龙图腾网&IPTOP
- 微信扫码登录
- 账号密码登录
- 短信登录/注册
申请/专利权人：大连理工大学
申请日：2024-05-22
公开（公告）日：2024-06-18
公开（公告）号：CN118211498A
主分类号：G06F30/27
分类号：G06F30/27;G06N3/0464;G06N3/0442;G06N3/08;G06F119/14
优先权：
专利状态码：在审-公开
法律状态：2024.06.18#公开
摘要：一种基于动力学引导的卷积循环神经网络动态挖掘力预测方法，属于载荷预测技术领域。第一步，数据准备。第二步，数据传输。第三步，特征提取。第四步，建立融合物理先验的卷积循环深度学习模型。第五步，损失函数训练融合物理先验的卷积循环深度学习模型。第六步，模型预测。本发明能够在传统数据驱动的基础上，能够对矿用电铲的挖掘力进行时序预测，融合物理先验的注意力机制，并进一步用于支持挖掘力的预测。同时，所提出的方法具有显著的特点，其可通过空洞卷积捕捉融合物理先验的卷积循环深度学习模型中高维非线性关系，同时将物理先验映射为注意力机制中的权重，有效地提高了融合物理先验的卷积循环深度学习模型的预测精度。
主权项：1.一种基于动力学引导的卷积循环神经网络动态挖掘力预测方法，其特征在于，所述的卷积循环神经网络动态挖掘力预测方法为：第一步，获取数据，并将数据划分为训练集、测试集；预测前需要获取的数据包括矿用电铲的推杆倾角、矿用电铲的推杆角速度、矿用电铲的推杆角加速度、矿用电铲的推杆的伸缩量、矿用电铲的推杆的伸缩速度、矿用电铲的推杆的伸缩加速度、矿用电铲铲斗的挖掘厚度，及对应的挖掘提升力和挖掘推压力；第二步，数据划分；向空洞卷积输入第一步获取的数据；第三步，通过空洞卷积提取第二步传输训练集数据的输入变量的局部特征和全局特征；第四步，建立基于动力学引导的融合物理先验的卷积循环深度学习模型；利用嵌入融合物理先验的注意力机制的双向长短期记忆网络捕捉第三步输出的特征的时序关系，完成对第三步输出的序列建模任务，得到融合物理先验的卷积循环深度学习模型；第五步，通过损失函数训练融合物理先验的卷积循环深度学习模型；基于第四步完成的序列建模任务，利用损失函数对融合物理先验的卷积循环深度学习模型进行训练；第六步，模型预测；基于第五步训练完融合物理先验的卷积循环深度学习模型后，融合物理先验的卷积循环深度学习模型对新的输入变量进行预测。
全文数据：
权利要求：
百度查询： 大连理工大学 基于动力学引导的卷积循环神经网络动态挖掘力预测方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。
主营中国专利交易买卖与专利转让许可,高校科技成果推广与科技成果转化,知识产权运营管理与平台开发,科技人才专家库与科技猎头等科技服务
开放平台
担保交易
惠及多方
会员特惠
专属平台
适合多方
数据共享
功能齐全
皖公网安备 34010402703815号