申请/专利权人：山东建筑大学

申请日：2023-11-22

公开（公告）日：2023-12-22

公开（公告）号：CN117272873A

主分类号：G06F30/28

分类号：G06F30/28;G06F18/213;G06F18/214;G06N3/04;G06F30/27;G06F113/08;G06F119/14

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.01.09#实质审查的生效;2023.12.22#公开

摘要：本发明涉及运动分析技术领域，具体地涉及一种基于数理串联增强深度学习方法的抛射落点预测算法，包括：利用传感器装置采集抛射物运动过程中的抛出初始数据；将抛出初始数据导入到物理模型中，用于模拟真实的运动过程；将物理模型生成的数据与抛出初始数据进行特征融合；设计深度学习模型，接收特征融合后的数据作为输入，以提取和学习抛射物运动模式的特征表示；使用已标注的训练数据集，对深度学习模型进行训练，通过优化算法和反向传播，调整模型参数，准确预测抛射物的落点位置；在预测阶段，将抛出初始数据输入模型，输出预测的落点位置。本发明通过将物理模型生成的数据与抛出初始数据相结合，改善了模型的预测性能、泛化能力和鲁棒性。

主权项：1.一种基于数理串联增强深度学习方法的抛射落点预测算法，其特征在于：包括以下步骤：步骤1、抛出初始数据采集：利用传感器装置采集抛射物运动过程中的抛出初始数据；步骤2、物理模型数据生成：将抛出初始数据导入到物理模型中，通过数值模拟或解析计算生成抛射物的轨迹数据，用于模拟真实的运动过程；步骤3、特征融合：将物理模型生成的数据与抛出初始数据进行特征融合；步骤4、深度学习模型设计：设计深度学习模型，接收特征融合后的数据作为输入，以提取和学习抛射物运动模式的特征表示；步骤5、模型训练与预测：使用已标注的训练数据集，对深度学习模型进行训练，通过优化算法和反向传播，调整模型参数，使其能够准确预测抛射物的落点位置；在预测阶段，将抛出初始数据输入模型，输出预测的落点位置。

全文数据：

权利要求：

百度查询： 山东建筑大学 一种基于数理串联增强深度学习方法的抛射落点预测算法

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。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD