CN114483346B - 一种基于小样本的发动机多流量管进气温度修正方法、装置和存储介质 - Google Patents
一种基于小样本的发动机多流量管进气温度修正方法、装置和存储介质 Download PDFInfo
- Publication number
- CN114483346B CN114483346B CN202210126111.1A CN202210126111A CN114483346B CN 114483346 B CN114483346 B CN 114483346B CN 202210126111 A CN202210126111 A CN 202210126111A CN 114483346 B CN114483346 B CN 114483346B
- Authority
- CN
- China
- Prior art keywords
- model
- flow tube
- layer
- network
- layers
- 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.)
- Active
Links
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
- F02D—CONTROLLING COMBUSTION ENGINES
- F02D41/00—Electrical control of supply of combustible mixture or its constituents
- F02D41/0002—Controlling intake air
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
- F02D—CONTROLLING COMBUSTION ENGINES
- F02D45/00—Electrical control not provided for in groups F02D41/00 - F02D43/00
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
Abstract
本发明公开了一种基于小样本的发动机多流量管进气温度修正方法、装置和存储介质,方法包括以下步骤:对现有流量管的数据集进行分类,每类数据有不同的修正模型;寻找与新流量管的目标数据集差异最小的类别,在该类的修正模型基础上进行微调,得到新流量管的修正模型。本发明将原型网络与模型微调两种方法相结合,通过将已有数据集进行分类,每类数据有不同的修正模型,并寻找与目标数据集差异最小的类别,在该类的修正模型基础上进行微调,有以下好处:(1)节省时间和计算资源,节约人力物力成本;(2)提升了模型的准确率和泛化能力。
Description
技术领域
本发明涉及发动机监测领域,尤其涉及一种基于小样本的发动机多流量管进气温度修正方法、装置和存储介质。
背景技术
进气总温修正对每一个发动机来说是一个共同的问题,对目前已有的流量管类型,通过较多的历史数据,采用一些建模方法,每个流量管都可以得到一个对应的精确度比较高的预测模型(修正模型),对进气总温进行修正。但是在未来如果新增了新型流量管,仍然采取用大量数据训练来达到较高的准确率,需要做很多次实验,耗费物力和人力;直接使用有限的数据,模型容易过拟合,而且最终得到的模型的精度也可能达不到使用的要求。所以如何用更少的数据为新型流量管训练出一个准确率较高的模型是我们需要解决的问题。小样本学习领域的方法主要分为基于模型微调、基于数据增强和基于迁移学习这三大类,现有的模型都是单一使用某种类别的方法,对于解决多流量管进气总温的修正问题,准确率并不高。
因此提供一种基于小样本的发动机多流量管进气温度修正方法、装置和存储介质,属于本领域亟待解决的问题。
发明内容
本发明的目的在于克服现有技术的不足,提供一种基于小样本的发动机多流量管进气温度修正方法、装置和存储介质。
本发明的目的是通过以下技术方案来实现的:
本发明的第一方面,提供一种基于小样本的发动机多流量管进气温度修正方法,包括以下步骤:
对现有流量管的数据集进行分类,每类数据有不同的修正模型;
寻找与新流量管的目标数据集差异最小的类别,在该类的修正模型基础上进行微调,得到新流量管的修正模型。
进一步地,所述寻找与新流量管的目标数据集差异最小的类别,在该类的修正模型基础上进行微调,得到新流量管的修正模型,包括:
建立并训练原型网络模型,利用原型网络模型得到每个类在嵌入空间中的原型表示即中心点表示;
将新流量管的目标数据集输入原型网络模型,提取目标数据集的原型表示,并和各个类的中心点做相似度计算;取相似度最高的类别作为分类结果,将该类别对应的修正模型作为初始模型;
复写所述初始模型得到目标模型,其中第一部分网络层的参数保持不变,将二部分网络层的参数随机初始化;
用目标数据集训练所述目标模型,得到所述新流量管的修正模型。
进一步地,所述原型网络模型为包括多个卷积层、多个批规范化层、多个池化层、多个RELU激活层以及全连接层的卷积神经网络。
进一步地,所述流量管进气温度数据分为支持集和查询集;所述训练原型网络模型包括:
将每个类中的支持集输入到原型网络模型中得到中心点;
用同一类的查询集中的数据与中心点进行基于欧几里得的距离度量,计算损失,从而更新原型网络模型中每层的权值;
对模型进行迭代优化,直到准确率满足要求。
进一步地,所述和各个类的中心点做相似度计算的方式为:利用欧式距离与各个类的中心点分别做相似度计算。
进一步地,所述修正模型包括:L-1个隐藏层、一个输出层,其中每个隐藏层都包括N个神经元,采用ReLU函数作为激活函数,共L个层。
进一步地,所述第一部分网络层的参数保持不变,将二部分网络层的参数随机初始化,包括:
第1到L-1层的网络层的参数保持不变,第L层的网络层即输出层的参数随机初始化。
进一步地,所述用目标数据集训练所述目标模型,包括:
对于第1层到底L-1层设置相对较小的学习率,以达到对参数进行微调的效果;
对于第L层设置相对较大的学习率,从头训练。
本发明的第二方面,提供一种基于小样本的发动机多流量管进气温度修正装置,包括存储器和处理器,所述存储器上存储有可在所述处理器上运行的计算机指令,所述处理器运行所述计算机指令时执行所述的一种基于小样本的发动机多流量管进气温度修正方法的步骤。
本发明的第三方面,提供一种存储介质,其上存储有计算机指令,所述计算机指令运行时执行所述的一种基于小样本的发动机多流量管进气温度修正方法的步骤。
本发明的有益效果是:
(1)在本发明的一示例性实施例中,将原型网络与模型微调两种方法相结合,通过将已有数据集进行分类,每类数据有不同的修正模型,并寻找与目标数据集差异最小的类别,在该类的修正模型基础上进行微调,有以下好处:(1)节省时间和计算资源,节约人力物力成本;(2)提升了模型的准确率和泛化能力。
(2)在本发明的又一示例性实施例中,由于各个流量管的实验数据在参数上、数据特征、数据关系等方面是相似的,所以修正模型的结构整体上也是相似的,由于材质结构等不同,模型会有所差异;因此在该示例性实施例中,首先利用原型网络提取每个类的中心点,并通过基于距离度量的分类器把与目标样本集最相似的数据集对应的模型作为初始模型,然后进行微调得到目标模型;如果目标模型精度满足要求,就可以投入使用,不满足要求可以进行增量训练提高模型性能。
(3)在本发明的又一示例性实施例中,第1到L-1层的网络层的参数保持不变,第L层的网络层的参数随机初始化,以达到有效利用原修正模型中间网络层学到的特征,防止过拟合,又能尽快收敛的效果。。
(4)在本发明的又一示例性实施例中,对于第1层到底L-1层设置相对较小的学习率,以达到对参数进行微调的效果;对于第L层设置相对较大的学习率,从头训练。
附图说明
图1为本发明一示例性实施例提供的基于小样本的发动机多流量管进气温度修正方法的流程图;
图2为本发明一示例性实施例提供的步骤S03的流程图;
图3为本发明一示例性实施例提供的第一部分网络层的参数保持不变、将二部分网络层的参数随机初始化的示意图。
具体实施方式
下面结合附图对本发明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。
在本发明的描述中,需要说明的是,属于“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方向或位置关系为基于附图所述的方向或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,属于“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
在本申请使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本申请可能采用术语第一、第二、第三等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本申请范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。此外,属于“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性。
此外,下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
参见图1,图1示出了本发明一示例性实施例提供的一种基于小样本的发动机多流量管进气温度修正方法的流程图,包括以下步骤:
S01:对现有流量管的数据集进行分类,每类数据有不同的修正模型;
S03:寻找与新流量管的目标数据集差异最小的类别,在该类的修正模型基础上进行微调,得到新流量管的修正模型。
具体地,在本示例性实施例中,将原型网络与模型微调两种方法相结合,通过将已有数据集进行分类,每类数据有不同的修正模型,并寻找与目标数据集差异最小的类别,在该类的修正模型基础上进行微调,有以下好处:(1)节省时间和计算资源,节约人力物力成本;(2)提升了模型的准确率和泛化能力。
更优地,参见图2,在一示例性实施例中,步骤S03中所述寻找与新流量管的目标数据集差异最小的类别,在该类的修正模型基础上进行微调,得到新流量管的修正模型,包括:
S0301:建立并训练原型网络模型,利用原型网络模型得到每个类在嵌入空间中的原型表示即中心点表示;
S0303:将新流量管的目标数据集输入原型网络模型,提取目标数据集的原型表示(在其中一示例性实施例,为特征向量),并和各个类的中心点做相似度计算;取相似度最高的类别作为分类结果,将该类别对应的修正模型作为初始模型;
S0305:复写所述初始模型得到目标模型,其中第一部分网络层的参数保持不变,将二部分网络层的参数随机初始化;
S0307:用目标数据集训练所述目标模型,得到所述新流量管的修正模型。
具体地,在该示例性实施例中,由于各个流量管的实验数据在参数上、数据特征、数据关系等方面是相似的,所以修正模型的结构整体上也是相似的,由于材质结构等不同,模型会有所差异。因此在该示例性实施例中,首先利用原型网络提取每个类的中心点,并通过基于距离度量的分类器把与目标样本集最相似的数据集对应的模型作为初始模型,然后进行微调得到目标模型。如果目标模型精度满足要求,就可以投入使用,不满足要求可以进行增量训练提高模型性能。
更优地,在一示例性实施例中,所述原型网络模型为包括多个卷积层、多个批规范化层、多个池化层、多个RELU激活层,全连接层的卷积神经网络。
在一具体示例性实施例中,具体结构为:第一卷积层→第一批规范化层→第一池化层→第一RELU层→第二卷积层→第二批规范化层→第二池化层→第二RELU层→第三卷积层→第三批规范化层→第三池化层→第三RELU层→第四卷积层→第四批规范化层→第四RELU层→第五卷积层→第五批规范化层→第五RELU层→全连接层。
其中五个卷积层的卷积核大小均为3*3,步长均为1,第一卷积层,第二卷积层和第五卷积层的卷积核个数为16,第三卷积层和第四卷积层的卷积核个数为32,三个最大池化层的大小均为2*2,滑动步长均为2;全连接层包括125个节点。
更优地,在一示例性实施例中,所述流量管进气温度数据分为支持集和查询集;步骤S0301中所述训练原型网络模型包括:
S030101:将每个类中的支持集输入到原型网络模型中得到中心点;
S030103:用同一类的查询集中的数据与中心点进行基于欧几里得的距离度量,计算损失,从而更新原型网络模型中每层的权值;
S030105:对模型进行迭代优化,直到准确率满足要求。
具体地,在该示例性实施例中,从样本集中每次随机选择Nc个类进行迭代,从每个类别中选取Ns个数据作为支持集,Nq个数据作为查询集。
更优地,在一示例性实施例中,步骤S0303中所述和各个类的中心点做相似度计算的方式为:利用欧式距离与各个类的中心点分别做相似度计算。
更优地,在一示例性实施例中,所述修正模型包括:L-1个隐藏层,一个输出层,其中每个隐藏层都包括N个神经元,采用ReLU函数作为激活函数,共L个层。
在又一示例性实施例中,L为4,即有3个隐藏层和1个输出层;隐藏层包括64个神经元。
更优地,在一示例性实施例中,所述第一部分网络层的参数保持不变,将二部分网络层的参数随机初始化,如图3所示,包括:
第1到L-1层的网络层的参数保持不变,第L层的网络层的参数随机初始化。
具体地,在该示例性实施例中,目标数据与原流量管的数据参数基本相同,所以假设修正模型除输出层(顶层)外的其他层学到的知识同样适用于目标数据,因此对其他层进行微调,对顶层用相对较大的学习率进行训练,收敛最快,也能防止过拟合。
更优地,在一示例性实施例中,步骤S0307中所述用目标数据集训练所述目标模型,包括:
对于第1层到底L-1层设置相对较小的学习率,以达到对参数进行微调的效果;
对于第L层设置相对较大的学习率,从头训练。
与上述示例性实施例具有相同的发明构思,本发明的又一示例性实施例提供一种基于小样本的发动机多流量管进气温度修正装置,包括存储器和处理器,所述存储器上存储有可在所述处理器上运行的计算机指令,所述处理器运行所述计算机指令时执行所述的一种基于小样本的发动机多流量管进气温度修正方法的步骤。
电子设备以通用计算设备的形式表现。电子设备的组件可以包括但不限于:上述至少一个处理单元、上述至少一个存储单元、连接不同系统组件(包括存储单元和处理单元)的总线。
其中,所述存储单元存储有程序代码,所述程序代码可以被所述处理单元执行,使得所述处理单元执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。例如,所述处理单元可以执行如图1中所示方法。
存储单元可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)3201和/或高速缓存存储单元,还可以进一步包括只读存储单元(ROM)。
存储单元还可以包括具有一组(至少一个)程序模块的程序/实用工具,这样的程序模块包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备也可以与一个或多个外部设备(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该电子设备交互的设备通信,和/或与使得该电子设备能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口进行。并且,电子设备还可以通过网络适配器与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。网络适配器通过总线与电子设备的其它模块通信。应当明白,可以结合电子设备使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本示例性实施例的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本示例性实施例的方法。
与上述示例性实施例具有相同的发明构思,本发明的又一示例性实施例提供一种存储介质,其上存储有计算机指令,所述计算机指令运行时执行所述的一种基于小样本的发动机多流量管进气温度修正方法的步骤。
基于这样的理解,本实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品(程序产品)的形式体现出来,该计算机软件产品存储在一个存储介质中,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)执行本发明各个实施例所述方法的全部或部分步骤。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
显然,上述实施例仅仅是为清楚地说明所作的举例,而并非对实施方式的限定,对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其他不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (6)
1.一种基于小样本的发动机多流量管进气温度修正方法,其特征在于:包括以下步骤:
对现有流量管的数据集进行分类,每类数据有不同的修正模型;
寻找与新流量管的目标数据集差异最小的类别,在该类的修正模型基础上进行微调,得到新流量管的修正模型;
所述寻找与新流量管的目标数据集差异最小的类别,在该类的修正模型基础上进行微调,得到新流量管的修正模型,包括:
建立并训练原型网络模型,利用原型网络模型得到每个类在嵌入空间中的原型表示即中心点表示;
将新流量管的目标数据集输入原型网络模型,提取目标数据集的原型表示,并和各个类的中心点做相似度计算;取相似度最高的类别作为分类结果,将该类别对应的修正模型作为初始模型;
复写所述初始模型得到目标模型,其中第一部分网络层的参数保持不变,将第二部分网络层的参数随机初始化;
用目标数据集训练所述目标模型,得到所述新流量管的修正模型;
所述修正模型包括:L-1个隐藏层和一个输出层,其中每个隐藏层都包括N个神经元,采用ReLU函数作为激活函数,共L个层;
所述第一部分网络层的参数保持不变,将二部分网络层的参数随机初始化,包括:
第1到L-1层的网络层的参数保持不变,第L层的网络层即输出层的参数随机初始化;
所述用目标数据集训练所述目标模型,包括:
对于第1层到第L-1层设置小的学习率,以达到对参数进行微调的效果;
对于第L层设置大的学习率,从头训练。
2.根据权利要求1所述的一种基于小样本的发动机多流量管进气温度修正方法,其特征在于:所述原型网络模型为包括多个卷积层、多个批规范化层、多个池化层、多个RELU激活层以及全连接层的卷积神经网络。
3.根据权利要求1或2所述的一种基于小样本的发动机多流量管进气温度修正方法,其特征在于:所述流量管进气温度数据分为支持集和查询集;所述训练原型网络模型包括:
将每个类中的支持集输入到原型网络模型中得到中心点;
用同一类的查询集中的数据与中心点进行基于欧几里得的距离度量,计算损失,从而更新原型网络模型中每层的权值;
对模型进行迭代优化,直到准确率满足要求。
4.根据权利要求1所述的一种基于小样本的发动机多流量管进气温度修正方法,其特征在于:所述和各个类的中心点做相似度计算的方式为:利用欧式距离与各个类的中心点分别做相似度计算。
5.一种基于小样本的发动机多流量管进气温度修正装置,包括存储器和处理器,所述存储器上存储有可在所述处理器上运行的计算机指令,其特征在于:所述处理器运行所述计算机指令时执行如权利要求1~4中任意一项所述的一种基于小样本的发动机多流量管进气温度修正方法的步骤。
6.一种存储介质,其上存储有计算机指令,其特征在于:所述计算机指令运行时执行如权利要求1~4中任意一项所述的一种基于小样本的发动机多流量管进气温度修正方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210126111.1A CN114483346B (zh) | 2022-02-10 | 2022-02-10 | 一种基于小样本的发动机多流量管进气温度修正方法、装置和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210126111.1A CN114483346B (zh) | 2022-02-10 | 2022-02-10 | 一种基于小样本的发动机多流量管进气温度修正方法、装置和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114483346A CN114483346A (zh) | 2022-05-13 |
CN114483346B true CN114483346B (zh) | 2023-06-20 |
Family
ID=81478206
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210126111.1A Active CN114483346B (zh) | 2022-02-10 | 2022-02-10 | 一种基于小样本的发动机多流量管进气温度修正方法、装置和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114483346B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06288805A (ja) * | 1993-03-30 | 1994-10-18 | Oval Corp | 空気流量計 |
CN109961089A (zh) * | 2019-02-26 | 2019-07-02 | 中山大学 | 基于度量学习和元学习的小样本和零样本图像分类方法 |
CN112529107A (zh) * | 2020-12-28 | 2021-03-19 | 华中科技大学 | 基于可见光图像识别的等离子体温度瞬态诊断方法和系统 |
CN113153551A (zh) * | 2020-01-07 | 2021-07-23 | 丰田自动车株式会社 | 空气流量计的异常诊断装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6798571B2 (ja) * | 2019-03-08 | 2020-12-09 | トヨタ自動車株式会社 | モデル集約装置及びモデル集約システム |
-
2022
- 2022-02-10 CN CN202210126111.1A patent/CN114483346B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06288805A (ja) * | 1993-03-30 | 1994-10-18 | Oval Corp | 空気流量計 |
CN109961089A (zh) * | 2019-02-26 | 2019-07-02 | 中山大学 | 基于度量学习和元学习的小样本和零样本图像分类方法 |
CN113153551A (zh) * | 2020-01-07 | 2021-07-23 | 丰田自动车株式会社 | 空气流量计的异常诊断装置 |
CN112529107A (zh) * | 2020-12-28 | 2021-03-19 | 华中科技大学 | 基于可见光图像识别的等离子体温度瞬态诊断方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114483346A (zh) | 2022-05-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11704541B2 (en) | Graph neural network systems for generating structured representations of objects | |
EP3711000B1 (en) | Regularized neural network architecture search | |
US20230075100A1 (en) | Adversarial autoencoder architecture for methods of graph to sequence models | |
CN111460234B (zh) | 图查询方法、装置、电子设备及计算机可读存储介质 | |
CN114048331A (zh) | 一种基于改进型kgat模型的知识图谱推荐方法及系统 | |
US10311058B1 (en) | Techniques for processing neural queries | |
WO2021051517A1 (zh) | 基于卷积神经网络的信息检索方法、及其相关设备 | |
WO2020168851A1 (zh) | 行为识别 | |
Wang et al. | A conscience on-line learning approach for kernel-based clustering | |
CN112905801A (zh) | 基于事件图谱的行程预测方法、系统、设备及存储介质 | |
CN116959613B (zh) | 基于量子力学描述符信息的化合物逆合成方法及装置 | |
US20230084203A1 (en) | Automatic channel pruning via graph neural network based hypernetwork | |
CN115661550A (zh) | 基于生成对抗网络的图数据类别不平衡分类方法及装置 | |
WO2021143016A1 (zh) | 近似数据处理方法、装置、介质及电子设备 | |
CN114483346B (zh) | 一种基于小样本的发动机多流量管进气温度修正方法、装置和存储介质 | |
CN112243509A (zh) | 从异构源生成数据集用于机器学习的系统和方法 | |
US20240006017A1 (en) | Protein Structure Prediction | |
CN114997360B (zh) | 神经架构搜索算法的演化参数优化方法、系统及存储介质 | |
US20220358407A1 (en) | System and method for initiating a completed lading request | |
CN116415177A (zh) | 一种基于极限学习机的分类器参数辨识方法 | |
CN115599918A (zh) | 一种基于图增强的互学习文本分类方法及系统 | |
CN115270988A (zh) | 知识表征解耦的分类模型的微调方法、装置和应用 | |
WO2022271369A1 (en) | Training of an object linking model | |
US10395169B1 (en) | Self learning neural knowledge artifactory for autonomous decision making | |
Li et al. | Trajectory representation learning based on road network partition for similarity computation |
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 |