CN112686881A - 基于影像统计特征和lstm复合网络的颗粒物料混合均匀性检测方法 - Google Patents

基于影像统计特征和lstm复合网络的颗粒物料混合均匀性检测方法 Download PDF

Info

Publication number
CN112686881A
CN112686881A CN202110019487.8A CN202110019487A CN112686881A CN 112686881 A CN112686881 A CN 112686881A CN 202110019487 A CN202110019487 A CN 202110019487A CN 112686881 A CN112686881 A CN 112686881A
Authority
CN
China
Prior art keywords
lstm
composite network
training
image
layer
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
Application number
CN202110019487.8A
Other languages
English (en)
Other versions
CN112686881B (zh
Inventor
王彩玲
宋晓楠
焦龙
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.)
Xian Shiyou University
Original Assignee
Xian Shiyou 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 Xian Shiyou University filed Critical Xian Shiyou University
Publication of CN112686881A publication Critical patent/CN112686881A/zh
Application granted granted Critical
Publication of CN112686881B publication Critical patent/CN112686881B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Image Analysis (AREA)

Abstract

本发明提出了一种基于影像统计特征和LSTM复合网络的颗粒物料混合均匀性检测方法，主要包括以下步骤：1)获取不同均匀态的颗粒物料的DR影像数据，对DR影像数据提取一维统计特征；2)将一维统计特征数据拼接成二维矩阵，划分为训练集数据和测试集数据；3)构建LSTM复合网络模型；4)选用Softmax分类器，对LSTM网络输出进行分类；5)对LSTM复合网络进行参数优化和验证。本发明首先对颗粒物料搅拌的不同时间、不同位置提取DR影像做统计特征信息提取，充分利用LSTM网络对不同时长的物料混合影像分类，从而检测物料混合是否均匀充分。通过检测混合物的均匀性，可指导非透明容器的“盲混”工作。

Description

基于影像统计特征和LSTM复合网络的颗粒物料混合均匀性检 测方法
技术领域
本发明属于颗粒物料混合技术与其理化分析检测技术领域，特别涉及一种基于影像统计特征和LSTM(长短期记忆网络)复合网络的颗粒物料混合均匀性检测方法。
背景技术
在颗粒物料的混合过程中，拌和的时长和均匀性会影响颗粒物料的理化性能。因此对不同混合状态的DR影像的准确分类有重要的意义。DR影像用人工的方法难以分辨出混合均匀性程度，同时，影像易受到视点、旋转、光强等多种变化的影响。对DR影像的预处理技术及基于深度学习的数据分类技术可作为重要的技术手段应用于DR影像。
传统的分类器模型在处理图像、视频、语音等高维数据方面表现较差，难以提取到表现力较好的特征。随着深度学习的发展，国内外学者在卷积神经网络的基础上尝试将深度学习引入到时间序列分类任务中，循环神经网络RNN就是一种自带循环结构的网络模型，它最大的优势就是可以处理具有时间序列性质的数据，但循环神经网络由于存在梯度爆炸和梯度消失问题而不够稳定，长短期记忆网络LSTM可以有效地解决这个问题。
发明内容
本发明的目的在于提供一种基于影像统计特征和LSTM复合网络的颗粒物料混合均匀性检测方法，针对DR影像，基于影像统计特征和LSTM复合网络的图像二分类方法对颗粒物料混合的均匀性进行检测，可用于颗粒物料混合工艺的自动化，并可进一步用于化学分析、检测及化学品混合仪器自动化监控等领域。
为了实现上述目的，本发明采用的技术方案是：
一种基于影像统计特征和LSTM复合网络的颗粒物料混合均匀性检测方法，包括如下步骤：
步骤1)，获取不同均匀态的颗粒物料的DR影像数据，对DR影像数据提取一维统计特征；
步骤2)，将一维统计特征数据拼接成二维矩阵，划分为训练集数据和测试集数据；
步骤3)，构建LSTM复合网络模型；
步骤4)，选用Softmax分类器，对LSTM复合网络模型输出进行分类；
步骤5)，利用训练集数据对构建的LSTM复合网络模型进行训练；
步骤6)，对训练好的LSTM复合网络模型，通过调试参数进行优化，在优化后的LSTM复合网络模型中，选用测试集数据进行验证，最终，利用优化后的LSTM复合网络模型检测颗粒物料的混合均匀性。
所述步骤1)中，在颗粒物料混合工艺过程中的不同时间、不同位置取相同质量的样本装入相同尺寸的塑料实验瓶中，采用微焦点CT扫描的方法，获取DR影像数据，对获取的DR影像数据进行归一化处理，处理方式为最大最小值方法。
所述步骤1)中，一维统计特征为灰度直方图特征：
Figure BDA0002887968750000021
式中，H(i)表示灰度直方图，i表示灰度级，L表示灰度级种类数，ni表示图像中具有灰度级i的像素个数，N表示图像的总像素。
所述步骤2)中，取相同质量的颗粒物料样本装入若干个规格相同的塑料实验瓶中，使用搅拌器材搅拌，采用微焦点CT扫描的方法，从试管的正前方、左面、右面三个不同方向获取DR影像数据，提取DR影像数据中感兴趣的区域，将同一试管获取的DR影像数据的一维统计特征拼接成二维矩阵，并作为LSTM复合网络的输入，数据集按比例随机选取训练样本和测试样本。
所述步骤3)中，构建的LSTM复合网络结构包括输入层、隐藏层和输出层，其中隐藏层包括LSTM层、随机失活层和全连接层；随机失活层通过设置保留概率，在遍历网络每一层的节点的过程中，使得神经网络不偏向于某一特定截点，用来降低LSTM网络过拟合；全连接层可将随机失活层后输出的样本特征映射到样本标记空间，便于分类器分类。LSTM层有三种门限向细胞中删除或更新信息，分别为：遗忘门、输入门、输出门。其中所述门限的计算公式分别为：
ft＝σ(Wf·[ht-1,xt]+bf) (2)
it＝σ(Wi·[ht-1,xt]+bi) (3)
Figure BDA0002887968750000031
Figure BDA0002887968750000032
ot＝σ(Wo·[ht-1,xt]+bo) (6)
ht＝ot*tanh(Ct) (7)
(2)式中，ft表示遗忘门选择输入的信息，Wf表示权重，σ指标准sigmoid激活函数。xt为t时刻隐藏层的输入向量，ht-1为前一个隐藏层单元的输出向量，bf表示偏置，·为两个向量的乘积；(3)式中it表示输入门，Wi表示权重，bi表示偏置，其余参数含义与(1)相同；(3)式中
Figure BDA0002887968750000033
表示输入信息经过tanh函数变换后的输出值，Wc为权重，bc为偏置；(5)式中的Ct与Ct-1分别表示上一个时刻与当前时刻输入门最终输入的单元状态；(6)式中ot表示输出门，Wo表示权重，bo表示偏置；(7)式中ht表示该隐藏层单元的最终输出。
所述步骤4)中，针对LSTM输出层，选用Softmax分类器输出均匀性判定结果。
所述步骤5)中，进行训练的关键参数设置如下：训练比率为50％，隐藏元的个数为50，最小训练批为32，学习率为0.001，训练轮次为1000，随机失活层的失活比率为0.4。
所述步骤6)中，使用训练集特征数据作为LSTM复合网络的输入，完成一次训练；不断改变输入数据训练网络，自动调整梯度，最终得到相对较优的网络模型。在网络训练的过程中采用的时间反向传播算法。
所述步骤7)中，以测试集的分类精度为标准，通过固定一种参数而改变另一种参数对其参数进行优化，精度越大分类效果越好。
与现有技术相比，本发明的有益效果是：本发明利用DR影像的统计特征和相同时长DR影像组的多维特征、设计了基于LSTM网络为基础，增加随机失活层和全连接层的LSTM复合网络，构建了一种基于影像统计特征和LSTM复合网络的分类方法。并且通过多次调节、优化得到较优的LSTM模型，所搭建的模型能对不同均匀态的颗粒物料DR影像进行准确的分类。
附图说明
图1是基于影像特征和LSTM复合网络的颗粒物料混合均匀性算法流程图。
图2是LSTM复合网络的结构图。
图3是传统LSTM网络的神经元结构图。
具体实施方式：
下面结合附图和实施例详细说明本发明的实施方式。
本发明一种基于影像统计特征和LSTM复合网络的颗粒物料混合均匀性检测方法，充分利用LSTM网络的长短时记忆性和Softmax分类器特性，提高了检测精度。通过检测混合物的均匀性，可指导非透明容器的“盲混”工作。结果表明利用LSTM复合网络和DR影像的特性，搭建LSTM网络分类模型，能够准确地对图像分类，泛化能力也较好。
如图1所示，本发明具体包括如下步骤：
对数据采集的DR影像进行归一化处理和提取统计特征；
将特征数据按照一定比例划分为训练集和测试集作为LSTM复合网络的输入；
参照图2搭建LSTM复合网络网络模型，LSTM深度神经网络包括记忆单元，记忆单元内包括遗忘门、输入门和输出门，能够选择性记忆反馈的损失函数随梯度下降的修正参数。LSTM层神经元模型参照图3；
初始化LSTM复合网络的参数；
逐层训练，将上一层网络的隐藏层，每一个LSTM神经元的输出都输入到下一层LSTM隐含层对应的LSTM神经元进行计算；
通过Softmax分类，对LSTM复合网络输出进行分类；
对训练好的LSTM网络，通过调试参数进行优化；
选用测试数据进行分类和验证。
本发明实施例更具体的如下:
1.硬件平台
实验中所用的计算机配置环境为：操作系统为Windows10,处理器为Inter(R)Core(TM)i5-6300HQ CPU@2.30GHz、NVIDIA GeForce GTX 965M和16GB内存。
2.实验数据
在颗粒物料混合工艺过程中的不同时间、不同位置取相同质量的样本装入相同尺寸的塑料实验瓶中，采用微焦点CT扫描的方法，获取DR影像数据，对获取的DR影像数据进行归一化处理，处理方式为最大最小值方法。
具体地，可取相同质量的颗粒物料样本装入若干个规格相同的塑料实验瓶中，使用搅拌器材搅拌，采用微焦点CT扫描的方法，从试管的正前方、左面、右面三个不同方向获取DR影像数据，提取DR影像数据中感兴趣的区域，将同一试管获取的DR影像数据的一维统计特征拼接成二维矩阵，并作为LSTM复合网络的输入，数据集按比例随机选取训练样本和测试样本。
其中一维统计特征为灰度直方图特征：
Figure BDA0002887968750000051
式中，H(i)表示灰度直方图，i表示灰度级，L表示灰度级种类数，ni表示图像中具有灰度级i的像素个数，N表示图像的总像素。
3.评价指标
本发明选用图像分类所得的分类准确精度为评价指标，衡量的是分类正确的比例的计算公式为：
accuracy＝sum(YPredict＝＝YTest)/sum(YPredict)；accuracy越大，表明分类效果越好。
4.实验结果及评估
在本次模型中，迭代次数、学习率、最小训练批次等都是重要的参数，这些参数的取值对模型的性能表现产生重大的影响，所以选取合适的参数十分关键。
测试集选用的是50％的样本，为避免实验测试的偶然性，其中每次实验进行30次实验取平均值。之后通过固定其他参数只变化一种参数进行实验得到最优的参数模型。参数设置如表1所示：
表1参数初始化设置表
参数名 参数值 含义
numHiddenUnits 50 隐藏节点数
inputSize 256 输入大小
Dropout() 0.4 随机失活保留比例
BatchSize 32 训练批大小
LearningRate 0.001 学习率
MaxEpochs 5000 最大迭代次数
(1)在不同分类器下的结果比较
传统的分类器有K最近邻、支持向量机。近些年随着神经网络的发展，卷积神经网络也被广泛应用于计算机视觉。使用这三种分类器对数据训练，得到相应的分类准确率。如表2所示，通过对比可以得出，LSTM复合网络的分类准确率最高，在此数据集上的分类精度可以达到100％。基于长短期记忆网络的模型在有时间特性的数据集上优于传统的分类方法，也优于没有时间序列特点的CNN模型。
表2不同分类器分类结果比较
分类器 训练样本 测试样本 精度
KNN 50％ 50％ 50％
SVM 50％ 50％ 56.3％
CNN 50％ 50％ 82％
LSTM 50％ 50％ 100％
(2)隐藏元个数对分类精度的影响
神经网络隐藏层节点数越少，计算更为简单，收敛速度越慢，网络不能具有必要的学习能力和信息处理能力5000迭代所用时间相对较短；神经网络节点数越多计算就越为复杂，单次计算量增加，收敛速度快，5000迭代所用时间相对较长。当隐藏层节点数为2000时分类精度反而下降，说明隐藏层节点数存在极小值点。由表3所示，本次实验选用隐藏层节点数numHiddenUnits＝50，此时训练精度更为平稳，精度也可以达到最优，时间消耗相对较少，效率好。
表3隐藏元个数对分类精度的影响和耗时
隐藏层节点数 精度 5000次迭代耗时
1 0.9 1’50”
10 0.95 3’30”
50 1 6’34”
100 1 10’49”
200 1 19’27”
500 1 69’12”
2000 0.95 305’56”
(3)miniBatchSize最小训练批大小的影响
如果没有引入batchSize这一参数，那么在训练中是将所有的训练数据直接输入到网络，经过计算之后得到网络输出值及目标函数值，并以此来调整网络参数从而使目标函数取极小值。当训练集样本非常多时会导致计算量非常大，对内存要求也比较高。但如果每次只读取一个样本作为输入可以充分考虑每一个样本的特殊性，其缺点同样非常明显：在每个训练样本上得到的目标函数值差别可能较大，因此最后得到的目标函数值不足以代表每个样本。也就是说，这种方法得到的模型对样本的泛化能力差。所以训练批的大小不宜过大也不应该太小，在一定的范围内适当增大训练批的大小可以加快迭代速度，提高内存的使用效率。
在batchaSize＝1时，训练模型很难趋于稳定状态，虽然达到1000次迭代的耗时最短，但训练过程不稳定，不容易达到收敛。所以batchaSize＝1达到稳定状态的耗时和迭代次数是最大的。在一定范围内，一般来说batchSize越大，其确定的下降方向越准，引起训练震荡越小。当batchSize＝32时，训练模型很容易达到稳定状态，内存利用率更好，模型的泛化能力也越强。由于图像训练时一般会使用GPU，所以将batchSize设置为2的n次方效率更高，如表4所示。
表4 miniBatchSize对分类精度的影响和耗时
batchSize大小 精度 1000次迭代的耗时
1 1 37”
2 1 38”
8 1 47”
16 1 56”
32 1 1’5”
(4)失活率dropoutLayer的影响
在机器学习的一些模型中，如果模型的参数太多，而训练样本又太少的话，这样训练出来的模型很容易产生过拟合现象。dropout可以比较有效的缓解过拟合的发生，在一定程度上达到正则化的效果。前向传播的时候，让某个神经元的激活值以一定的概率停止工作，它不会太依赖某些局部的特征，这样可以使模型泛化性更强。没有随机失活层时，训练模型波动性小，容易产生过拟合。但如果失活率达到0.9，分类精度变差，说明失活率过大效果也并不好，训练模型波动幅度增大，泛化能力变差，模型很难达到平稳，收敛速度减慢。失活率在0.3-0.7效果差别不大，都可以使分类精度达到100％。
表5 dropoutLayer对分类精度的影响和耗时
dropoutLayer比例 精度 500次迭代的耗时
0.3 1 41”
0.5 1 33”
0.7 1 35”
0.9 0.95 34”
本文应用LSTM网络结构实现了对颗粒物料搅拌不同时长的图像分类。首先对物料图像进行预处理和统计特征提取。利用处理之后的数据训练LSTM复合网络，由于对数据集进行了特征提取，显著减少了神经网络输入数据的维度，有效降低了网络的训练成本。之后使用随机失活方法，对隐藏层的部分节点进行随机失活，提升了网络的泛化能力，最后通过全连接层对输出维度进行变换输出。
通过和SVM、KNN、CNN进行比对,在50％的测试样本下，LSTM的分类精度可以达到1。由此可以得出，LSTM在处理具有时间序列的样本上具有很大的优势。LSTM不光提高了分类精度，在时间方面也耗时最短。实验结果表明该模型表现出良好的精度和稳定性。最后又对模型中几个重要的参数进行了寻优实验，可以得到：隐藏层节点数设置为50时效果更好，计算也相对简单，精度也可满足要求。BatchSize训练批设置为32时，训练模型稳定且泛化能力更好，内存利用率高，耗时也可以接受。失活率dropoutLayer为0.3-0.7时差别不大，都可以达到较好的分类精度。

Claims (9)

1.一种基于影像统计特征和LSTM复合网络的颗粒物料混合均匀性检测方法，其特征在于，包括如下步骤：
步骤1)，获取不同均匀态的颗粒物料的DR影像数据，对DR影像数据提取一维统计特征；
步骤2)，将一维统计特征数据拼接成二维矩阵，划分为训练集数据和测试集数据；
步骤3)，构建LSTM复合网络模型；
步骤4)，选用Softmax分类器，对LSTM复合网络模型输出进行分类；
步骤5)，利用训练集数据对构建的LSTM复合网络模型进行训练；
步骤6)，对训练好的LSTM复合网络模型，通过调试参数进行优化，在优化后的LSTM复合网络模型中，选用测试集数据进行验证，最终，利用优化后的LSTM复合网络模型检测颗粒物料的混合均匀性。
2.根据权利要求1所述基于影像统计特征和LSTM复合网络的颗粒物料混合均匀性检测方法，其特征在于，所述步骤1)中，在颗粒物料混合工艺过程中的不同时间、不同位置取相同质量的样本装入相同尺寸的塑料实验瓶中，采用微焦点CT扫描的方法，获取DR影像数据，对获取的DR影像数据进行归一化处理，处理方式为最大最小值方法。
3.根据权利要求1所述基于影像统计特征和LSTM复合网络的颗粒物料混合均匀性检测方法，其特征在于，所述步骤1)中，一维统计特征为灰度直方图特征：
Figure FDA0002887968740000011
式中，H(i)表示灰度直方图，i表示灰度级，L表示灰度级种类数，ni表示图像中具有灰度级i的像素个数，N表示图像的总像素。
4.根据权利要求1所述基于影像统计特征和LSTM复合网络的颗粒物料混合均匀性检测方法，其特征在于，所述步骤2)中，取相同质量的颗粒物料样本装入若干个规格相同的塑料实验瓶中，使用搅拌器材搅拌，采用微焦点CT扫描的方法，从试管的正前方、左面、右面三个不同方向获取DR影像数据，提取DR影像数据中感兴趣的区域，将同一试管获取的DR影像数据的一维统计特征拼接成二维矩阵，并作为LSTM复合网络的输入，数据集按比例随机选取训练样本和测试样本。
5.根据权利要求1所述基于影像统计特征和LSTM复合网络的颗粒物料混合均匀性检测方法，其特征在于，所述步骤3)中，构建的LSTM复合网络结构包括输入层、隐藏层和输出层，其中隐藏层包括LSTM层、随机失活层和全连接层；随机失活层通过设置保留概率，在遍历网络每一层的节点的过程中，使得神经网络不偏向于某一特定截点，用来降低LSTM网络过拟合；全连接层可将随机失活层后输出的样本特征映射到样本标记空间，便于分类器分类，LSTM层有三种门限向细胞中删除或更新信息，分别为：遗忘门、输入门、输出门，门限的计算公式分别为：
ft＝σ(Wf·[ht-1,xt]+bf) (2)
it＝σ(Wi·[ht-1,xt]+bi) (3)
Figure FDA0002887968740000021
Figure FDA0002887968740000022
ot＝σ(Wo·[ht-1,xt]+bo) (6)
ht＝ot*tanh(Ct) (7)
(2)式中，ft表示遗忘门选择输入的信息，Wf表示权重，σ指标准sigmoid激活函数，xt为t时刻隐藏层的输入向量，ht-1为前一个隐藏层单元的输出向量，bf表示偏置，·为两个向量的乘积；(3)式中it表示输入门，Wi表示权重，bi表示偏置；(4)式中
Figure FDA0002887968740000023
表示输入信息经过tanh函数变换后的输出值，Wc为权重，bc为偏置；(5)式中的Ct-1与Ct分别表示上一个时刻与当前时刻输入门最终输入的单元状态；(6)式中ot表示输出门，Wo表示权重，bo表示偏置；(7)式中ht表示隐藏层单元的最终输出。
6.根据权利要求1所述基于影像统计特征和LSTM复合网络的颗粒物料混合均匀性检测方法，其特征在于，所述步骤4)中，针对LSTM输出层，选用Softmax分类器输出均匀性判定结果。
7.根据权利要求1所述基于影像统计特征和LSTM复合网络的颗粒物料混合均匀性检测方法，其特征在于，所述步骤5)中，进行训练的关键参数设置如下：训练比率为50％，隐藏元的个数为50，最小训练批为32，学习率为0.001，训练轮次为1000，随机是活层的失活比率为0.4。
8.根据权利要求1所述基于影像统计特征和LSTM复合网络的颗粒物料混合均匀性检测方法，其特征在于，所述步骤5)中，使用训练集特征数据作为LSTM复合网络的输入，完成一次训练；不断改变输入数据训练网络，自动调整梯度，最终得到相对较优的网络模型，其中在网络训练的过程中采用的时间反向传播算法；所述步骤6)中，在优化后的LSTM复合网络模型中，选用测试集数据进行分类和验证。
9.根据权利要求1所述基于影像统计特征和LSTM复合网络的颗粒物料混合均匀性检测方法，其特征在于，所述步骤6)中，采用标准最小误差评估方法，以测试集的分类精度为标准，通过固定一种参数而改变另一种参数对其参数进行优化，精度越大分类效果越好。
CN202110019487.8A 2020-11-25 2021-01-07 基于影像统计特征和lstm复合网络的颗粒物料混合均匀性检测方法 Active CN112686881B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN2020113374130 2020-11-25
CN202011337413 2020-11-25

Publications (2)

Publication Number Publication Date
CN112686881A true CN112686881A (zh) 2021-04-20
CN112686881B CN112686881B (zh) 2023-06-06

Family

ID=75456308

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110019487.8A Active CN112686881B (zh) 2020-11-25 2021-01-07 基于影像统计特征和lstm复合网络的颗粒物料混合均匀性检测方法

Country Status (1)

Country Link
CN (1) CN112686881B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113627293A (zh) * 2021-07-29 2021-11-09 三一汽车制造有限公司 混合物搅拌均匀性检测方法、装置及搅拌设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012177108A2 (ko) * 2011-10-04 2012-12-27 주식회사 켐에쎈 순수한 화합물의 물리화학적 및 열역학적 성질을 예측，프로세스 및 온라인 서비스하는 모델，방법 및 시스템
CN104964947A (zh) * 2015-06-12 2015-10-07 安徽华润金蟾药业股份有限公司 一种黄芪配方颗粒混合过程在线质量控制方法
CN108182260A (zh) * 2018-01-03 2018-06-19 华南理工大学 一种基于语义选择的多变量时间序列分类方法
CN108985297A (zh) * 2018-06-04 2018-12-11 平安科技（深圳）有限公司 手写模型训练、手写图像识别方法、装置、设备及介质
US10726830B1 (en) * 2018-09-27 2020-07-28 Amazon Technologies, Inc. Deep multi-channel acoustic modeling

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012177108A2 (ko) * 2011-10-04 2012-12-27 주식회사 켐에쎈 순수한 화합물의 물리화학적 및 열역학적 성질을 예측，프로세스 및 온라인 서비스하는 모델，방법 및 시스템
CN104964947A (zh) * 2015-06-12 2015-10-07 安徽华润金蟾药业股份有限公司 一种黄芪配方颗粒混合过程在线质量控制方法
CN108182260A (zh) * 2018-01-03 2018-06-19 华南理工大学 一种基于语义选择的多变量时间序列分类方法
CN108985297A (zh) * 2018-06-04 2018-12-11 平安科技（深圳）有限公司 手写模型训练、手写图像识别方法、装置、设备及介质
US10726830B1 (en) * 2018-09-27 2020-07-28 Amazon Technologies, Inc. Deep multi-channel acoustic modeling

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
MOHAMED MASSAOUDI ET AL: "Performance Evaluation of Deep Recurrent Neural Networks Architectures: Application to PV Power Forecasting", 《2019 2ND INTERNATIONAL CONFERENCE ON SMART GRID AND RENEWABLE ENERGY (SGRE)》, pages 1 - 6 *
高常乐等: "基于 LSTM的烟气NOx浓度动态软测量模型", 《热能动力工程》, vol. 35, no. 3 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113627293A (zh) * 2021-07-29 2021-11-09 三一汽车制造有限公司 混合物搅拌均匀性检测方法、装置及搅拌设备

Also Published As

Publication number Publication date
CN112686881B (zh) 2023-06-06

Similar Documents

Publication Publication Date Title
Haji et al. Comparison of optimization techniques based on gradient descent algorithm: A review
Ij Statistics versus machine learning
Li et al. Multi-objective feature selection using hybridization of a genetic algorithm and direct multisearch for key quality characteristic selection
Abdolshah et al. Multi-objective Bayesian optimisation with preferences over objectives
CN111126575B (zh) 基于机器学习的气体传感器阵列混合气体检测方法及装置
CN111914728B (zh) 高光谱遥感影像半监督分类方法、装置及存储介质
CN108171012B (zh) 一种基因分类方法与装置
Yi et al. An improved initialization center algorithm for K-means clustering
CN103955709B (zh) 基于加权合成核与tmf的极化sar图像分类方法
Tjärnberg et al. Optimal tuning of weighted kNN-and diffusion-based methods for denoising single cell genomics data
CN108932301A (zh) 数据填充方法及装置
Li et al. Self-paced ARIMA for robust time series prediction
Ma et al. Improving uncertainty calibration of deep neural networks via truth discovery and geometric optimization
Chu et al. Co-training based on semi-supervised ensemble classification approach for multi-label data stream
CN116109613A (zh) 一种基于分布表征的缺陷检测方法和系统
Sun et al. Knowledge-guided bayesian support vector machine for high-dimensional data with application to analysis of genomics data
CN112686881B (zh) 基于影像统计特征和lstm复合网络的颗粒物料混合均匀性检测方法
Lu et al. Robust and scalable Gaussian process regression and its applications
Qiao et al. A multi-level thresholding image segmentation method using hybrid Arithmetic Optimization and Harris Hawks Optimizer algorithms
Rajwar et al. Uncovering structural bias in population-based optimization algorithms: A theoretical and simulation-based analysis of the Generalized Signature Test
Wu et al. Adaptive weighted fuzzy clustering based on intra-cluster data divergence
Zhang et al. Dbiecm-an evolving clustering method for streaming data clustering
Hamid et al. Marginalising over stationary kernels with Bayesian quadrature
Cao et al. Generalization errors of Laplacian regularized least squares regression
CN112257787B (zh) 基于生成式双重条件对抗网络结构的图像半监督分类方法

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