【CN109978238A】基于深度回声状态网络的目的地预测方法【专利】
基于深度置信回声状态网络的网络流量预测模型
基于深度置信回声状态网络的网络流量预测模型
李莹琦;黄越;孙晓川
【期刊名称】《南京邮电大学学报（自然科学版）》
【年(卷),期】2018(038)005
【摘要】文中将深度置信回声状态网络应用于网络流量预测.结构上,深度置信网络通过无监督的方式进行特征学习,有效地提取网络流量数据特征.然后,利用回声状态网络学习机制代替传统的反向传播方法进行局部权值调整,实现有监督的储备池学习.针对实际的网络流量数据集,仿真结果表明该模型在非线性逼近能力方面明显优于浅层的神经网络结构,同时能够有效地保持网络流量的自相似特性.
【总页数】6页(P85-90)
【作者】李莹琦;黄越;孙晓川
【作者单位】华北理工大学信息工程学院,河北唐山063210;南京邮电大学计算机学院,江苏南京210023;华北理工大学信息工程学院,河北唐山063210;南京邮电大学计算机学院,江苏南京210023
【正文语种】中文
【中图分类】TP183
【相关文献】
1.基于深度信念网络的网络流量预测模型 [J], 任玮
2.基于改进深度置信网络的大棚冬枣病虫害预测模型 [J], 张善文;张传雷;丁军
3.基于深度置信网的房屋价格预测模型研究 [J], 吕昊
4.基于卡口上下文和深度置信网络的车辆轨迹预测模型研究 [J], 李暾;朱耀堃;吴欣虹;肖云鹏;吴海峰
5.基于深度神经网络的网络流量预测模型仿真 [J], 周任军;王文晶
因版权原因，仅展示原文概要，查看原文内容请购买。
【CN109991608A】一种基于逆合成孔径原理的水下目标声纳成像方法【专利】
(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 201910305580.8(22)申请日 2019.04.16(71)申请人 哈尔滨工程大学地址 150001 黑龙江省哈尔滨市南岗区南通大街145号(72)发明人 孙思博 梁国龙 赵春晖 王燕 史智博 付进 王逸林 张光普 齐滨 王晋晋 (74)专利代理机构 哈尔滨市阳光惠远知识产权代理有限公司 23211代理人 孙莉莉(51)Int.Cl.G01S 15/89(2006.01)(54)发明名称一种基于逆合成孔径原理的水下目标声纳成像方法(57)摘要本发明提出一种基于逆合成孔径原理的水下目标声纳成像方法，所述方法主要包括以下三个步骤。
首先进行回波的距离维处理，包括距离维压缩与平动补偿两个主要过程；其次进行回波的方位维处理，考虑到UV的复杂摆动，采用LVD算法对方位维回波进行参数估计；最后进行目标图像生成，通过参数估计结果计算散射点的横纵坐标及散射系数，并重构形成目标的声学图像。
本发明属于一种声纳信号处理方法，可应用于水下目标识别，水下战场态势感知等领域。
权利要求书3页 说明书8页 附图6页CN 109991608 A 2019.07.09C N 109991608A1.一种基于逆合成孔径原理的水下目标声纳成像方法，其特征在于，所述方法具体步骤为：步骤一：回波距离维处理；回波距离维处理依次分为距离维压缩与运动补偿两个过程；其中，距离维压缩用于将散射点回波信号能量压缩至某一距离单元内，以获取信号的精确时延信息；所述运动补偿用于将压缩后的信号峰值在方位维进行对齐，以便进行后续方位维处理步骤；步骤二：方位维处理；经过回波距离维处理，散射点回波在方位维上表现为高阶多项式相位信号，所述方位维处理用于进行信号参数估计；步骤三：目标图像生成；在目标图像生成步骤中，首先跟据信号参数估计结果，计算每个散射点的横纵坐标及散射系数；然后综合所有散射点的横纵坐标及散射系数信息，重构目标声学图像；最后通过选择不同的成像时间段，获得目标在不同角度下的多幅声纳图像。
一种基于深度神经网络的运动预测方法和智能终端[发明专利]
![一种基于深度神经网络的运动预测方法和智能终端[发明专利]](https://img.taocdn.com/s3/m/f2e239c7b4daa58da1114aac.png)
专利名称：一种基于深度神经网络的运动预测方法和智能终端专利类型：发明专利
发明人：胡瑞珍,黄惠,闫子豪
申请号：CN201911378607.2
申请日：20191227
公开号：CN111080671A
公开日：
20200428
专利内容由知识产权出版社提供
摘要：本发明公开了一种基于深度神经网络的运动预测方法和智能终端，所述方法包括：使用数据集训练深度神经网络；将三维点云输入至所述深度神经网络；所述深度神经网络输出所述三维点云的第一部分和第二部分，将所述第一部分作为运动子单元，所述第二部分作为运动单元的参考部分；根据所述三维点云的输出完成网络预测，输出运动信息，所述运动信息包括运动性分割、运动轴和运动类型。
本发明实现了在非结构化并且可能是部分扫描的各种铰链式物体在静止状态下同时运动和部件的预测结果，能够十分准确地预测物体部件的运动。
申请人：深圳大学
地址：518060 广东省深圳市南山区南海大道3688号
国籍：CN
代理机构：深圳市君胜知识产权代理事务所(普通合伙)
代理人：王永文
更多信息请下载全文后查看。
【CN110110243A】一种基于回声状态网络的历史轨迹目的地预测方法【专利】
(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 201910346731.4(22)申请日 2019.04.27(71)申请人 华南理工大学地址 510640 广东省广州市天河区五山路381号(72)发明人 欧昭婧 张幸林 张锦怡 赵孔延戈 廖培湧 魏莹 (74)专利代理机构 广州粤高专利商标代理有限公司 44102代理人 何淑珍 江裕强(51)Int.Cl.G06F 16/9537(2019.01)G06F 16/215(2019.01)G06Q 10/04(2012.01)G06Q 50/26(2012.01)G01S 19/40(2010.01)G01S 19/42(2010.01)G06N 3/04(2006.01)G06N 3/08(2006.01)(54)发明名称一种基于回声状态网络的历史轨迹目的地预测方法(57)摘要本发明公开了一种基于回声状态网络的历史轨迹目的地预测方法，包括以下步骤：S1、预测服务提供者对某一区域中行驶轨迹数据进行预处理；S2、构建基础回声状态网络模型；S3、利用训练数据集对基础回声状态网络模型进行训练，得到回声状态网络模型；S4、通过测试数据集对回声状态网络模型进行测试与优化，选出测试结果最优的参数表；S5、将最优的参数表作为到回声状态网络模型的参数，得到预测模型；S6、利用预测模型对实时轨迹数据进行预测，将预测结果返回轨迹数据提供者。
本发明用于解决用户的轨迹预测问题，只要能够采集到足够的历史轨迹数据来进行模型的训练以及修正，得到符合运动特性的模型，就能大幅度提高预测的准确性。
权利要求书3页 说明书6页 附图2页CN 110110243 A 2019.08.09C N 110110243A权 利 要 求 书1/3页CN 110110243 A1.一种基于回声状态网络的历史轨迹目的地预测方法，其特征在于，包括以下步骤：S1、预测服务提供者对某一区域中的移动物体的行驶轨迹数据进行预处理，再将预处理后的数据分为训练数据集和测试数据集；S2、根据目的地预测的基本特点构建基础回声状态网络模型；S3、预测服务提供者通过设定模型评估标准，利用训练数据集对步骤S2中的基础回声状态网络模型进行训练，得到回声状态网络模型；S4、通过测试数据集对回声状态网络模型的不同参数进行测试与优化，选出测试结果最优的参数表；S5、将S4中的最优的参数表输入到回声状态网络模型中，得到基于回声状态网络的目的地预测模型；S6、预测服务提供者利用预测模型对轨迹数据提供者的实时轨迹数据进行预测，将预测结果返回轨迹数据提供者。
一种基于深度学习的雷达回波信号目标识别方法[发明专利]
![一种基于深度学习的雷达回波信号目标识别方法[发明专利]](https://img.taocdn.com/s3/m/87de79d8162ded630b1c59eef8c75fbfc77d941c.png)
(19)中华人民共和国国家知识产权局(12)发明专利(10)授权公告号 (45)授权公告日 (21)申请号 201810018311.9(22)申请日 2018.01.09(65)同一申请的已公布的文献号申请公布号 CN 108229404 A(43)申请公布日 2018.06.29(73)专利权人 东南大学地址 210096 江苏省南京市江宁区东南大学路2号(72)发明人 崔铁军 范湉湉 (74)专利代理机构 南京苏高专利商标事务所(普通合伙) 32204代理人 柏尚春(51)Int.Cl.G06K 9/00(2022.01)G06K 9/62(2022.01)G06N 3/04(2006.01)G06N 3/08(2006.01)(56)对比文件CN 105512635 A ,2016.04.20CN 107516317 A ,2017.12.26CN 107220606 A ,2017.09.29CN 106886023 A ,2017.06.23CN 107301381 A ,2017.10.27CN 102608589 A ,2012.07.25审查员 王莹 (54)发明名称一种基于深度学习的雷达回波信号目标识别方法(57)摘要本发明公开了一种基于深度学习的雷达回波信号目标识别方法，该方法直接对雷达回波信号进行识别，从而避免了SAR图像的复杂二维匹配滤波处理以及成像过程中的信息损失，有效提高了识别准确率。
此外，该方法利用卷积神经网络，从而避免了对回波信号的复杂预处理和特征提取过程，极大的简化了识别处理过程。
本发明主要解决传统基于SAR图像目标识别方法需要成像预处理的问题，将卷积神经网络方法应用于原始雷达回波数据，具有识别准确率高，抗噪声性能好的优势，并且具有更具高效性与实用性。
权利要求书2页 说明书7页 附图4页CN 108229404 B 2022.03.08C N 108229404B1.一种基于深度学习的雷达回波信号目标识别方法，其特征在于，包括以下步骤：(1)对雷达回波信号进行(0,1)的归一化处理，所述的雷达回波信号为雷达原始回波信号，采用近场/远场测量或仿真得到的单/双站雷达回波信号，仿真时目标中心位于坐标原点，平面波激励由φi ＝0°平面内θi＝90°方向照射目标，入射波波形为调制高斯脉冲的一阶导数，调制频率为2GHz，脉冲宽度为12.8ns，分别计算俯仰角θs＝90°时，在不同观察距离和中心方位角下，观察半径r∈[48m,52m]，中心方位角φs∈[‑5°,5°]，对方位角进行扫描得到的近场雷达回波信号；(2)将雷达回波信号样本分为训练集样本和测试集样本，所述的训练集样本为中心方位角为φs ∈[‑5°,2°]范围内的仿真数据，所述的测试集样本为中心方位角为φs∈(2°,5°]范围内的仿真数据；(3)卷积神经网络参数初始化，包括：(31)对训练样本集P，其训练样本总量为M，记第i个训练样本为p(xi ,yi)，其中xi为归一化后的二维雷达回波数据，yi为第i个训练样本的类别标记，i＝1,2,...M；(32)网络的连接权重初始化服从如下分布函数：其中，U指均匀分布，p(l)表示第l层的输出特征图个数，p(l‑1)表示第l层的输入特征图个数，网络的偏置项初始化为0；(33)构造卷积神经网络，所述的卷积神经网络结构由3个卷积层，3个下采样层和1个输出层组成；(4)利用梯度下降法训练卷积神经网络，包括：(41)训练样本集，采用小批量梯度下降方式训练该卷积神经网络，将训练样本随机排列后，每次选择训练集中一定数量的数据完成一次参数更新，参数更新采用引入动量因子的更新方式，所述的一定数量为一个batch，batch∈[100,300]；(42)在卷积神经网络的训练初期使用能使损失函数下降的最大学习率来改变参数，初始学习率设置为1，在训练过程中每50个epochs后，学习率变为原先的0.1；(43)判定网络损失函数是否小于期望值，所述的网络损失函数采用考虑L2正则化的交叉熵损失函数，其表达式如下：式中，m为训练集样本集样本个数，记第i个训练样本为p(xi ,yi)，其中xi为归一化后的二维雷达回波数据，yi 为第i个训练样本的类别标记，hk,b(xi)为第i个训练样本通过网络后的预测类别标记，λ＞0为正则化参数，k为网络权重；(5)在测试集上测试训练好的卷积神经网络，得到测试结果。
深度回声状态网络概述
深度回声状态网络概述
程国建;魏珺洁
【期刊名称】《电子科技》
【年(卷),期】2018(031)008
【摘要】作为一种递归神经网络,回声状态网络凭借其简单的训练过程和独特的储备池结构受到广泛关注,目前已经应用于时间序列预测、非线性系统识别、定量预测等领域.然而回声状态网络也存在一些不足,例如储备池的优化问题、共线性问题等.许多研究学者尝试着优化回声状态网络的结构和性能,文中介绍的深度回声状态网络增加了特征链接和编码器,并且多次交替使用储备池和编码器来进行投影编码,改进了回声状态网络的性能.论文结合众多学者的研究,对深度回声状态网络的学习过程、应用和特点进行了详细介绍.该网络结构中加入了可以进行高维投影的编码器,在浅层回声状态网络的基础上进行了较大的改动,是一种值得研究的新型网络结构.
【总页数】4页(P92-95)
【作者】程国建;魏珺洁
【作者单位】西安石油大学研究生院,陕西西安710065;西安石油大学研究生院,陕西西安710065
【正文语种】中文
【中图分类】TP183
【相关文献】
1.基于深度置信回声状态网络的网络流量预测模型 [J], 李莹琦;黄越;孙晓川
2.多函数激活的拉普拉斯深度回声状态网络 [J], 廖永波;李红梅
3.延迟深度回声状态网络及其在时间序列预测中的应用 [J], 薄迎春;张欣;刘宝
4.尽善尽美写好概述——深度编纂中国名村名镇志之一 [J], 王晖
5.一种深度回声状态网络的输入尺度自适应算法 [J], 刘鹏;叶润;闫斌;谢茜;刘睿因版权原因，仅展示原文概要，查看原文内容请购买。
一种基于深度学习的雷达回波外推短临预报方法[发明专利]
专利名称：一种基于深度学习的雷达回波外推短临预报方法专利类型：发明专利
发明人：李晓纯,李扬,于娟,刘明海,李润祥,宋如萍,王怀荣
申请号：CN201911029867.9
申请日：20191028
公开号：CN110967695A
公开日：
20200407
专利内容由知识产权出版社提供
摘要：本发明公开了一种基于深度学习的雷达回波外推短临预报方法，属于气候监测技术领域，首先获取实测的雷达回波数据和降雨量；利用所述雷达回波数据得到等效反射率因子，利用所述反射率因子和降雨量得到Z‑R关系；构建雷达回波外推模型，对所述雷达回波数据进行预处理，并利用处理后的数据对雷达回波外推模型进行训练，预测未来一段时间内的雷达回波数据；最后将预测的雷达回波数据输入Z‑R关系得到预测的降雨量；本发明能大范围格点化预报降水，1小时内的降水预报比数值模式预报准确率高，预报的降水落区更为准确。
申请人：兰州大方电子有限责任公司
地址：730050 甘肃省兰州市七里河区南滨河中路1500号三维商城电子商务产业孵化大厦9楼国籍：CN
代理机构：成都弘毅天承知识产权代理有限公司
代理人：杨保刚
更多信息请下载全文后查看。
一种基于小波分析和回声状态网络的血压预测方法[发明专利]
专利名称：一种基于小波分析和回声状态网络的血压预测方法专利类型：发明专利
发明人：姜涛,蓝晓峰
申请号：CN201810749008.6
申请日：20180710
公开号：CN109009033A
公开日：
20181218
专利内容由知识产权出版社提供
摘要：本发明公开了一种基于小波分析和回声状态网络的血压预测方法，包括下述步骤：首先利用小波分解方法将原始血压数据分解为高频序列部分和低频序列部分，然后构建回声状态网络模型，再分别对低频序列部分和高频序列部分的训练样本进行回声状态网络模型的训练，接着利用训练得到的回声状态网络模型分别对高频序列部分和低频序列部分的测试样本进行单步预测和多步预测，最后对高频序列部分和低频序列部分的预测结果进行小波重构，得到单步预测血压数据和多步预测血压数据。
本发明方法在血压时间序列的单步预测和多步预测中都能够很好地预测血压变化趋势，并且较为准确的勾画出血压的变动形态，对血压时间序列的及时准确预测具有重要临床意义。
申请人：华南理工大学
地址：510640 广东省广州市天河区五山路381号
国籍：CN
代理机构：广州市华学知识产权代理有限公司
代理人：李斌
更多信息请下载全文后查看。
【CN109977871A】一种基于宽带雷达数据和GRU神经网络的卫星目标识别方法【专利】
(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 201910239622.2(22)申请日 2019.03.27(71)申请人 中国人民解放军战略支援部队航天工程大学地址 101416 北京市怀柔区八一路1号(72)发明人 卢旺 张雅声 徐灿 方宇强 林财永 霍俞蓉 冯飞 杨虹 胡盟霄 (74)专利代理机构 北京挺立专利事务所(普通合伙) 11265代理人 叶树明(51)Int.Cl.G06K 9/00(2006.01)G06K 9/62(2006.01)G06N 3/04(2006.01)G06N 3/08(2006.01)(54)发明名称一种基于宽带雷达数据和GRU神经网络的卫星目标识别方法(57)摘要本发明提供了一种基于宽带雷达数据和GRU 神经网络的卫星目标识别方法，该方法主要包括数据划分和深度学习模型两大部分，通过将轨道高度和雷达观测角度信息引入到卫星目标识别，实现宽带雷达HRRP训练数据的划分和测试数据的匹配对应；采用GRU神经网络提取HRRP数据的有效特征，以划分后的HRRP训练数据作为输入，通过网络训练确定GRU神经网络的权重空间，以便提取HRRP测试数据的深层本质特征，将这些特征输入到分类器，实现卫星目标识别。
本发明能够充分利用已有的宽带雷达数据，采用GRU神经网络这一深度学习模型来提取雷达HRRP数据的深层次特征，有利于提取出训练数据的有效特征，降低测试数据的搜索范围和计算量，提高了卫星目标识别的精度。
权利要求书2页 说明书11页 附图11页CN 109977871 A 2019.07.05C N 109977871A权 利 要 求 书1/2页CN 109977871 A1.一种基于宽带雷达数据和GRU神经网络的卫星目标识别方法，其特征在于，包括：步骤一、对宽带雷达HRRP数据进行预处理，所述预处理包括包络对齐操作和幅度归一化操作；步骤二、使用目标距离、雷达观测角度信息计算出预处理后的宽带雷达HRRP数据的卫星轨道高度，并依据卫星轨道高度对HRRP数据进行划分，得到不同轨道高度范围的HRRP数据；步骤三、基于不同轨道高度范围的HRRP数据的雷达观测角度，采用聚类方法对HRRP数据进一步划分，得到不同轨道高度范围的多个HRRP数据簇；步骤四、对多个HRRP数据簇中的数据分别构造训练集；步骤五、构建GRU神经网络深度学习模型，所述GRU神经网络深度学习模型由输入层、隐藏层和输出层组成；设计GRU神经网络深度学习模型的网络结构与参数，主要包括隐藏层设计、各层单元数、优化器、损失函数、激活函数和Dropout等；步骤六、将多个HRRP数据簇的训练集分别输入到设计好的GRU神经网络深度学习模型，进行网络的学习训练，得到多个HRRP数据簇对应的训练好的GRU神经网络模型；在训练过程中，预留出用于验证的部分数据，构成验证集；同时，根据训练集和验证集的损失函数值、识别精度的变化值，确定网络训练的迭代次数，当损失函数值和识别精度的变化值在稳定区间时，网络学习训练完成，得到多个HRRP数据簇的GRU神经网络模型；步骤七、将宽带雷达HRRP测试数据按照步骤一进行数据预处理，并依据测试数据的轨道高度和雷达观测角度完成测试数据的匹配对应，确定测试数据所对应的训练数据簇，将测试数据输入到该训练数据簇在步骤六中得到的GRU神经网络模型中，以编码器模块的输出作为测试数据所提取出的特征，将该特征输入到选定的分类器，进行卫星目标识别，同时验证GRU神经网络模型特征学习的效果。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
(19)中华人民共和国国家知识产权局
(12)发明专利申请
(10)申请公布号 (43)申请公布日 (21)申请号 201910162617.6
(22)申请日 2019.03.05
(71)申请人 电子科技大学
地址 611731 四川省成都市高新区（西区）
西源大道2006号
(72)发明人 邵杰 宋作华 申恒涛
(74)专利代理机构 电子科技大学专利中心
51203
代理人 周刘英
(51)Int.Cl.
G06Q 10/04(2012.01)
G06Q 50/30(2012.01)
G06N 3/04(2006.01)
G06N 3/08(2006.01)
(54)发明名称
基于深度回声状态网络的目的地预测方法
(57)摘要
本发明公开了一种基于深度回声状态网络
的目的地预测方法，属于轨迹目的地预测技术领
域。
本发明为了提升对目的地的预测准确率，本
发明提出了一个新的深度回声状态网络的变体，
即双输入深度回声状态网络，通过该变体解决原
深度回声模型及其已有变体在大规模训练数据
下时间消耗高的弊端，并达到了已知现存的最好
的预测成绩；此外，在训练本发明用于目的地预
测的预测模型时，本发明仅将目标的历史轨迹数
据用于训练，未利用任何其他额外信息，应用条
件宽泛，相较于传统的神经网络模型，该模型具
有更强的时序数据处理能力，
且易于训练。
权利要求书1页 说明书5页 附图3页CN 109978238 A 2019.07.05
C N 109978238
A
权 利 要 求 书1/1页CN 109978238 A
1.基于深度回声状态网络的目的地预测方法，其特征在于，包括下列步骤：
为目的地预测的目标对象设置预测模型，所述预测模型的网络结构为双输入深度回声状态网络；
所述双输入深度回声状态网络包括N L层；其中，第一层包括两个神经元个数均为的蓄水池，第2至第N L层分别包括一个神经元个数为N R的蓄水池；且合并第一层的两个蓄水池的输出作为第一层的输出，并将每一层的输出作为下一层的输入；线性组合所有层的输出得到双输入深度回声状态网络的输出结果；
将目标对象在指定区域内的历史运行轨迹数据作为训练样本集，并对训练样本集进行轨迹数据预处理：
将训练样本集中的每条轨迹的第一个点作为起点，最后一个点作为目的地；
并对每条轨迹，保留从起始点开始的一段轨迹片段，作为训练片段；并保存每个训练片段的目的地信息；
基于轨迹数据预处理后的训练样本集，按照预设的占比，提取每个训练片段的前缀和后缀，并将提取得到的前缀与后缀的轨迹点分别逐一输入到双输入深度回声状态网络的第一层的两个蓄水池中，对预测模型进行深度回声状态网络训练，得到训练好的预测模型；
对目标对象在指定区域内的包含起始点的当前行使轨迹片段，按照预设的占比，提取当前行使轨迹片段的前缀和后缀，并将提取得到的前缀与后缀的轨迹点分别逐一输入到训练好的预测模型的第一层的两个蓄水池中，基于预测模型的输出得到目标对象的当前目的地预测结果。
2.如权利要求1所述的方法，其特征在于，前缀与后缀对应的占比的优选取值范围为20％～30％。
3.如权利要求1所述的方法，其特征在于，目标对象为车辆。
4.如权利要求1所述的方法，其特征在于，训练片段占每条轨迹的优选比例不超过75％。
2。