专利汇可以提供基于半监督学习的软测量方法专利检索,专利查询,专利分析的服务。并且一种基于半 监督学习 的软测量方法,首先,在工业过程数据和 半监督学习 基础 上,利用图拉普拉斯对样本空间几何结构的信息进行估计构造高斯过程回归中的协方差矩阵;然后,引入未标记样本构建一个半监督核,并将其整合到高斯过程回归中,构造基于半监督的软仪表,软仪表中的关键参数可以由交叉验证方式确定;最后,基于滚动 时间窗 的方式,实现软仪表的在线更新。本 发明 所公开的软测量方法,解决常规的软仪表和软测量方法中存在的不足和 缺陷 ,通过将半监督学习引入到在线过程回归中,建立一种基于半监督核的在线高斯过程回归方法,利用标记样本和未标记样本来建立软仪表,来达到更好的预测效果。,下面是基于半监督学习的软测量方法专利的具体信息内容。
1.一种基于半监督学习的软测量方法,其特征在于,首先在工业过程数据和半监督学习基础上,利用图拉普拉斯对样本空间几何结构的信息进行估计构造高斯过程回归中的协方差矩阵;然后引入未标记样本构建一个半监督核,并将其整合到高斯过程回归中,构造基于半监督的软仪表,软仪表中的关键参数可以由交叉验证方式确定;最后,基于滚动时间窗的方式,实现软仪表的在线更新。
2.根据权利要求1所述的基于半监督学习的软测量方法,其特征在于,所述的 因此,在选定高斯过程回归协方差方程和噪声之后就可以计算出训练集和测试集间的协方差矩阵。
3.根据权利要求2所述的基于半监督学习的软测量方法,其特征在于,所述的构建一个半监督核是指:在半监督学习中,基于大量的未标记数据能够表征样本空间的几何特征,可用半监督核的方法来解决半监督学习问题,即用未标记数据。
4.根据权利要求3所述的基于半监督学习的软测量方法,其特征在于,所述的根据贝叶斯公式可推导基于半监督核的高斯过程回归预测方程为,
。
5. 根据权利要求4所述的基于半监督学习的软测量方法,其特征在于,所述的最后,重复进行上述过程。
标题 | 发布/更新时间 | 阅读量 |
---|---|---|
一种基于商用WiFi的位置自适应动作识别方法 | 2020-05-08 | 1596 |
一种机器学习算法自动选择方法和系统 | 2020-05-12 | 104 |
基于语义传播及混合多示例学习的Web图像检索方法 | 2020-05-16 | 639 |
一种半监督学习的训练方法、系统和计算机可读存储介质 | 2020-05-18 | 795 |
一种基于半监督学习深度对抗网络的故障诊断方法 | 2020-05-12 | 671 |
一种室外场景三维彩色点云分类方法 | 2020-05-14 | 637 |
一种基于语音和表情的自适应权重双模态融合情感识别方法 | 2020-05-19 | 142 |
一种图形化编程的深度学习神经网络搭建方法 | 2020-05-18 | 737 |
一种运维系统及方法 | 2020-05-14 | 754 |
一种面向半结构化数据流的实时主题分类方法 | 2020-05-16 | 842 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台,是提供专利分析,专利查询,专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据,免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析,涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度,系统通过AI智能系统对图表进行解读,只需1分钟,一键生成行业专利分析报告。