CN112507277A - 一种基于电信号的快速振幅预测算法 - Google Patents
一种基于电信号的快速振幅预测算法 Download PDFInfo
- Publication number
- CN112507277A CN112507277A CN202011171426.5A CN202011171426A CN112507277A CN 112507277 A CN112507277 A CN 112507277A CN 202011171426 A CN202011171426 A CN 202011171426A CN 112507277 A CN112507277 A CN 112507277A
- Authority
- CN
- China
- Prior art keywords
- matrix
- sample
- amplitude
- derivative
- neural network
- 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
Links
- 239000011159 matrix material Substances 0.000 claims abstract description 52
- 238000013528 artificial neural network Methods 0.000 claims abstract description 33
- 238000005070 sampling Methods 0.000 claims abstract description 20
- 238000012360 testing method Methods 0.000 claims abstract description 9
- 230000006870 function Effects 0.000 claims description 35
- 238000012549 training Methods 0.000 claims description 16
- 238000000034 method Methods 0.000 claims description 9
- 210000002569 neuron Anatomy 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 5
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 4
- 238000011176 pooling Methods 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 230000003213 activating effect Effects 0.000 claims description 2
- 238000013527 convolutional neural network Methods 0.000 claims description 2
- 238000000605 extraction Methods 0.000 claims description 2
- 238000005457 optimization Methods 0.000 claims description 2
- 230000009467 reduction Effects 0.000 claims description 2
- 230000009131 signaling function Effects 0.000 claims description 2
- 230000003111 delayed effect Effects 0.000 claims 1
- 238000001514 detection method Methods 0.000 claims 1
- 230000007547 defect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000003754 machining Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/15—Correlation function computation including computation of convolution operations
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H11/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves by detecting changes in electric or magnetic properties
- G01H11/06—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves by detecting changes in electric or magnetic properties by electric means
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Software Systems (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- Operations Research (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
一种基于电信号的快速振幅预测算法,对每一段样本点分别基于电信号曲线函数函数进行拟合,获得各段样本点对电信号曲线函数拟合后对应的参数矩阵,对同一类别的参数取均值获得每一类别的均值参数,使用均值参数构件类别参数矩阵;取步进距离逐步递计算已知类别的每段样本点中各样本点对应的三级导数数值,最终可获得个的三级导数样本矩阵B:搭建神经网络来对三级导数样本矩阵进行学习;将新获取的一个采样周期内的样本点,计算出神经网络所需的测试样本三级导数矩阵,代入训练好的神经网络中,选取其中概率最高,且概率超过设定概率的类别作为预测类别;利用预测电信号曲线函数预测电信号何时可达到输入电信号最大值。
Description
技术领域
本发明属于超声振动设备振幅控制技术领域,涉及到一种基于电信号的 快速振幅预测算法。
背景技术
超声振动设备的振幅的大小对超声加工的性能有着显著影响,若是在获取 振幅的相关实时参数后再进行控制调整,会存在控制效果滞后,控制时效性 不足的缺点,所以如果能够实现对超声振幅的变化进行预测,并据此预先改 变电信号,从而能快速、准确地实现振幅控制,这对于提高超声振幅控制的 时效性,改善超声加工产品质量具有重大意义。
公布号CN110188876A的中国发明专利公开了一种基于BP神经网络的超 声振动设备振幅软测量预测方法,该方法步骤如下:步骤一、通过测量设备 对超声振动设备的各参数进行测量,测量数据包括电压、电流、频率、振幅; 步骤二、将测量的数据进行归一化处理,归一化处理是将测量数据的值转换 到[0,1]区间内,使用的归一化函数为:x为输入数据,max为输入数据中的 最大值,min为输入数据中的最小值;步骤三、建立BP神经网络模型,BP神 经网络模型包括输入层、隐藏层及输出层;步骤四、BP神经网络的训练根据 BP神经网络的设计原则及实验,训练中隐藏层神经元的激活函数为双曲正切 S形函数:双曲正切S形函数实现不同样本的空间分割;步骤五、根据已经训 练完成的神经网络,将从超声振动设备测量得到电压、电流和频率输入到神 经网络的输入层,经过神经网络的处理,就可以得到超声振动设备的振幅输 出。将神经网络应用到超声振动设备振幅预测上,利用建立好的神经网络对 超声振动设备的振幅进行预测。
现有技术先通过振幅测量仪器获取输入电信号一个或多个周期的采样点, 之后计算对应的幅值和周期信息,再将信息传至振幅控制系统实现振幅控制, 存在感知速度慢、准确性低、难以及时控制振幅的缺点。
发明内容
本发明针对现有技术的不足,提供一种感知速度快、准确性高的基于电 信号的基于电信号的快速振幅预测算法。
具体实施方式
下面将对本发明实施例中的技术方案进行 清楚、完整地描述,显然,所描述的实施例仅仅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做 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。
本发明第一实施例的基于电信号的快速振幅预测算法包括:
S100、在多个采样周期内使用电信号采集设备连续采集超声振发生设备的 电信号,获得步进距离△t建立的记录时间电信号的样本点(t,Y)的采样数 据库,电信号为电流值(单位安培)或电压值(单位电压),步进距离△t电信 号采集设备采集电信号的最小时间差(单位s),t表示时间(单位s);
S200、获取采样数据库,将每个采样周期内所采集到的样本点划分为一段 样本点,每段样本点的数量为d,对每一段样本点分别基于函数Y(t)=asin(bt+c) 进行拟合,获得各段样本点对函数Y(t)拟合后对应的参数矩阵A=[a b c],式 中的a、b、c分别是输入电信号函数曲线的振幅、周期及相位的参数;
想要用各段样本点,如(t1,Y1),(t2,Y2),...,(td,Yd),来拟合函数Y(t),则要使:
因为a不能为零,即求解下列非线性方程组:
从而可获得各段样本点对函数Y(t)拟合后对应的多个参数矩阵 A=[a b c]。
S300、将多个参数矩阵A=[a b c]中周期、相位、振幅都接近的参数矩 阵A=[a bc]划分为同一类别参数,对同一类别的参数取均值获得每一类别 的均值参数,使用均值参数构件类别参数矩阵C;
根据参数大小不同参数矩阵划分为多个类别l,使得预测函数 Y(t)=asin(bt+c)函数更加接近实际电信号变化,预测结果根据准确,将相同类 别的参数平均处理一定程度上减少了误差影响。
同一类别l的参数矩阵A=[a b c]应满足各采样点参数与其均值之间的 差值总和都小于偏离值ε,如当i个参数矩阵A1=[a1 b1 c1]、A2=[a2 b2 c2]、 A3=[a3 b3 c3]...Ai=[ai bi ci]满足以下条件(式中ε∈[0,0.05],具体数值可依 据控制精度要求来具体确定):
可看做这两个参数矩阵A=[a b c]所属同一类,否则为不同类别,据此 将所有样本点划分为l类(常用超声设备电信号曲线类别约为10-20类),并 从每类样本点中抽取m段样本点存入类别数据库。
对同一类别的参数平均处理,构件类别参数矩阵C;利用类别数据库中的 数据求取每个类别内的m段样本点所拟合得到的参数均值矩阵:
式中,Aj代表第j类样本的拟合参数均值矩阵也就是均值参数;
之后,构造一个l×1的类别参数矩阵C:
S400、调用类别参数矩阵C中的参数,取步进距离逐步递计算已知类别的每段 样本点中各样本点对应的三级导数数值,斜率k值,二阶导数k',三阶导数k”, 最终可获得m·l个(d-4)×3的三级导数样本矩阵,矩阵中代表第一段样本点 的t3时间点处的斜率值:
B=[1,1,1,1,...,2,2,2,2,2,2,...,l,l,l,l]:
取步进距离逐步递进求解出各点的各阶导数值,最终可获得m·l个 (d-4)×3的样本矩阵。
S500、将三级导数样本矩阵中的每一行视为一个三维点的坐标,每一个三 级导数样本矩阵视为一个三维点云,搭建神经网络来对三级导数样本矩阵进 行学习。
S501、参数设置,卷积神经网中卷积层的激活函数采用PReLU函数:
参数ai取值为0.1,全连接层的激活函数采用ReLU函数:
避免在输入值小于0时出现参数不更新的现象;
使用Adam优化器采用其自带的自适应优化算法实现学习率的自适应调整, 使用dropout函数;按照概率0.7将神经元暂时从网络中丢弃,设定该概率 为0.7、采用mini-batch训练方法,选定batch_size为32;
与Sigmoid函数相比,PReLU函数和ReLU函数更符合生物神经元的稀疏激 活性,可以减少训练网络过程中的梯度消失现象,并且具有收敛速度快的优点。 Adam优化器,函数可以收敛的速度快,精准度高,训练前期的学习率比较大, 模型运行速度较快,训练后期学习率开始逐步减小,稳定地落入局部最优解, 从而在保证准确率的同时又加快收敛速度率。dropout函数;按照概率0.7将 神经元暂时从网络中丢弃,设定该概率为0.7,可预防过于复杂的模型,即神 经元个数过多的模型会导致过拟合,dropout函数就是在神经网络反向传播 误差更新权值时,按照一定的概率将神经元暂时从网络中丢弃。采用 mini-batch训练方法,选定batch_size为32,可减少运算时间,提高训练 效率。
S502、构建一个两层的多层感知器,对样本数据进行初步特征三级导数 数值提取,将三级导数样本矩阵作为输入,输出一个卷积后的(d-4)×64的第 一MLP样本矩阵:
表1:第一个MLP内各层参数
S503、获取三级导数样本特征三级导数数值,再构建一个三层的MLP,输 入上一步所得的第一MLP样本矩阵后输出一个(d-4)×1024的第二MLP样本矩 阵:
表2:第二个MLP内各层参数
此时每个三级导数数值从3维变成了1024维的表示,需要对(d-4)个点 所描述的点云进行融合处理以得到全局特征。
S504、添加一个二维池化层,采用最大池化法来将第二MLP样本矩阵合 并为一个1×1024的全局特征矩阵,利用所得的全局特征矩阵来进行学习分类, 构建一个3层的MLP,对全局特征矩阵进行降维处理,输出一个1×l的预测分 类矩阵;
前两个MLP各层采用的是卷积层,用于对图像的特征进行拓展和提取,在 获得足够的特征之后,构建第三个MLP,各层所采用的是全连接层,用于对前 两个MLP所获得的特征进行压缩、总结;
表3:第三个MLP内各层参数
S505、利用softmax分类器输出分类概率,完成神经网络搭建;
下式为softmax分类器的函数表达形式:
式中,i为类别的索引,l为类别总数,Vi为前文所得的预测分类矩阵内对 应值。Si是单个类别输出的指数与所有类别输出的指数之和的比值。
S506、搭建好神经网络后,将之前所获得的的历史样本三级导数数据随机 抽取60%作为训练集(每个类别内的样本集随机抽取60%),剩下的40%作为 测试集,将训练集导入所搭建的神经网络中进行训练
优选的S507、利用测试集来对训练得到的模型进行测试;
观察其分类准确性。
S600、将新获取的一个采样周期内的样本点,通过式(4)计算出神经网 络所需的测试样本三级导数矩阵,代入训练好的神经网络中,计算出其所属 各类别的概率,选取其中概率最高,且概率超过0.7的类别作为预测类别;
若某一采样数据的分类概率均低于0.3,观察其是否所属已有类别,若是, 调用类别参数矩阵C中与预测类别对应的均值参数a、b、c建立预测电信号曲 线函数;若不是,则将其作为新的类别添加到采样数据库中,为了减少神经 网络的训练次数,当新类别的数量增加了10,才重复步骤S100-S500,对神 经网络重新进行训练,更新神经网络。
S700、若神经网络的输出值为符合条件的预测类别,即调用类别参数矩 阵C中与预测类别对应的均值参数a、b、c建立预测电信号曲线函数 Y(t)=asin(bt+c),若电信号采样器并未采集足够一个采样周期的点,或者神经 网络的输出值被判断为新类别,则利用超声电信号信息采集装置采集到三个 相邻时刻的电信号,即获得点(t1,Y1),(t2,Y2),(t3,Y3),利用下式求取t2时间点的斜 率k及二阶导k':
之后,便可建立下述方程组,式中,Y2'、Y2”分别表示在时间点t2的对应斜 率值、二阶导数值:
解上述方程组从而确定参数a、b、c建立预测电信号曲线函数Y(t)=asin(bt+c)。S800、利用预测电信号曲线函数Y(t)=asin(bt+c)预测电信号将于时刻:
可达到输入电信号最大值。
由于常用的超声加工装置在谐振状态下,其振幅的变化趋势与电信号的 变化趋势一致,即它们之间的关系可以描述为一种线性关系,令振幅监测装 置采集到的数据点为:(t1,Z1),(t2,Z2),(t3,Z3)......电信号采集装置采集到的信号点 为:(t1,Y1),(t2,Y2),(t3,Y3)......,则有:
Z=eY+f (14)
式中的参数e和f可通过对振幅采样点和电信号采样点基于式(14)进行 拟合即可得出。据此,便可预测超声振幅也是于式(13)所计算的时间达到 最大值,从而实现快速振幅预测。
作为优选的S900、将电信号最大值时刻传至振幅控制器,根据加工要求, 调整输入电信号的相位,从而加速或者延迟最大超声振幅的到来,调整输入 电信号的大小,进而调节最大振幅的值,实现振幅控制。
作为优选的S901、在超声振幅产生处放至一个超声振幅检测装置,实时采 集超声振幅数据,并将采集频率调整与电信号采集频率一致,并验证预测结 果是否正确。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而 言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行 多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限 定。
Claims (6)
1.一种基于电信号的快速振幅预测算法,其特征在于,包括
S100、在多个采样周期内使用电信号采集设备连续采集超声振发生设备的电信号,获得步进距离△t建立的记录时间电信号的样本点(t,Y)的采样数据库,电信号为电流值(单位安培)或电压值(单位电压),步进距离△t电信号采集设备采集电信号的最小时间差(单位s),t表示时间(单位s);
S200、获取采样数据库,将每个采样周期内所采集到的样本点划分为一段样本点,对每一段样本点分别基于函数Y(t)=a sin(bt+c)进行拟合,获得各段样本点对函数Y(t)拟合后对应的参数矩阵A=[a b c],式中的a、b、c分别是输入电信号函数曲线的振幅、周期及相位的参数;
S300、将多个参数矩阵A=[a b c]中周期、相位、振幅都接近的参数矩阵A=[a b c]划分为同一类别参数,对同一类别的参数取均值获得每一类别的均值参数,使用均值参数构件类别参数矩阵C;
S400、调用类别参数矩阵C中的参数,取步进距离逐步递计算已知类别的每段样本点中各样本点对应的三级导数数值,斜率k值,二阶导数k',三阶导数k”,建立三级导数样本矩阵B:
S500、将三级导数样本矩阵中的每一行视为一个三维点的坐标,每一个三级导数样本矩阵视为一个三维点云,搭建神经网络来对三级导数样本矩阵进行学习;
S600、将新获取的一个采样周期内的样本点,计算出神经网络所需的测试样本三级导数矩阵,代入训练好的神经网络中,计算出其所属各类别的概率,选取其中概率最高,且概率超过设定概率的类别作为预测类别,如所属各类别的概率则标记为新类别;
S700、若神经网络的输出值为符合条件的预测类别,即调用类别参数矩阵C中与预测类别对应的均值参数a、b、c建立预测电信号曲线函数Y(t)=a sin(bt+c),若电信号采样器并未采集足够一个采样周期的点,或者神经网络的输出值被判断为新类别,则利用超声电信号信息采集装置采集到三个相邻时刻的电信号,即获得点(t1,Y1),(t2,Y2),(t3,Y3),利用下式求取t2时间点的斜率k及二阶导k':
之后,便可建立下述方程组,式中,Y'2、Y”2分别表示在时间点t2的对应斜率值、二阶导数值:
解上述方程组从而确定参数a、b、c建立预测电信号曲线函数Y(t)=a sin(bt+c);S800、利用预测电信号曲线函数Y(t)=a sin(bt+c)预测电信号将于时刻:
可达到输入电信号最大值。
2.根据权利要求1所述的基于电信号的快速振幅预测算法,其特征在于,所述步骤S800之后还包括:
S900、将电信号最大值时刻传至振幅控制器;
该振幅控制器可根据加工要求,调整输入电信号的相位,从而加速或者延迟最大超声振幅的到来,调整输入电信号的大小,进而调节最大振幅的值,实现振幅控制。
3.根据权利要求1所述的基于电信号的快速振幅预测算法,其特征在于,所述快速振幅预测算法还包括,在超声振幅产生处放至一个超声振幅检测装置,实时采集超声振幅数据,并将采集频率调整与电信号采集频率一致,并验证预测结果是否正确。
4.根据权利要求1所述的基于电信号的快速振幅预测算法,其特征在于,S501、参数设置;
S502、构建一个两层的多层感知器,对样本数据进行初步特征三级导数数值提取,将三级导数样本矩阵作为输入,输出一个卷积后的(d-4)×64的第一MLP样本矩阵:
S503、获取三级导数样本特征三级导数数值,再构建一个三层的MLP,输入上一步所得的第一MLP样本矩阵后输出一个(d-4)×1024的第二MLP样本矩阵:
S504、添加一个二维池化层,采用最大池化法来将第二MLP样本矩阵合并为一个1×1024的全局特征矩阵,利用所得的全局特征矩阵来进行学习分类,构建一个3层的MLP,对全局特征矩阵进行降维处理,输出一个1×l的预测分类矩阵;
S505、利用softmax分类器输出分类概率,完成神经网络搭建;
下式为softmax分类器的函数表达形式:
式中,i为类别的索引,l为类别总数,Vi为前文所得的预测分类矩阵内对应值。Si是单个类别输出的指数与所有类别输出的指数之和的比值。
5.根据权利要求4所述的基于电信号的快速振幅预测算法,其特征在于,所述步骤S505之后还包括:
S506、搭建好神经网络后,将之前所获得的的历史样本三级导数数据随机抽取60%作为训练集(每个类别内的样本集随机抽取60%),剩下的40%作为测试集,将训练集导入所搭建的神经网络中进行训练;
S507、利用测试集来对训练得到的模型进行测试。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011171426.5A CN112507277A (zh) | 2020-10-28 | 2020-10-28 | 一种基于电信号的快速振幅预测算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011171426.5A CN112507277A (zh) | 2020-10-28 | 2020-10-28 | 一种基于电信号的快速振幅预测算法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112507277A true CN112507277A (zh) | 2021-03-16 |
Family
ID=74954429
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011171426.5A Pending CN112507277A (zh) | 2020-10-28 | 2020-10-28 | 一种基于电信号的快速振幅预测算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112507277A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114088890A (zh) * | 2022-01-24 | 2022-02-25 | 中国农业科学院农业信息研究所 | 基于深度bp神经网络的自适应温湿度补偿方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110188876A (zh) * | 2019-04-22 | 2019-08-30 | 杭州电子科技大学 | 基于bp神经网络的超声振动设备振幅软测量预测方法 |
WO2020058663A1 (en) * | 2018-09-19 | 2020-03-26 | Guided Ultrasonics Ltd | Signal processing |
CN111596549A (zh) * | 2020-06-18 | 2020-08-28 | 杭州国彪超声设备有限公司 | 一种用于硬脆材料超声加工的鲁棒自适应振幅控制方法 |
-
2020
- 2020-10-28 CN CN202011171426.5A patent/CN112507277A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020058663A1 (en) * | 2018-09-19 | 2020-03-26 | Guided Ultrasonics Ltd | Signal processing |
CN110188876A (zh) * | 2019-04-22 | 2019-08-30 | 杭州电子科技大学 | 基于bp神经网络的超声振动设备振幅软测量预测方法 |
CN111596549A (zh) * | 2020-06-18 | 2020-08-28 | 杭州国彪超声设备有限公司 | 一种用于硬脆材料超声加工的鲁棒自适应振幅控制方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114088890A (zh) * | 2022-01-24 | 2022-02-25 | 中国农业科学院农业信息研究所 | 基于深度bp神经网络的自适应温湿度补偿方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112185104B (zh) | 一种基于对抗自编码器的交通大数据修复方法 | |
CN107293115B (zh) | 一种用于微观仿真的交通流量预测方法 | |
CN108062561A (zh) | 一种基于长短时记忆网络模型的短时数据流预测方法 | |
CN106373390B (zh) | 基于自适应神经模糊推理系统的道路交通状态评价方法 | |
CN108335487B (zh) | 一种基于交通状态时序性的道路交通状态预测系统 | |
CN110401978B (zh) | 基于神经网络和粒子滤波多源融合的室内定位方法 | |
CN111144552B (zh) | 一种粮食品质多指标预测方法及装置 | |
CN109143408B (zh) | 基于mlp的动态区域联合短时降水预报方法 | |
CN109472088A (zh) | 一种页岩气调产井生产压力动态预测方法 | |
CN108830325A (zh) | 一种基于学习的振动信息地形分类识别方法 | |
CN113469470A (zh) | 基于电力大脑中枢的用能数据与碳排放量关联分析方法 | |
CN110096810A (zh) | 一种基于逐层数据扩充深度学习的工业过程软测量方法 | |
CN104634265B (zh) | 一种基于多元图像特征融合的矿物浮选泡沫层厚度软测量方法 | |
CN108491931A (zh) | 一种基于机器学习提高无损检测精度的方法 | |
CN108460462A (zh) | 一种基于区间参数优化的区间神经网络学习方法 | |
CN112507277A (zh) | 一种基于电信号的快速振幅预测算法 | |
CN112529328B (zh) | 一种产品性能预测方法及系统 | |
Guan et al. | Application of a novel PNN evaluation algorithm to a greenhouse monitoring system | |
CN108538301B (zh) | 一种基于神经网络音频技术的智能数码乐器 | |
CN107273971B (zh) | 基于神经元显著性的前馈神经网络结构自组织方法 | |
CN106650658A (zh) | 一种识别用户身份的方法和装置 | |
CN108446506B (zh) | 一种基于区间反馈神经网络的不确定系统建模方法 | |
CN116662925A (zh) | 一种基于加权稀疏神经网络工业过程软测量方法 | |
CN115359197A (zh) | 一种基于空间自相关神经网络的地质曲面重构方法 | |
CN115206455A (zh) | 基于深度神经网络的稀土元素组分含量预测方法及系统 |
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 |