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：合肥工业大学
申请日：2022-06-27
公开（公告）日：2024-06-25
公开（公告）号：CN115048868B
主分类号：G06F30/27
分类号：G06F30/27;G06N3/049;G06N3/0499;G06N3/084;G06N3/045;G06N3/0442
优先权：
专利状态码：有效-授权
法律状态：2024.06.25#授权;2022.09.30#实质审查的生效;2022.09.13#公开
摘要：本发明公开了基于神经网络方法对动态测量系统进行不确定度评定的方法，包括了以下步骤：建立数据集，神经网络建模，利用神经网络架构对数据集进行建模，利用集成神经网络的方法，实现测量不确定度的传播规律辨识，利用贝叶斯方法建模得到的损失函数提高模型的性能和可实现性，基于集成神经网络，预测模型的输出和不确定度。本发明通过可处理时序信号的神经网络对动态测量系统的建模，对比传统的动态测量系统测量不确定度方法，可以将模型不确定度和数据不确定度独立评定，模型预测更加精准，不确定度评定结果更加符合工程应用实。
主权项：1.基于时序神经网络的动态测量系统不确定度的评定方法，其特征在于，包括以下步骤：步骤S1，样本数据采集，基于已知的动态测量系统模型参数和建模过程，将动态测量系统的输入数据、输出数据作为训练数据；步骤S2，数据处理，对训练数据进行预处理，调整每组输入和对应的输出数据为相同的维度和大小，对长序列输入信号进行时间维度切片重构；步骤S3，神经网络建模；在单个网络中构建两个独立的前馈神经网络结构，其中一个前馈神经网络结构为可处理时序信息的神经网络，用来输出估计值均值xn；另一个前馈神经网络为线性前馈神经网络，用来输出估计值方差σ2；步骤S4，损失函数计算及网络训练；采用MSE损失函数，计算神经网络输出xn与真值xt的loss，将误差反向传递，利用随机梯度下降法进行优化逼近，通过最大化估计均值的后验分布训练单个网络；步骤S5，网络集成；将测试数据输入训练好的集成网络，分别量化数据不确定度和模型不确定度。
全文数据：
权利要求：
百度查询： 合肥工业大学 基于时序神经网络的动态测量系统不确定度的评定方法
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