-
公开(公告)号：CN117577344A
公开(公告)日：2024-02-20
申请号：CN202311591955.4
申请日：2023-11-27
Applicant: 大连理工大学
IPC: G16H50/70 , G16H50/20 , G16H50/30 , G16H10/60 , G06F18/21 , G06F18/214 , G06F18/241 , G06N3/096 , G06N3/043
Abstract: 本发明提出了一种面向代谢性脂肪肝数据分类的分层模糊神经网络增量建模方法及装置，属于数据处理技术领域。首先收集关联于代谢性脂肪肝的生化指标数据作为特征，形成代谢性脂肪肝数据集；建立特征重要性评价指标，对特征进行降序排列并划分特征数据子集；然后，确定分层模型的层级结构数目，并确定输入各级子结构的特征数据子集；运用模糊神经网络和增量学习方法构造串联式级联分层模型，形成多阶段分层级增量化参数学习策略；最终构造分层模糊神经网络后件部分的参数学习过程，获得可迁移的分层模糊神经网络模型，得出代谢性脂肪肝数据预测结果。本发明具有优秀的泛化能力、稳定性和建模速度，是处理代谢性脂肪肝病数据的可行智能算法模型。
-
公开(公告)号：CN118779705A
公开(公告)日：2024-10-15
申请号：CN202410927668.4
申请日：2024-07-11
Applicant: 大连理工大学
IPC: G06F18/24 , G06F18/22 , G06F18/231 , G06N3/0442 , G06N3/08 , G06N3/043 , G06F18/25 , G06F123/02
Abstract: 本发明属于数据处理技术领域，提出了一种用于多元时序数据分类的模糊认知图神经网络建模方法及装置，具体为：收集多元时序重症监护数据及相应的标签数据，应用表征学习模型提取具有区分性和代表性的多元时序表征数据。采用不同长度的时间窗口划分表征数据，并通过全局最大池化操作获取对应的实例级表征数据。基于相似性的尺度筛选原则确定用于集成建模的多尺度表征数据集合。针对筛选结果，利用极限梯度提升决策树对特征重要性进行量化识别后进行重排序。将重排序数据划分为多个特征子集，建立分层宽度网络模型，实现对应尺度下的分类预测。使用加权平均方法融合所有基模型的分类预测结果，得到最终的决策输出。
-
公开(公告)号：CN118824554A
公开(公告)日：2024-10-22
申请号：CN202410914464.7
申请日：2024-07-09
Applicant: 大连理工大学
IPC: G16H50/50 , G16H50/70 , G16H10/60 , G06F18/241 , G06F18/25 , G06F18/26 , G06F18/2433 , G06N5/01 , G06N3/0442 , G06N3/045 , G06N3/0464 , G06N3/08
Abstract: 本发明提出了一种面向多元时序重症监护数据分类的多尺度信息融合神经网络建模方法，属于数据处理技术领域。具体为：收集多元时序重症监护数据及相应的标签数据，应用表征学习模型提取具有区分性和代表性的多元时序表征数据。采用不同长度的时间窗口划分表征数据，并通过全局最大池化操作获取对应的实例级表征数据。基于相似性的尺度筛选原则确定用于集成建模的多尺度表征数据集合。针对筛选结果，利用极限梯度提升决策树对特征重要性进行量化识别后进行重排序。将重排序数据划分为多个特征子集，建立分层宽度网络模型，实现对应尺度下的分类预测。使用加权平均方法融合所有基模型的分类预测结果，得到最终的决策输出。
-
公开(公告)号：CN116413147A
公开(公告)日：2023-07-11
申请号：CN202310380577.9
申请日：2023-04-11
Applicant: 江苏高速公路工程养护技术有限公司 , 江苏扬子江高速通道管理有限公司 , 大连理工大学
Abstract: 本发明属于实验模态分析数据采集技术领域，公开了一种考虑频谱混叠误差的采样频率设置自动判断方法，通过采集脉冲激励力和位移响应计算结构的实测频响函数，通过半功率带宽法从实测频响函数中识别结构的模态参数，计算等效柔度；依次选取各阶模态计算固有频率比和等效柔度比，依据二者权重形成加权等效柔度比和加权固有频率比；分别计算结构实测频谱混叠误差和理论频谱混叠误差，判断采样频率设置是否满足数据分析要求；满足要求时，保留原采样频率；当不满足要求时，按照实测频谱混叠误差构成的简化方程计算新的采样频率。本发明利用结构频响函数中某阶模态的实测频谱混叠误差和理论频谱混叠误差相类比的特征，完成对采样频率设置的自动化判断。
-
-
-
Search Results
4
records
(took 0.024 seconds)
