[发明专利]基于量子注意力循环编码解码神经网络的退化预测方法有效
申请号: | 201910318404.8 | 申请日: | 2019-04-19 |
公开(公告)号: | CN110458278B | 公开(公告)日: | 2021-09-14 |
发明(设计)人: | 李锋;陈勇;田大庆 | 申请(专利权)人: | 四川大学 |
主分类号: | G06N3/04 | 分类号: | G06N3/04;G06N3/08;G06N10/00;G06Q10/04 |
代理公司: | 成都正华专利代理事务所(普通合伙) 51229 | 代理人: | 陈选中 |
地址: | 610064 四*** | 国省代码: | 四川;51 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | 本发明公开了提供的基于量子注意力循环编码解码神经网络(QAREDNN)的退化预测方法,将QAREDNN用于其中,引入量子注意力机制同时对编码器和解码器进行重构使QAREDNN能够充分挖掘和重视重要信息,同时抑制冗余信息的干扰,进而获得更好的非线性逼近能力;采用量子神经元构建活性值和权值由量子旋转矩阵代替的量子门限循环单元(QGRU)取代编码器和解码器中传统的循环单元能够提高QAREDNN的泛化能力和响应速度;在QAREDNN的训练过程中,引入LM算法实现量子旋转矩阵的旋转角和注意力参数快速更新。由于QAREDNN在非线性逼近能力、泛化能力以及响应和训练速度等方面的优点,基于量子注意力循环编码解码神经网络的退化预测方法能够获得较高的预测精度和计算效率。 | ||
搜索关键词: | 基于 量子 注意力 循环 编码 解码 神经网络 退化 预测 方法 | ||
【主权项】:
1.基于量子注意力循环编码解码神经网络的退化预测方法,其特征在于,包括以下步骤:/nS1、采集旋转机械运行的原始振动数据;/nS2、根据原始振动数据构造模糊熵;/nS3、对模糊熵进行滑动平均降噪处理,并将处理后的降噪模糊熵作为旋转机械退化状态特征;/nS4、将旋转机械退化状态特征输入到量子注意力循环编码解码神经网络中,并对其进行训练;/nS5、通过训练好的量子注意力循环编码解码神经网络对测试样本进行退化预测。/n
下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于四川大学,未经四川大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/patent/201910318404.8/,转载请声明来源钻瓜专利网。