公开(公告)号：CN113344043B

公开(公告)日：2024-05-28

申请号：CN202110556918.4

申请日：2021-05-21

Applicant: 北京工业大学

Inventor： 顾锞 ,  刘红燕 ,  乔俊飞 ,  谢双憶

IPC: G06V20/52 ,  G06V10/82 ,  G06V10/80 ,  G06N3/0464 ,  G06N3/08 ,  G06V10/771

Abstract: 本发明公开了一种基于自组织多通道深度学习网络的河流浊度监测方法，用于监测河流水质浊度。该网络由两个主要部分构成：首先，基于新设计的分形模块构建用于河流浊度监测的自组织多通道深度学习网络架构，每个分形模块由一个固定块和一个嵌套块组成，高阶分形模块中的嵌套块本质上是低阶分形模块。最后，本发明进一步引入一种基于集成诱导的多通道融合方法来改进所提出的基于自组织多通道深度学习网络的河流浊度监测方法，以增强网络性能和泛化能力。基于自组织多通道深度学习网络的河流浊度监测方法属于水环境保护领域和机器学习领域。

公开(公告)号：CN115953634A

公开(公告)日：2023-04-11

申请号：CN202310106807.2

申请日：2023-02-13

Applicant: 北京工业大学

Inventor： 顾锞 ,  谢双憶 ,  刘静

IPC: G06V10/764 ,  G06V10/774 ,  G06V10/82 ,  G06N3/08 ,  G06N3/0464

Abstract: 本发明公开了一种面向污染监测的多通路深度神经网络高效训练方法，其中多通路深度神经网络高效训练方法先通过分步筛选集成所有单通道神经网络及其融合部分的最优参数，再对融合后的多通路深度神经网络进行微调得到污染监测模型的最优参数，将污染物图像样本输入网络进行训练，能有效提高污染监测模型精度。本发明针对不同子网络及其组合进行网络训练，集成了所有子网络及其融合部分的最优参数，解决了随机初始化参数容易使网络陷入局部最小值的问题，从而提高了神经网络模型监测精度；提高污染监测模型的监测精度。

公开(公告)号：CN113344043A

公开(公告)日：2021-09-03

申请号：CN202110556918.4

申请日：2021-05-21

Applicant: 北京工业大学

Inventor： 顾锞 ,  刘红燕 ,  乔俊飞 ,  谢双憶

IPC: G06K9/62 ,  G06N3/04 ,  G06N3/08 ,  G06Q10/06

Abstract: 本发明公开了一种基于自组织多通道深度学习网络的河流浊度监测方法，用于监测河流水质浊度。该网络由两个主要部分构成：首先，基于新设计的分形模块构建用于河流浊度监测的自组织多通道深度学习网络架构，每个分形模块由一个固定块和一个嵌套块组成，高阶分形模块中的嵌套块本质上是低阶分形模块。最后，本发明进一步引入一种基于集成诱导的多通道融合方法来改进所提出的基于自组织多通道深度学习网络的河流浊度监测方法，以增强网络性能和泛化能力。基于自组织多通道深度学习网络的河流浊度监测方法属于水环境保护领域和机器学习领域。