-
公开(公告)号：CN107909041A
公开(公告)日：2018-04-13
申请号：CN201711164855.8
申请日：2017-11-21
申请人： 清华大学
CPC分类号： G06K9/6232 , G06K9/00711 , G06N3/0454
摘要： 本发明提供一种基于时空金字塔网络的视频识别方法，包括：通过卷积神经网络提取视频片段样本集中每一视频片段样本的特征，并进行时空双线性算子处理获得第一向量，通过第二卷积神经网络获取图像样本的图像信息获得第二向量；将第一向量和第二向量拼接后的向量进行所述时空双线性算子处理；将输出结果和第二向量进行加权池化获得第三向量；通过平均池化获得第四向量和第五向量，接着进行时空双线性算子处理获得第六向量；根据损失值对所述待测视频进行识别。本发明通过降维运算和逆变换运算解决了双线性融合维度灾难和运算复杂度高的问题，通过改进双线性融合算子，在两个视频具有相似背景或者短片上相似情况下，得到更好的识别效果。
-
公开(公告)号：CN107992938B
公开(公告)日：2019-05-14
申请号：CN201711192977.8
申请日：2017-11-24
申请人： 清华大学
摘要： 本发明提供一种基于正反卷积神经网络的时空大数据预测方法和系统，方法包括：将时空大数据输入训练好的正反卷积神经网络模型，获取预测结果；训练好的正反卷积神经网络模型通过如下步骤获取：根据任一时刻卷积记忆和任一时刻卷积输出门获取任一时刻卷积输出，构建任一时刻卷积长短时间记忆单元；根据任一时刻反卷积记忆和任一时刻反卷积输出门获取任一时刻反卷积输出，构建任一时刻反卷积长短时间记忆单元；搭建正反卷积神经网络模型；将由观测值组成的张量序列数据输入正反卷积神经网络模型进行训练，获得训练好的正反卷积神经网络模型。本发明通过分析和学习过去观测到的数据，对时空数据的隐含特征进行学习，预测未来的时空大数据序列。
-
公开(公告)号：CN107748942B
公开(公告)日：2018-12-11
申请号：CN201711188099.2
申请日：2017-11-24
申请人： 清华大学
摘要： 本发明提供一种基于速度场感知网络的雷达回波外推预测方法和系统，预测方法包括：将雷达回波数据和速度场数据输入训练好的速度场感知雷达外推网络模型，获取预测雷达回波序列；训练好的速度场感知雷达外推网络模型通过如下步骤获取：搭建任一时刻记忆；搭建任一时刻输出门；获取任一时刻隐藏状态；构建任一时刻长短时间记忆网络结构；搭建雷达外推网络模型并将速度场与之融合，获取速度场感知雷达外推网络模型；将张量序列数据输入速度场感知雷达外推网络模型进行训练，获得训练好的速度场感知雷达外推网络模型。本发明挖掘出隐藏在历史数据的信息。在速度场感知雷达外推网络模型中结合了速度场，使模型具有了更准确的预测能力。
-
公开(公告)号：CN107944550A
公开(公告)日：2018-04-20
申请号：CN201711339998.8
申请日：2017-12-14
申请人： 清华大学
CPC分类号： G06N3/049 , G06N3/0454 , G06N3/084
摘要： 本发明提供一种基于探测式深度网络的时空大数据预测方法，包括：将时空序列输入训练好的探测式卷积递归神经网络模型，获取预测结果；模型训练方法包括：将前K个时刻的空间数据输入编码器，获取K+1时刻的空间数据预测值；将K+1时刻的空间数据预测值输入预测器，获取K+2至K+J时刻的空间数据预测值；将K+1至K+J-1时刻的空间数据输入探测器，获取K+2至K+J时刻的空间数据探测值；根据空间数据预测值、空间数据探测值和时空序列，应用损失函数计算预测器和探测器的输出值与时空序列的差距；对所述模型进行优化并重复上述步骤，直至差距满足预设条件。本发明提供的方法，充分利用了数据潜在知识，提高了预测结果精度。
-
公开(公告)号：CN107748942A
公开(公告)日：2018-03-02
申请号：CN201711188099.2
申请日：2017-11-24
申请人： 清华大学
摘要： 本发明提供一种基于速度场感知网络的雷达回波外推预测方法和系统，预测方法包括：将雷达回波数据和速度场数据输入训练好的速度场感知雷达外推网络模型，获取预测雷达回波序列；训练好的速度场感知雷达外推网络模型通过如下步骤获取：搭建任一时刻记忆；搭建任一时刻输出门；获取任一时刻隐藏状态；构建任一时刻长短时间记忆网络结构；搭建雷达外推网络模型并将速度场与之融合，获取速度场感知雷达外推网络模型；将张量序列数据输入速度场感知雷达外推网络模型进行训练，获得训练好的速度场感知雷达外推网络模型。本发明挖掘出隐藏在历史数据的信息。在速度场感知雷达外推网络模型中结合了速度场，使模型具有了更准确的预测能力。
-
公开(公告)号：CN108009632A
公开(公告)日：2018-05-08
申请号：CN201711342473.X
申请日：2017-12-14
申请人： 清华大学
CPC分类号： G06N3/0454 , G06N3/084
摘要： 本发明提供一种对抗式时空大数据预测方法，包括：将时空序列输入训练好的对抗式卷积递归神经网络模型，获取预测结果；所述对抗式卷积递归神经网络模型由预测器和判别器构成，所述判别器为卷积神经网络；所述预测器用于根据输入所述预测器的时空序列输出预测时空序列，所述预测器用于根据输入所述判别器的时空序列输出真实性概率向量；所述模型应用所述真实性概率向量构建的损失函数进行训练。本发明提供的方法，基于对抗式卷积递归神经网络模型，应用判别器输出的真实性概率向量构建损失函数，更好的保留了预测值和真实值在结构层面和语义层面的差距，使得时空数据的预测纹理更加清晰、结构更加完整、语义更加准确。
-
公开(公告)号：CN107992938A
公开(公告)日：2018-05-04
申请号：CN201711192977.8
申请日：2017-11-24
申请人： 清华大学
CPC分类号： G06N3/0454 , G06Q10/04
摘要： 本发明提供一种基于正反卷积神经网络的时空大数据预测方法和系统，方法包括：将时空大数据输入训练好的正反卷积神经网络模型，获取预测结果；训练好的正反卷积神经网络模型通过如下步骤获取：根据任一时刻卷积记忆和任一时刻卷积输出门获取任一时刻卷积输出，构建任一时刻卷积长短时间记忆单元；根据任一时刻反卷积记忆和任一时刻反卷积输出门获取任一时刻反卷积输出，构建任一时刻反卷积长短时间记忆单元；搭建正反卷积神经网络模型；将由观测值组成的张量序列数据输入正反卷积神经网络模型进行训练，获得训练好的正反卷积神经网络模型。本发明通过分析和学习过去观测到的数据，对时空数据的隐含特征进行学习，预测未来的时空大数据序列。
-
公开(公告)号：CN107958044A
公开(公告)日：2018-04-24
申请号：CN201711190694.X
申请日：2017-11-24
申请人： 清华大学
CPC分类号： G06F16/28 , G06N3/0454 , G06N3/08
摘要： 本发明提供一种基于深度时空记忆网络的高维序列数据预测方法和系统，方法包括：将高维序列数据输入训练好的预测循环神经网络模型，获取预测结果；其中，训练好的预测循环神经网络模型通过如下步骤获取：根据第一输入门、第一遗忘门和第一输入调制门搭建任一时刻记忆；根据第二输入门、第二遗忘门和第二输入调制门搭建任一层记忆；搭建任一输出门；更新任一隐藏状态；基于任一时刻记忆、任一层记忆和更新的任一隐藏状态构建任一时空记忆单元；搭建预测循环神经网络模型，将张量序列数据输入预测循环神经网络模型进行训练，获得训练好的预测循环神经网络模型。本发明使得预测的结果能够涵盖时间维度和空间维度的趋势，预测结果更加精准。
-
-
-
-
-
-
-
搜索结果
8 条记录 (耗时 0.029 秒)
