龙图腾网&IPTOP
- 微信扫码登录
- 账号密码登录
- 短信登录/注册
买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！
摘要：本发明公开了一种基于物理信息和证据学习的动态测量不确定度量化方法，包括以下步骤：步骤1、基于目标动态系统得到约束神经网络输出结果的目标函数，并得到训练数据集、测试数据集；步骤2、基于证据理论量化不确定度方法，构建生成四个独立的前馈神经网络，利用训练数据集对前馈神经网络进行训练，得到四个训练好的前馈神经网络构成的动态系统模型；步骤3、将测试数据集输入至动态系统模型，根据四个训练好的前馈神经网络输出的证据分布的张量，计算得到预测结果的总不确定度。本发明提高了神经网络的泛化能力和物理可解释性，避免了传统方法中由于不确定度传播对于模型输入的依赖性而导致最终不确定度变化趋势和模型输入相同的情况。
主权项：1.基于物理信息和证据学习的动态测量不确定度量化方法，其特征在于，包括以下步骤：步骤1、基于目标动态系统的结构和物理信息，建立目标动态系统输出结果的偏微分方程，根据所述偏微分方程得到用于约束后续神经网络输出结果的目标函数；并且，对目标动态系统进行仿真实验，以仿真实验时输入目标动态系统的输入信号和目标动态系统相应的输出信号构建训练数据集；并且，对目标动态系统进行真实实验，以真实实验时输入目标动态系统的输入信号和目标动态系统相应的输出信号构建测试数据集；步骤2、基于证据理论量化不确定度的方法，构建生成四个独立的前馈神经网络，然后利用步骤1构建的训练数据集分别对每个前馈神经网络进行训练，训练数据集输入每个前馈神经网络时，由每个前馈神经网络输出预测值张量和证据分布参数的张量，并且四个前馈神经网络输出的张量维度相同；并且，基于证据回归理论设计每个前馈神经网络训练时的数据驱动损失函数，并以最小化步骤1得到的目标函数的均方误差损失构建偏微分损失，由数据驱动损失函数和偏微分损失构建每个前馈神经网络训练时的总损失函数；每个前馈神经网络训练时基于总损失函数计算结果更新优化网络参数，由此得到四个训练好的前馈神经网络构成的动态系统模型；步骤3、将步骤1得到的测试数据集输入至步骤2得到的所述动态系统模型，根据动态系统模型中四个训练好的前馈神经网络输出的证据分布的张量，计算得到所述动态系统模型预测结果的总不确定度。
全文数据：
权利要求：
百度查询： 合肥工业大学 基于物理信息和证据学习的动态测量不确定度量化方法
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