制造边缘实时事件洞察方法 | |
| CN115810196A (zh) | 一种印章鉴别方法、装置及存储介质 |
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 |