-
公开(公告)号：CN114792037A
公开(公告)日：2022-07-26
申请号：CN202210714499.7
申请日：2022-06-23
Applicant: 华中科技大学
IPC: G06F30/17 , G06F30/23 , G06F111/04 , G06F111/10
Abstract: 本发明提供了一种超材料隔振器的序贯稳健性优化设计方法，其特征在于，包括如下步骤，步骤1：获得高精度分析模型和两个不可分层级的低精度分析模型；并获取初始高精度设计样本点与初始低精度设计样本点；步骤2：通过高精度分析模型和两个低精度分析模型分别获得对应设计样本点处的响应；步骤3：构建变可信度近似模型；步骤4：最大化目标函数和约束条件协同更新准则进行稳健性优化；步骤5：判断稳健性优化设计过程是否收敛；若收敛则执行步骤6，若不收敛则更新样本点集合，并跳转至步骤2，重复步骤2—5；步骤6：输出超材料隔振器稳健性优化问题的最优解。
-
公开(公告)号：CN114792037B
公开(公告)日：2022-09-09
申请号：CN202210714499.7
申请日：2022-06-23
Applicant: 华中科技大学
IPC: G06F30/17 , G06F30/23 , G06F111/04 , G06F111/10
Abstract: 本发明提供了一种超材料隔振器的序贯稳健性优化设计方法，其特征在于，包括如下步骤，步骤1：获得高精度分析模型和两个不可分层级的低精度分析模型；并获取初始高精度设计样本点与初始低精度设计样本点；步骤2：通过高精度分析模型和两个低精度分析模型分别获得对应设计样本点处的响应；步骤3：构建变可信度近似模型；步骤4：最大化目标函数和约束条件协同更新准则进行稳健性优化；步骤5：判断稳健性优化设计过程是否收敛；若收敛则执行步骤6，若不收敛则更新样本点集合，并跳转至步骤2，重复步骤2—5；步骤6：输出超材料隔振器稳健性优化问题的最优解。
-
公开(公告)号：CN109858352B
公开(公告)日：2020-09-18
申请号：CN201811601591.2
申请日：2018-12-26
Applicant: 华中科技大学
IPC: G06K9/00 , G06K9/46 , G06K9/62 , G06N3/04 , G01M13/045
Abstract: 本发明公开了一种基于压缩感知与改进多尺度网络的故障诊断方法，采用压缩感知压缩样本，能从原样本信号中保留感兴趣的信息，提高数据分析效率。利用压缩感知的高斯测量矩阵乘以信号矩阵，由于高斯测量矩阵是随机矩阵，每次生成的矩阵元素是不同的，产生的训练样本也是不同，产生足够多的训练样本，进一步解决深度模型训练过程中存在的小样本问题，提高了小样本故障诊断的精确率。在具有相同的尺寸和特征映射数量的特征映射之间引入恒等映射，通过对不同层的特征提取，连接不同层的特征拼接为一个整体实现特征融合，得到与输入图像对应的深度融合特征向量，从而解决了多尺度网络优化过程困难问题，能在不同工况下有效识别故障类型。
-
公开(公告)号：CN109858352A
公开(公告)日：2019-06-07
申请号：CN201811601591.2
申请日：2018-12-26
Applicant: 华中科技大学
Abstract: 本发明公开了一种基于压缩感知与改进多尺度网络的故障诊断方法，采用压缩感知压缩样本，能从原样本信号中保留感兴趣的信息，提高数据分析效率。利用压缩感知的高斯测量矩阵乘以信号矩阵，由于高斯测量矩阵是随机矩阵，每次生成的矩阵元素是不同的，产生的训练样本也是不同，产生足够多的训练样本，进一步解决深度模型训练过程中存在的小样本问题，提高了小样本故障诊断的精确率。在具有相同的尺寸和特征映射数量的特征映射之间引入恒等映射，通过对不同层的特征提取，连接不同层的特征拼接为一个整体实现特征融合，得到与输入图像对应的深度融合特征向量，从而解决了多尺度网络优化过程困难问题，能在不同工况下有效识别故障类型。
-
-
-
Search Results
4
records
(took 0.013 seconds)
