CN116757534B - 一种基于神经训练网络的智能冰箱可靠性分析方法 - Google Patents

一种基于神经训练网络的智能冰箱可靠性分析方法 Download PDF

Info

Publication number
CN116757534B
CN116757534B CN202310710400.0A CN202310710400A CN116757534B CN 116757534 B CN116757534 B CN 116757534B CN 202310710400 A CN202310710400 A CN 202310710400A CN 116757534 B CN116757534 B CN 116757534B
Authority
CN
China
Prior art keywords
model
data
value
loss function
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.)
Active
Application number
CN202310710400.0A
Other languages
English (en)
Other versions
CN116757534A (zh
Inventor
许应成
宁秀丽
高晓红
华春翔
李莹
李亚
吴倩
冯卫
彭彬
叶如意
王双
赵巍巍
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.)
China National Institute of Standardization
Original Assignee
China National Institute of Standardization
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 China National Institute of Standardization filed Critical China National Institute of Standardization
Priority to CN202310710400.0A priority Critical patent/CN116757534B/zh
Publication of CN116757534A publication Critical patent/CN116757534A/zh
Application granted granted Critical
Publication of CN116757534B publication Critical patent/CN116757534B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/21—Design, administration or maintenance of databases
    • G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2474—Sequence data queries, e.g. querying versioned data
    • 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06N3/048—Activation functions
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Economics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Quality & Reliability (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Computing Systems (AREA)
  • Development Economics (AREA)
  • Databases & Information Systems (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Operations Research (AREA)
  • Educational Administration (AREA)
  • Probability & Statistics with Applications (AREA)
  • Fuzzy Systems (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Game Theory and Decision Science (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训练网络的智能冰箱可靠性分析方法，通过对数据进行清洗、特征提取和归一化处理，改善模型的训练和泛化能力。通过选择适当的网络结构、损失函数和优化算法，可以构建出具有较强预测能力的模型。训练过程中的参数更新和优化算法可以使模型逐步收敛并找到更优的参数配置，从而提高模型的准确性和鲁棒性。通过使用测试集对训练好的模型进行评估，可以获得模型的性能指标，如准确率、召回率、F1分数等，从而客观地评估模型的预测能力。根据评估结果，可以进一步调整模型的参数和结构，以提高模型的性能和泛化能力。使得智能冰箱能够准确地分析食物保质期或预测温度，提供用户更好的使用体验和食品管理。

Description

一种基于神经训练网络的智能冰箱可靠性分析方法
技术领域
本发明涉及智能设备技术领域，尤其涉及一种基于神经训练网络的智能冰箱可靠性分析方法。
背景技术
神经网络是一种基于生物神经系统的计算模型，具有强大的模式识别和学习能力。近年来，随着深度学习的兴起，神经网络在各个领域取得了显著的成果，包括图像识别、自然语言处理、预测分析等。神经网络的训练和优化算法如反向传播和随机梯度下降等，使得模型能够从大规模数据中自动学习并提取特征，广泛应用于解决复杂的模式识别和预测问题。
发明内容
本发明的目的是要提供一种基于神经训练网络的智能冰箱可靠性分析方法。
为达到上述目的，本发明是按照以下技术方案实施的：
本发明包括以下步骤：
S1：收集智能冰箱的历史运行数据，包括温度、湿度、电源状态参数，同时记录冰箱故障和维修记录；对收集到的数据进行预处理和清洗，包括去除异常值、填补缺失数据；
S2：根据冰箱的工作原理和特点，选择合适的特征，所述特征包括温度的平均值、方差、温度变化趋势；对选取的特征进行归一化处理，确保数据在相同的尺度上；
S3：使用卷积神经网络或循环神经网络适合时间序列数据的模型，定义网络的输入和输出，输入为历史数据的特征，输出为冰箱的可靠性标签，可靠性标签正常运行或故障，划分数据集为训练集和测试集，采用交叉验证或留出法进行模型评估；
S4：使用训练集对神经网络进行训练，通过反向传播算法更新网络参数，选择损失函数衡量模型预测结果与实际标签之间的差异，使用优化算法最小化损失函数，优化网络模型；
S5：使用测试集对训练好的模型进行评估，计算模型的准确率、召回率、F1分数指标；根据评估结果调整模型参数或网络结构，进一步提高模型的性能；
S6：将训练好的模型部署到智能冰箱上，实时监测冰箱的运行数据，并利用训练好的模型进行可靠性分析输出评估结果。
所述步骤S1中去除异常值使用统计法、箱线图法或离群点检测算法的一种，所述统计法为：均值、中位数、标准差统计指标检测异常值，并将其视为缺失值或进行修正；所述箱线图法为：通过计算数据的四分位数和四分位距，将超出范围的值定义为异常值并进行处理；所述离群点检测算法：基于聚类分析的方法或基于统计模型的方法检测和处理异常值。
所述步骤S1中填补缺失数据采用删除法、插补法、时间序列插补法或多重插补法的一种，删除法：对于包含缺失值的样本或特征，直接删除相应的数据；插补法：包括均值插补、中位数插补、回归插补、随机插补，根据已有数据来填补缺失值；时间序列插补：时间序列数据使用线性插值、样条插值、拉格朗日插值或时间序列模型填补缺失值；多重插补法：基于概率模型生成多个可能的数据集。
所述步骤S2中归一化处理在特征分布没有明显偏离的情况下，将特征的数值范围缩放到[0,1]之间，如下式：
X_scaled＝(X-X_min)/(X_max-X_min)
式中：X_scaled为经过归一化处理后的数据值；X为原始数据的值；X_min为最小缩放特征的数值；X_max为最大缩放特征的数值；
在特征分布存在明显偏离、或者在需要使用梯度下降优化算法的情况下，将特征的均值缩放为0，标准差缩放为1，如下式：
X_scaled＝(X-X_mean)/X_std
式中：X_mean：原始数据的均值，X_std：原始数据的标准差。
所述步骤S3包括以下步骤：
S3.1：定义模型的输入和输出：输入：历史数据的特征向量，包括温度、湿度；输出：冰箱的可靠性标签，包括正常运行或故障数据；
S3.2：确定模型的结构：输入层：接受特征向量作为输入；隐含层：一层或多层的全连接层，其中每个神经元与上一层的所有神经元相连；激活函数：在隐含层中，使用激活函数引入非线性关系，激活函数包括ReLU、Sigmoid、Tanh；输出层：输出冰箱的可靠性标签，使用Sigmoid函数将输出值映射到[0,1]之间，表示概率；
S3.3：初始化模型的权重和偏置；通过输入数据，按照定义的模型结构进行计算，得到模型的预测结果；使用定义的交叉熵损失函数衡量预测结果与真实标签之间的差异；根据损失函数，使用梯度下降法更新模型的权重和偏置，以减小损失函数的值；重复步骤S3.3，直到达到最大迭代次数或损失函数收敛；
S3.4：模型评估和验证：使用测试集对训练好的模型进行评估，计算准确率、召回率、F1分数指标评估模型的性能。根据评估结果调整模型参数或网络结构，进一步提高模型的性能。
所述步骤S4中反向传播算法包括以下步骤：
S4.1：从输入层开始，通过网络的各个层进行计算，得到模型的预测输出；每一层的计算包括线性变换和激活函数，逐层传递计算结果，直到到达输出层，得到最终的预测值；
S4.2：使用定义的交叉熵损失函数计算预测值与真实标签之间的差异，损失函数的计算结果表示了模型的性能指标；
均方误差MSE：用于回归问题，计算预测值与实际值之间的平方差的均值。
MSE＝(1/N)*Σ(y_pred-y_actual)^2
式中：MSE：均方误差，用于衡量预测值和实际值之间的差异；N：样本数量；Σ：求和符号；y_pred：模型预测的值；y_actual：实际观测值
交叉熵损失函数：用于分类问题，衡量预测分布与真实分布之间的差异；
CrossEntropy＝-Σ(y_actual*log(y_pred))
式中：CrossEntropy：交叉熵，用于衡量两个概率分布之间的差异；Σ：求和符号；y_actual：实际观测值；y_pred：模型预测的概率分布值；log：自然对数；
自定义损失函数：根据具体问题的需求，自定义损失函数，包括加权损失函数、正则化损失函数；
S4.3：从输出层开始，计算每一层的梯度，梯度表示损失函数对于每个参数的变化率，用于指导参数的更新，逐层向前传递梯度，计算每一层的权重和偏置的梯度；
S4.4：根据梯度的信息更新网络的参数，参数的更新方向是梯度的反方向，以减小损失函数的值；
参数更新公式：W_new＝W_old-learning_rate*gradient
式中：W_new：更新后的权重值；W_old：原始的权重值；learning_rate：学习率，用于控制每次更新的步长；gradient：梯度，表示损失函数对权重的偏导数；
批量梯度下降：使用所有训练样本计算梯度和参数更新；
参数更新公式：W_new＝W_old-learning_rate*Σ(gradient)
小批量梯度下降：每次迭代使用一小批样本进行计算梯度和参数更新；
S4.5：重复上述步骤S4.1-S4.5逐渐优化网络的性能。
所述步骤S5中使用测试集对训练好的模型进行评估，计算模型的准确率、召回率、F1分数指标具体为：
准确率：预测正确的样本数除以总样本数：
准确率＝(预测正确的样本数)/(总样本数)
召回率：正样本中被正确预测为正样本的比例：
召回率＝(真正例)/(真正例+假负例)
精确率(Precision)：被预测为正样本中真正为正样本的比例：
精确率＝(真正例)/(真正例+假正例)
F1分数：综合考虑精确率和召回率的综合指标，可以平衡两者之间的关系：
F1＝2*(精确率*召回率)/(精确率+召回率)
根据评估结果调整模型参数或网络结构：
超参数调整：调整模型的超参数，如学习率、隐藏层大小、迭代次数；
网络结构调整：增加或减少网络的层数、神经元数量等，以改善模型的拟合能力或减少过拟合；
数据增强：通过对训练数据进行变换和扩充，增加样本的多样性，提高模型的鲁棒性；
正则化：添加正则化项，如L1正则化、L2正则化，用于控制模型的复杂度，防止过拟合；
提前停止：根据验证集的性能，在模型训练过程中及时停止，避免过拟合；
模型集成：通过组合多个模型的预测结果，包括投票、平均方式，提升整体性能。
本发明的有益效果是：
本发明是一种基于神经训练网络的智能冰箱可靠性分析方法，与现有技术相比，本发明具有如下技术效果：
数据预处理和特征工程：通过对数据进行清洗、特征提取和归一化处理，可以减少数据中的噪声和不一致性，提取有效的特征信息，并确保不同特征在相同的尺度上，从而改善模型的训练和泛化能力。
神经网络模型构建和训练：通过选择适当的网络结构、损失函数和优化算法，可以构建出具有较强预测能力的模型。训练过程中的参数更新和优化算法可以使模型逐步收敛并找到更优的参数配置，从而提高模型的准确性和鲁棒性。
模型评估和验证：通过使用测试集对训练好的模型进行评估，可以获得模型的性能指标，如准确率、召回率、F1分数等，从而客观地评估模型的预测能力。根据评估结果，可以进一步调整模型的参数和结构，以提高模型的性能和泛化能力。
使得智能冰箱能够准确地分析食物保质期或预测温度，提供用户更好的使用体验和食品管理。
附图说明
图1是本发明的方法流程图。
具体实施方式
下面结合附图以及具体实施例对本发明作进一步描述，在此发明的示意性实施例以及说明用来解释本发明，但并不作为对本发明的限定。
如图1所示：本发明包括以下步骤：
S1：收集智能冰箱的历史运行数据，包括温度、湿度、电源状态参数，同时记录冰箱故障和维修记录；对收集到的数据进行预处理和清洗，包括去除异常值、填补缺失数据；所述去除异常值使用统计法、箱线图法或离群点检测算法的一种，所述统计法为：均值、中位数、标准差统计指标检测异常值，并将其视为缺失值或进行修正；所述箱线图法为：通过计算数据的四分位数和四分位距，将超出范围的值定义为异常值并进行处理；所述离群点检测算法：基于聚类分析的方法或基于统计模型的方法检测和处理异常值。
所述填补缺失数据采用删除法、插补法、时间序列插补法或多重插补法的一种，删除法：对于包含缺失值的样本或特征，直接删除相应的数据；插补法：包括均值插补、中位数插补、回归插补、随机插补，根据已有数据来填补缺失值；时间序列插补：时间序列数据使用线性插值、样条插值、拉格朗日插值或时间序列模型填补缺失值；多重插补法：基于概率模型生成多个可能的数据集。
S2：根据冰箱的工作原理和特点，选择合适的特征，所述特征包括温度的平均值、方差、温度变化趋势；对选取的特征进行归一化处理，确保数据在相同的尺度上；归一化处理在特征分布没有明显偏离的情况下，将特征的数值范围缩放到[0,1]之间，如下式：
X_scaled＝(X-X_min)/(X_max-X_min)
式中：X_scaled为经过归一化处理后的数据值；X为原始数据的值；X_min为最小缩放特征的数值；X_max为最大缩放特征的数值；
在特征分布存在明显偏离、或者在需要使用梯度下降优化算法的情况下，将特征的均值缩放为0，标准差缩放为1，如下式：
X_scaled＝(X-X_mean)/X_std
式中：X_mean：原始数据的均值，X_std：原始数据的标准差。
S3：使用卷积神经网络或循环神经网络适合时间序列数据的模型，定义网络的输入和输出，输入为历史数据的特征，输出为冰箱的可靠性标签，可靠性标签正常运行或故障，划分数据集为训练集和测试集，采用交叉验证或留出法进行模型评估；
S3.1：定义模型的输入和输出：输入：历史数据的特征向量，包括温度、湿度；输出：冰箱的可靠性标签，包括正常运行或故障数据；
S3.2：确定模型的结构：输入层：接受特征向量作为输入；隐含层：一层或多层的全连接层，其中每个神经元与上一层的所有神经元相连；激活函数：在隐含层中，使用激活函数引入非线性关系，激活函数包括ReLU、Sigmoid、Tanh；输出层：输出冰箱的可靠性标签，使用Sigmoid函数将输出值映射到[0,1]之间，表示概率；
S3.3：初始化模型的权重和偏置；通过输入数据，按照定义的模型结构进行计算，得到模型的预测结果；使用定义的交叉熵损失函数衡量预测结果与真实标签之间的差异；根据损失函数，使用梯度下降法更新模型的权重和偏置，以减小损失函数的值；重复步骤S3.3，直到达到最大迭代次数或损失函数收敛；
S3.4：模型评估和验证：使用测试集对训练好的模型进行评估，计算准确率、召回率、F1分数指标评估模型的性能。根据评估结果调整模型参数或网络结构，进一步提高模型的性能。
S4：使用训练集对神经网络进行训练，通过反向传播算法更新网络参数，选择损失函数衡量模型预测结果与实际标签之间的差异，使用优化算法最小化损失函数，优化网络模型；
S4.1：从输入层开始，通过网络的各个层进行计算，得到模型的预测输出；每一层的计算包括线性变换和激活函数，逐层传递计算结果，直到到达输出层，得到最终的预测值；
S4.2：使用定义的交叉熵损失函数计算预测值与真实标签之间的差异，损失函数的计算结果表示了模型的性能指标；
均方误差MSE：用于回归问题，计算预测值与实际值之间的平方差的均值。
MSE＝(1/N)*Σ(y_pred-y_actual)^2
式中：MSE：均方误差，用于衡量预测值和实际值之间的差异；N：样本数量；Σ：求和符号；y_pred：模型预测的值；y_actual：实际观测值
交叉熵损失函数：用于分类问题，衡量预测分布与真实分布之间的差异；
CrossEntropy＝-Σ(y_actual*log(y_pred))
式中：CrossEntropy：交叉熵，用于衡量两个概率分布之间的差异；Σ：求和符号；y_actual：实际观测值；y_pred：模型预测的概率分布值；log：自然对数；
自定义损失函数：根据具体问题的需求，自定义损失函数，包括加权损失函数、正则化损失函数；
S4.3：从输出层开始，计算每一层的梯度，梯度表示损失函数对于每个参数的变化率，用于指导参数的更新，逐层向前传递梯度，计算每一层的权重和偏置的梯度；
S4.4：根据梯度的信息更新网络的参数，参数的更新方向是梯度的反方向，以减小损失函数的值；
参数更新公式：W_new＝W_old-learning_rate*gradient
式中：W_new：更新后的权重值；W_old：原始的权重值；learning_rate：学习率，用于控制每次更新的步长；gradient：梯度，表示损失函数对权重的偏导数；
批量梯度下降：使用所有训练样本计算梯度和参数更新；
参数更新公式：W_new＝W_old-learning_rate*Σ(gradient)
小批量梯度下降：每次迭代使用一小批样本进行计算梯度和参数更新；
S4.5：重复上述步骤S4.1-S4.5逐渐优化网络的性能。
S5：使用测试集对训练好的模型进行评估，计算模型的准确率、召回率、F1分数指标；根据评估结果调整模型参数或网络结构，进一步提高模型的性能；
所述步骤S5中使用测试集对训练好的模型进行评估，计算模型的准确率、召回率、F1分数指标具体为：
准确率：预测正确的样本数除以总样本数：
准确率＝(预测正确的样本数)/(总样本数)
召回率：正样本中被正确预测为正样本的比例：
召回率＝(真正例)/(真正例+假负例)
精确率(Precision)：被预测为正样本中真正为正样本的比例：
精确率＝(真正例)/(真正例+假正例)
F1分数：综合考虑精确率和召回率的综合指标，可以平衡两者之间的关系：
F1＝2*(精确率*召回率)/(精确率+召回率)
根据评估结果调整模型参数或网络结构：
超参数调整：调整模型的超参数，如学习率、隐藏层大小、迭代次数；
网络结构调整：增加或减少网络的层数、神经元数量等，以改善模型的拟合能力或减少过拟合；
数据增强：通过对训练数据进行变换和扩充，增加样本的多样性，提高模型的鲁棒性；
正则化：添加正则化项，如L1正则化、L2正则化，用于控制模型的复杂度，防止过拟合；
提前停止：根据验证集的性能，在模型训练过程中及时停止，避免过拟合；
模型集成：通过组合多个模型的预测结果，包括投票、平均方式，提升整体性能。
S6：将训练好的模型部署到智能冰箱上，实时监测冰箱的运行数据，并利用训练好的模型进行可靠性分析，当模型检测到冰箱存在可靠性问题时，发出警报或采取相应的措施，提醒用户进行维修或更换零部件。
数据预处理和特征工程：
数据清洗：通过去除异常值、处理缺失数据等，确保数据的质量和完整性。
特征提取：通过选择合适的特征，从原始数据中提取有用的信息，以供模型使用。这可以涉及特征选择、特征变换和特征构建等方法。
特征归一化：通过将特征进行归一化或标准化处理，将它们缩放到相同的尺度范围，以避免某些特征对模型训练的影响更大。
神经网络模型构建和训练：
模型架构：根据问题的特点和需求选择适当的神经网络结构，如全连接神经网络、卷积神经网络或循环神经网络。
损失函数：损失函数用于衡量模型的预测结果与实际标签之间的差异。常见的损失函数包括均方误差(MSE)和交叉熵损失函数。
参数优化：通过反向传播算法，计算损失函数对模型参数的梯度，然后使用优化算法(如随机梯度下降)来更新参数，使损失函数逐渐减小，模型性能得到改善。
训练过程：将数据集划分为训练集和验证集，使用训练集对模型进行训练，通过反复迭代更新参数，直到模型收敛。在训练过程中，可以使用批量训练或小批量训练的方式进行参数更新。
超参数调整：调整模型的超参数，如学习率、隐藏层大小等，以优化模型的性能和泛化能力。
实施例1:温度预测模型
设计一个基于神经网络的智能冰箱，可以预测未来一周的温度。
1.数据预处理和特征工程：
数据收集：收集历史温度数据，包括日期和对应的温度值。
数据清洗：去除异常值，例如温度超出合理范围的数据点。
特征提取：根据需求，可以提取日期的月份、星期几等特征，以及过去几天的温度作为输入特征。
特征归一化：对特征进行归一化处理，将它们缩放到相同的尺度，例如使用最小-最大缩放或标准化。
2.神经网络模型构建和训练：
模型架构：选择适当的网络结构，如多层感知器(MLP)或循环神经网络(RNN)。
损失函数：选择均方误差(MSE)作为损失函数，衡量预测值与实际温度之间的差异。
参数优化：使用随机梯度下降(SGD)算法进行参数优化，更新网络的权重和偏置。
训练过程：将数据集划分为训练集和测试集，使用训练集对模型进行训练，并使用测试集评估模型的性能。
超参数调整：根据评估结果，调整学习率、隐藏层大小等超参数，以提高模型的性能。
提前停止：监控模型在验证集上的性能，当性能不再改善时，及时停止训练，以避免过拟合。
3.模型评估和验证：
使用测试集对训练好的模型进行评估，计算模型的准确率、召回率、F1分数等指标。
根据评估结果，根据需求调整模型参数或网络结构，进一步提高模型的性能。
实施例2:食物保质期预测模型
设计一个基于神经网络的智能冰箱，可以预测食物的保质期。
1.数据预处理和特征工程：
数据收集：收集食物保质期相关的数据，包括食物类型、储存条件、生产日期和保质期等。
数据清洗：去除缺失值，例如缺失保质期信息的样本。
特征选择：根据领域知识和数据分析，选择与保质期相关的特征，如食物类型、储存温度、存放时间等。
特征标准化：对选取的特征进行标准化处理，将它们转换为相同的尺度，例如使用均值和标准差进行标准化。
神经网络模型构建和训练：
模型架构：选择适当的网络结构，如卷积神经网络(CNN)或长短期记忆网络(LSTM)。
损失函数：选择适当的损失函数，如均方误差(MSE)或交叉熵损失函数，用于衡量预测值与实际保质期之间的差异。
参数优化：使用Adam优化算法进行参数优化，根据损失函数的梯度更新网络的权重和偏置。
训练过程：将数据集划分为训练集和验证集，使用训练集对模型进行训练，并使用验证集评估模型的性能。
正则化：添加L2正则化项，以控制模型的复杂度，防止过拟合。
模型集成：可以尝试集成多个训练好的模型，例如通过投票或平均化它们的预测结果，以提升模型的性能。
本发明的技术方案不限于上述具体实施例的限制，凡是根据本发明的技术方案做出的技术变形，均落入本发明的保护范围之内。

Claims (3)

1.一种基于神经训练网络的智能冰箱可靠性分析方法，其特征在于，包括以下步骤：
S1：收集智能冰箱的历史运行数据，包括温度、湿度、电源状态参数，同时记录冰箱故障和维修记录；对收集到的数据进行预处理和清洗，包括去除异常值、填补缺失数据；
S2：根据冰箱的工作原理和特点，选择合适的特征，所述特征包括温度的平均值、方差、温度变化趋势；对选取的特征进行归一化处理，确保数据在相同的尺度上；归一化处理在特征分布没有明显偏离的情况下，将特征的数值范围缩放到[0,1]之间，如下式：
X_scaled＝(X-X_min)/(X_max-X_min)
式中：X_scaled为经过归一化处理后的数据值；X为原始数据的值；X_min为最小缩放特征的数值；X_max为最大缩放特征的数值；
在特征分布存在明显偏离、或者在需要使用梯度下降优化算法的情况下，将特征的均值缩放为0，标准差缩放为1，如下式：
X_scaled＝(X-X_mean)/X_std
式中：X_mean：原始数据的均值，X_std：原始数据的标准差
S3：使用卷积神经网络或循环神经网络适合时间序列数据的模型，定义网络的输入和输出，输入为历史数据的特征，输出为冰箱的可靠性标签，可靠性标签正常运行或故障，划分数据集为训练集和测试集，采用交叉验证或留出法进行模型评估；
S3.1：定义模型的输入和输出：输入：历史数据的特征向量，包括温度、湿度；输出：冰箱的可靠性标签，包括正常运行或故障数据；
S3.2：确定模型的结构：输入层：接受特征向量作为输入；隐含层：一层或多层的全连接层，其中每个神经元与上一层的所有神经元相连；激活函数：在隐含层中，使用激活函数引入非线性关系，激活函数包括ReLU、Sigmoid、Tanh；输出层：输出冰箱的可靠性标签，使用Sigmoid函数将输出值映射到[0,1]之间，表示概率；
S3.3：初始化模型的权重和偏置；通过输入数据，按照定义的模型结构进行计算，得到模型的预测结果；使用定义的交叉熵损失函数衡量预测结果与真实标签之间的差异；根据损失函数，使用梯度下降法更新模型的权重和偏置，以减小损失函数的值；重复步骤S3.3，直到达到最大迭代次数或损失函数收敛；
S3.4：模型评估和验证：使用测试集对训练好的模型进行评估，计算准确率、召回率、F1分数指标评估模型的性能，根据评估结果调整模型参数或网络结构，进一步提高模型的性能；
S4：使用训练集对神经网络进行训练，通过反向传播算法更新网络参数，选择损失函数衡量模型预测结果与实际标签之间的差异，使用优化算法最小化损失函数，优化网络模型；
反向传播算法包括以下步骤：
S4.1：从输入层开始，通过网络的各个层进行计算，得到模型的预测输出；每一层的计算包括线性变换和激活函数，逐层传递计算结果，直到到达输出层，得到最终的预测值；
S4.2：使用定义的交叉熵损失函数计算预测值与真实标签之间的差异，损失函数的计算结果表示了模型的性能指标；
均方误差MSE：用于回归问题，计算预测值与实际值之间的平方差的均值。
MSE＝(1/N)*Σ(y_pred-y_actual)^2
式中：MSE：均方误差，用于衡量预测值和实际值之间的差异；N：样本数量；Σ：求和符号；y_pred：模型预测的值；y_actual：实际观测值
交叉熵损失函数：用于分类问题，衡量预测分布与真实分布之间的差异；
CrossEntropy＝-Σ(y_actual*log(y_pred))
式中：CrossEntropy：交叉熵，用于衡量两个概率分布之间的差异；Σ：求和符号；y_actual：实际观测值；y_pred：模型预测的概率分布值；log：自然对数；
自定义损失函数：根据具体问题的需求，自定义损失函数，包括加权损失函数、正则化损失函数；
S4.3：从输出层开始，计算每一层的梯度，梯度表示损失函数对于每个参数的变化率，用于指导参数的更新，逐层向前传递梯度，计算每一层的权重和偏置的梯度；
S4.4：根据梯度的信息更新网络的参数，参数的更新方向是梯度的反方向，以减小损失函数的值；
参数更新公式：W_new＝W_old-learning_rate*gradient
式中：W_new：更新后的权重值；W_old：原始的权重值；learning_rate：学习率，用于控制每次更新的步长；gradient：梯度，表示损失函数对权重的偏导数；
批量梯度下降：使用所有训练样本计算梯度和参数更新；
参数更新公式：W_new＝W_old-learning_rate*Σ(gradient)
小批量梯度下降：每次迭代使用一小批样本进行计算梯度和参数更新；
S4.5：重复上述步骤S4.1-S4.5逐渐优化网络的性能；
S5：使用测试集对训练好的模型进行评估，计算模型的准确率、召回率、F1分数指标；根据评估结果调整模型参数或网络结构，进一步提高模型的性能；
使用测试集对训练好的模型进行评估，计算模型的准确率、召回率、F1分数指标具体为：
准确率：预测正确的样本数除以总样本数：
准确率＝(预测正确的样本数)/(总样本数)
召回率：正样本中被正确预测为正样本的比例：
召回率＝(真正例)/(真正例+假负例)
精确率(Precision)：被预测为正样本中真正为正样本的比例：
精确率＝(真正例)/(真正例+假正例)
F1分数：综合考虑精确率和召回率的综合指标，可以平衡两者之间的关系：
F1＝2*(精确率*召回率)/(精确率+召回率)
根据评估结果调整模型参数或网络结构：
超参数调整：调整模型的超参数，如学习率、隐藏层大小、迭代次数；
网络结构调整：增加或减少网络的层数、神经元数量等，以改善模型的拟合能力或减少过拟合；
数据增强：通过对训练数据进行变换和扩充，增加样本的多样性，提高模型的鲁棒性；
正则化：添加正则化项，如L1正则化、L2正则化，用于控制模型的复杂度，防止过拟合；
提前停止：根据验证集的性能，在模型训练过程中及时停止，避免过拟合；
模型集成：通过组合多个模型的预测结果，包括投票、平均方式，提升整体性能；
S6：将训练好的模型部署到智能冰箱上，实时监测冰箱的运行数据，并利用训练好的模型进行可靠性分析，当模型检测到冰箱存在可靠性问题时，发出警报或采取相应的措施，提醒用户进行维修或更换零部件。
2.根据权利要求1所述的基于神经训练网络的智能冰箱可靠性分析方法，其特征在于：所述步骤S1中去除异常值使用统计法、箱线图法或离群点检测算法的一种，所述统计法为：均值、中位数、标准差统计指标检测异常值，并将其视为缺失值或进行修正；所述箱线图法为：通过计算数据的四分位数和四分位距，将超出范围的值定义为异常值并进行处理；所述离群点检测算法：基于聚类分析的方法或基于统计模型的方法检测和处理异常值。
3.根据权利要求1所述的基于神经训练网络的智能冰箱可靠性分析方法，其特征在于：所述步骤S1中填补缺失数据采用删除法、插补法、时间序列插补法或多重插补法的一种，删除法：对于包含缺失值的样本或特征，直接删除相应的数据；插补法：包括均值插补、中位数插补、回归插补、随机插补，根据已有数据来填补缺失值；时间序列插补：时间序列数据使用线性插值、样条插值、拉格朗日插值或时间序列模型填补缺失值；多重插补法：基于概率模型生成多个可能的数据集。
CN202310710400.0A 2023-06-15 2023-06-15 一种基于神经训练网络的智能冰箱可靠性分析方法 Active CN116757534B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310710400.0A CN116757534B (zh) 2023-06-15 2023-06-15 一种基于神经训练网络的智能冰箱可靠性分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310710400.0A CN116757534B (zh) 2023-06-15 2023-06-15 一种基于神经训练网络的智能冰箱可靠性分析方法

Publications (2)

Publication Number Publication Date
CN116757534A CN116757534A (zh) 2023-09-15
CN116757534B true CN116757534B (zh) 2024-03-15

Family

ID=87950858

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310710400.0A Active CN116757534B (zh) 2023-06-15 2023-06-15 一种基于神经训练网络的智能冰箱可靠性分析方法

Country Status (1)

Country Link
CN (1) CN116757534B (zh)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117236511A (zh) * 2023-09-26 2023-12-15 中交广州航道局有限公司 绞吸式挖泥船水下泵真空度的大数据预测方法及装置
CN117035559B (zh) * 2023-10-08 2024-01-23 国网江苏省电力有限公司电力科学研究院 一种电气设备多参量变送器模拟安装评价方法及系统
CN117195742A (zh) * 2023-10-11 2023-12-08 深圳市新红景科技开发有限公司 一种电路实验板可靠性预测方法和系统
CN117194938B (zh) * 2023-11-07 2024-02-02 中国人民解放军总医院第一医学中心 一种基于智能咬嘴的指令识别方法、装置和存储介质
CN117474343A (zh) * 2023-12-27 2024-01-30 中交第一航务工程勘察设计院有限公司 石化港区危险源安全风险预警方法、装置、设备及存储介质
CN117522177B (zh) * 2024-01-08 2024-03-12 国网江苏省电力有限公司信息通信分公司 一种智能电网稳定性预测方法
CN117792933B (zh) * 2024-02-27 2024-05-03 南京市微驰数字科技有限公司 一种基于深度学习的网络流量优化方法及系统
CN117798498A (zh) * 2024-02-29 2024-04-02 深圳市艾雷激光科技有限公司 智能激光焊接机焊接异常自动调整的方法及系统
CN117892091B (zh) * 2024-03-08 2024-05-14 南京汉卫公共卫生研究院有限公司 基于人工智能的数据智能分析方法及系统
CN117873477B (zh) * 2024-03-11 2024-05-10 厦门兰翊星航空设备有限公司 一种用于飞行模拟器的仪表数据交互控制管理系统
CN117973947A (zh) * 2024-04-01 2024-05-03 国网山东省电力公司宁津县供电公司 一种配电网工程施工工艺标准化验收方法及系统

Citations (36)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106780140A (zh) * 2016-12-15 2017-05-31 国网浙江省电力公司 基于大数据的电力信用评价方法
CN107610123A (zh) * 2017-10-11 2018-01-19 中共中央办公厅电子科技学院 一种基于深度卷积神经网络的图像美学质量评价方法
CN108573491A (zh) * 2017-03-10 2018-09-25 南京大学 一种基于机器学习的三维超声图像分割方法
CN109276255A (zh) * 2018-11-27 2019-01-29 平安科技（深圳）有限公司 一种肢体震颤检测方法及装置
CN109766553A (zh) * 2019-01-09 2019-05-17 北京邮电大学 一种基于多正则化结合的胶囊模型的中文分词方法
CN109961177A (zh) * 2019-03-11 2019-07-02 浙江工业大学 一种基于长短期记忆循环神经网络的通用水冷中央空调能耗预测方法
US10510003B1 (en) * 2019-02-14 2019-12-17 Capital One Services, Llc Stochastic gradient boosting for deep neural networks
CN111144522A (zh) * 2019-12-16 2020-05-12 浙江大学 一种基于硬件本征差异的电网nfc设备指纹认证方法
CN111539553A (zh) * 2020-03-31 2020-08-14 华北电力大学 基于svr算法和偏峰度的风电机组发电机故障预警方法
CN111815458A (zh) * 2020-07-09 2020-10-23 四川长虹电器股份有限公司 基于细粒度量化标注和集成方法的动态投资组合配置方法
CN112183468A (zh) * 2020-10-27 2021-01-05 南京信息工程大学 一种基于多注意力联合多级特征的行人再识别方法
CN112232447A (zh) * 2020-12-14 2021-01-15 国网江西省电力有限公司电力科学研究院 一种电力设备状态监测数据的完整样本集的构建方法
CN112286924A (zh) * 2020-11-20 2021-01-29 中国水利水电科学研究院 一种数据异常动态识别与多模式自匹配的数据清洗技术
CN112308133A (zh) * 2020-10-29 2021-02-02 成都明杰科技有限公司 基于卷积神经网络的调制识别方法
CN112561153A (zh) * 2020-12-08 2021-03-26 南京莱斯信息技术股份有限公司 一种基于模型集成的景区人群聚集预测方法
CN112783468A (zh) * 2019-11-06 2021-05-11 北京沃东天骏信息技术有限公司 目标对象的排序方法和排序装置
CN112883802A (zh) * 2021-01-20 2021-06-01 刘信 一种管道光纤振动安全预警系统破坏性事件的识别方法
CN113177040A (zh) * 2021-04-29 2021-07-27 东北大学 铝/铜板带材生产全流程大数据清洗与分析方法
CN113222896A (zh) * 2021-04-12 2021-08-06 河海大学 一种基于元学习的光伏面板缺陷检测方法
CN113468157A (zh) * 2021-07-12 2021-10-01 博锐尚格科技股份有限公司 一种基于能耗分析的相似建筑挑选方法和装置
CN113505832A (zh) * 2021-07-09 2021-10-15 合肥云诊信息科技有限公司 一种神经网络批分组响应的bgrn归一化方法
CN113627471A (zh) * 2021-07-03 2021-11-09 西安电子科技大学 一种数据分类方法、系统、设备及信息数据处理终端
CN113705070A (zh) * 2021-03-26 2021-11-26 腾讯科技（深圳）有限公司 模拟器训练方法、装置、设备及存储介质
CN113887559A (zh) * 2021-08-31 2022-01-04 西安电子科技大学 一种脑不在环路应用的脑机信息融合分类方法及系统
CN114118232A (zh) * 2021-11-08 2022-03-01 北京智芯微电子科技有限公司 一种基于时空卷积神经网络的智能电表故障预测方法
WO2022106645A1 (de) * 2020-11-19 2022-05-27 Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. Verfahren und system zum verarbeiten von eingabewerten
CN114706704A (zh) * 2022-04-01 2022-07-05 李家瑶 一种驾驶运输异常数据的处理方法
CN114970821A (zh) * 2022-05-30 2022-08-30 浙江金浙工业设备安装有限公司 基于可靠性预测的锅炉安装校准方法及系统
CN114970371A (zh) * 2022-06-21 2022-08-30 南京航空航天大学 应用ga-bp神经网络预测slm成形钛合金薄壁件变形的方法
CN114996661A (zh) * 2022-08-04 2022-09-02 山东佳力通汽车有限公司 一种冷藏车温度监控方法及系统
CN115453366A (zh) * 2022-08-23 2022-12-09 斑马网络技术有限公司 一种动力电池的健康评估系统、方法及电子设备
CN115510969A (zh) * 2022-09-23 2022-12-23 上海市疾病预防控制中心 一种基于机器学习的公共卫生数据可靠性评估系统
CN115659833A (zh) * 2022-11-09 2023-01-31 西华大学 基于bp神经网络的电力网络节点脆弱性评估方法
CN115808001A (zh) * 2021-09-13 2023-03-17 深圳达实智能股份有限公司 中央空调系统制冷站运行调节异常识别方法和电子设备
CN116245826A (zh) * 2023-02-09 2023-06-09 中国矿业大学 一种基于dcgan的零件表面缺陷检测方法
CN116260642A (zh) * 2023-02-27 2023-06-13 南京邮电大学 一种基于知识蒸馏时空神经网络的轻量化物联网恶意流量识别方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1652133A4 (en) * 2003-07-09 2009-06-10 Raptor International Inc METHOD AND SYSTEM FOR DATA ANALYSIS USING NEURONAL NETWORKS
US9087303B2 (en) * 2012-02-19 2015-07-21 International Business Machines Corporation Classification reliability prediction
US11842280B2 (en) * 2017-05-05 2023-12-12 Nvidia Corporation Loss-scaling for deep neural network training with reduced precision
US11334795B2 (en) * 2020-03-14 2022-05-17 DataRobot, Inc. Automated and adaptive design and training of neural networks
US20220121909A1 (en) * 2020-03-24 2022-04-21 Lg Electronics Inc. Training a neural network using stochastic whitening batch normalization
CN112653142B (zh) * 2020-12-18 2022-09-02 武汉大学 优化深度Transformer网络的风电功率预测方法及系统

Patent Citations (36)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106780140A (zh) * 2016-12-15 2017-05-31 国网浙江省电力公司 基于大数据的电力信用评价方法
CN108573491A (zh) * 2017-03-10 2018-09-25 南京大学 一种基于机器学习的三维超声图像分割方法
CN107610123A (zh) * 2017-10-11 2018-01-19 中共中央办公厅电子科技学院 一种基于深度卷积神经网络的图像美学质量评价方法
CN109276255A (zh) * 2018-11-27 2019-01-29 平安科技（深圳）有限公司 一种肢体震颤检测方法及装置
CN109766553A (zh) * 2019-01-09 2019-05-17 北京邮电大学 一种基于多正则化结合的胶囊模型的中文分词方法
US10510003B1 (en) * 2019-02-14 2019-12-17 Capital One Services, Llc Stochastic gradient boosting for deep neural networks
CN109961177A (zh) * 2019-03-11 2019-07-02 浙江工业大学 一种基于长短期记忆循环神经网络的通用水冷中央空调能耗预测方法
CN112783468A (zh) * 2019-11-06 2021-05-11 北京沃东天骏信息技术有限公司 目标对象的排序方法和排序装置
CN111144522A (zh) * 2019-12-16 2020-05-12 浙江大学 一种基于硬件本征差异的电网nfc设备指纹认证方法
CN111539553A (zh) * 2020-03-31 2020-08-14 华北电力大学 基于svr算法和偏峰度的风电机组发电机故障预警方法
CN111815458A (zh) * 2020-07-09 2020-10-23 四川长虹电器股份有限公司 基于细粒度量化标注和集成方法的动态投资组合配置方法
CN112183468A (zh) * 2020-10-27 2021-01-05 南京信息工程大学 一种基于多注意力联合多级特征的行人再识别方法
CN112308133A (zh) * 2020-10-29 2021-02-02 成都明杰科技有限公司 基于卷积神经网络的调制识别方法
WO2022106645A1 (de) * 2020-11-19 2022-05-27 Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. Verfahren und system zum verarbeiten von eingabewerten
CN112286924A (zh) * 2020-11-20 2021-01-29 中国水利水电科学研究院 一种数据异常动态识别与多模式自匹配的数据清洗技术
CN112561153A (zh) * 2020-12-08 2021-03-26 南京莱斯信息技术股份有限公司 一种基于模型集成的景区人群聚集预测方法
CN112232447A (zh) * 2020-12-14 2021-01-15 国网江西省电力有限公司电力科学研究院 一种电力设备状态监测数据的完整样本集的构建方法
CN112883802A (zh) * 2021-01-20 2021-06-01 刘信 一种管道光纤振动安全预警系统破坏性事件的识别方法
CN113705070A (zh) * 2021-03-26 2021-11-26 腾讯科技（深圳）有限公司 模拟器训练方法、装置、设备及存储介质
CN113222896A (zh) * 2021-04-12 2021-08-06 河海大学 一种基于元学习的光伏面板缺陷检测方法
CN113177040A (zh) * 2021-04-29 2021-07-27 东北大学 铝/铜板带材生产全流程大数据清洗与分析方法
CN113627471A (zh) * 2021-07-03 2021-11-09 西安电子科技大学 一种数据分类方法、系统、设备及信息数据处理终端
CN113505832A (zh) * 2021-07-09 2021-10-15 合肥云诊信息科技有限公司 一种神经网络批分组响应的bgrn归一化方法
CN113468157A (zh) * 2021-07-12 2021-10-01 博锐尚格科技股份有限公司 一种基于能耗分析的相似建筑挑选方法和装置
CN113887559A (zh) * 2021-08-31 2022-01-04 西安电子科技大学 一种脑不在环路应用的脑机信息融合分类方法及系统
CN115808001A (zh) * 2021-09-13 2023-03-17 深圳达实智能股份有限公司 中央空调系统制冷站运行调节异常识别方法和电子设备
CN114118232A (zh) * 2021-11-08 2022-03-01 北京智芯微电子科技有限公司 一种基于时空卷积神经网络的智能电表故障预测方法
CN114706704A (zh) * 2022-04-01 2022-07-05 李家瑶 一种驾驶运输异常数据的处理方法
CN114970821A (zh) * 2022-05-30 2022-08-30 浙江金浙工业设备安装有限公司 基于可靠性预测的锅炉安装校准方法及系统
CN114970371A (zh) * 2022-06-21 2022-08-30 南京航空航天大学 应用ga-bp神经网络预测slm成形钛合金薄壁件变形的方法
CN114996661A (zh) * 2022-08-04 2022-09-02 山东佳力通汽车有限公司 一种冷藏车温度监控方法及系统
CN115453366A (zh) * 2022-08-23 2022-12-09 斑马网络技术有限公司 一种动力电池的健康评估系统、方法及电子设备
CN115510969A (zh) * 2022-09-23 2022-12-23 上海市疾病预防控制中心 一种基于机器学习的公共卫生数据可靠性评估系统
CN115659833A (zh) * 2022-11-09 2023-01-31 西华大学 基于bp神经网络的电力网络节点脆弱性评估方法
CN116245826A (zh) * 2023-02-09 2023-06-09 中国矿业大学 一种基于dcgan的零件表面缺陷检测方法
CN116260642A (zh) * 2023-02-27 2023-06-13 南京邮电大学 一种基于知识蒸馏时空神经网络的轻量化物联网恶意流量识别方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
杨明川.企业数智化转型之路 智能化数字平台建设及应用实践.机械工业出版社,2022,144-150. *
熊光明.智能车辆理论与应用：慕课版 第2版.北京理工大学出版社,2021,22-27. *
韩力群.智能机器人技术丛书 机器智能与智能机器人.国防工业出版社,2022,129-133. *

Also Published As

Publication number Publication date
CN116757534A (zh) 2023-09-15

Similar Documents

Publication Publication Date Title
CN116757534B (zh) 一种基于神经训练网络的智能冰箱可靠性分析方法
CN111813084B (zh) 一种基于深度学习的机械装备故障诊断方法
Gao et al. A neural network-based joint prognostic model for data fusion and remaining useful life prediction
CN111563706A (zh) 一种基于lstm网络的多变量物流货运量预测方法
CN113723007B (zh) 基于drsn和麻雀搜索优化的设备剩余寿命预测方法
CN115270965A (zh) 一种配电网线路故障预测方法和装置
CN114282443B (zh) 基于mlp-lstm有监督联合模型的剩余使用寿命预测方法
Chen et al. A health index construction framework for prognostics based on feature fusion and constrained optimization
CN114218872B (zh) 基于dbn-lstm半监督联合模型的剩余使用寿命预测方法
CN112257914B (zh) 一种基于随机森林的航空安全因果预测方法
CN112288137A (zh) 一种计及电价和Attention机制的LSTM短期负荷预测方法及装置
CN116562514B (zh) 基于神经网络的企业生产状况即时分析方法及系统
CN114118225A (zh) 发电机剩余寿命预测方法、系统、电子设备和存储介质
CN114580545A (zh) 一种基于融合模型的风电机组齿轮箱故障预警方法
CN114819102A (zh) 基于gru的空调设备故障诊断方法
CN111079348B (zh) 一种缓变信号检测方法和装置
CN116050665A (zh) 供热设备故障预测方法
CN114897103A (zh) 一种基于近邻成分损失优化多尺度卷积神经网络的工业过程故障诊断方法
CN112949836A (zh) 对时变分布数据进行回归预测在线迁移学习的方法
CN113158448A (zh) 一种船舶系统设备阈值的自适应计算方法
CN113126489A (zh) 一种基于cnn-gru-binn的重型燃气轮机控制系统智能bit设计方法
Huang et al. A hybrid bayesian deep learning model for remaining useful life prognostics and uncertainty quantification
Li et al. Gated recurrent unit networks for remaining useful life prediction
CN115794805A (zh) 一种中低压配网量测数据补齐方法
CN116384223A (zh) 基于退化状态智能辨识的核设备可靠性评估方法及系统

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
GR01 Patent grant
GR01 Patent grant