-
公开(公告)号：CN119293539B
公开(公告)日：2025-04-04
申请号：CN202411362182.7
申请日：2024-09-27
Applicant: 哈尔滨理工大学
IPC: G06F18/2337 , G06F18/213
Abstract: 本发明一种基于等效粒度的高效式模糊聚类集成的锂电池健康状态估计方法及系统，涉及电池健康状态预测领域，为解决现有方法将每个样本视为独立的个体，而忽略了样本间的等价关系，以及使用全部的样本点学习数据集的核心主体簇结构的问题。本发明通过构建数据集的等效点集，并基于等效子集元素的潜在等效粒度构建潜在等效粒度集，将潜在等效粒度集划分为核心等效粒度集和模糊等效粒度集，衡量任意两个核心等效粒度之间的模糊关系，构建核心等效粒度关系矩阵，对主体簇结构进行识别，将模糊等效粒度分配给得到的主体簇结构，同时，将被隐藏样本点的标签还原为与其等价的潜在等效粒度的标签，得到共识结果；基于共识结果对电池健康状态进行预测。
-
公开(公告)号：CN116434880B
公开(公告)日：2023-09-08
申请号：CN202310204380.X
申请日：2023-03-06
Applicant: 哈尔滨理工大学
IPC: G16C60/00 , G06F18/2321
Abstract: 本发明提供一种基于模糊自洽式聚类集成的高熵合金硬度预测方法，属于合金硬度预测技术领域。为解决现有方法无法有效避免类簇标签值的大小对对象间关系的影响，共识结果很难准确地映射出基聚类结果间的实际差异，且处理不确定性关系的能力较弱的问题。本发明方法将基聚类结果作为样本点特征，将基聚类结果采用缩放的哑变量的形式表示；采用模糊算子构建所有样本点的关系矩阵；基于关系矩阵计算各样本点的局部密度和相对距离，以识别聚类中心和分配非中心点，并构建再分配策略对共识聚类结果中的不确定性样本点进行修正。本发明消除了基聚类结果间划分差异的影响，从模糊算子的角度审视对象间的模糊关系，有效地提升对模糊关系的处理能力。
-
公开(公告)号：CN112216355A
公开(公告)日：2021-01-12
申请号：CN202011140008.X
申请日：2020-10-22
Applicant: 哈尔滨理工大学
Abstract: 一种基于机器学习的多组分晶体构型能预测方法，属于材料固有属性计算领域，用以解决传统方法中单纯依赖于物理理论推导多组分晶体构型能而导致的预测计算不准确及不高效问题。本发明提出了以团簇扩展方法计算多组分晶体的构型能，通过将多体相互作用形成的团簇函数即相关函数作为输入特征值，然后利用机器学习算法进行模型训练和预测，获得多组分晶体构型能。相比于传统的严格依赖于物理理论推导的计算方法，本发明方法预测计算结果更加准确、高效，可推广到计算多组分晶体的其他标量属性。
-
公开(公告)号：CN109697408A
公开(公告)日：2019-04-30
申请号：CN201811404452.0
申请日：2018-11-22
Applicant: 哈尔滨理工大学
Abstract: 一种基于FPGA的人脸识别系统，属于图像识别技术领域。本发明为了解决现有技术中提出的图像识别系统存在时实性差、识别速度慢的问题。将解码模块解码后的图像数据传输到同步动态随机存储器中，同步动态随机存储器通过FPGA的数据选择器进行解交织并将解交织后的结果传递给YUV转化模块，经RGB转化模块处理得到RGB格式的图像数据分别输出给VGA控制器模块、窗口裁剪模块，VGA控制器模块通过视频DAC芯片将采集到的人脸图像在显示器中显示；窗口裁剪模块用于提取待识别区域内的图像数据并依次传递给卷积模块、池化模块、激活函数模块和全连接层模块，通过数码管显示识别结果。本发明主要用于人脸识别中。
-
公开(公告)号：CN117079753A
公开(公告)日：2023-11-17
申请号：CN202311077115.6
申请日：2023-08-24
Applicant: 哈尔滨理工大学
IPC: G16C60/00 , G06F30/20 , G06F113/26 , G06F111/10
Abstract: 本发明提供一种基于可解释性和Matminer特征生成器的剪切模量与体积模量的预测方法，属于材料性质预测领域。为在较短时间内提供结果并进行验证，缩短材料研究时间。步骤一、数据收集：包括化学成分式、结构信息等；步骤二、特征生成：利用Matminer提取成分信息，将成分信息与结构信息导入Matminer后生成特征；步骤三、特征筛选：使用皮尔逊相关系数绝对值排序法进行特征选择；步骤四、可解释性：对所选择的特征使用SHAP方法进行解释性分析；步骤五、数据预测：将保留所选特征的数据集作为训练集，输入到LightGBM模型中进行训练，得到剪切模量与体积模量的LightGBM预测模型。通过本发明方法得到的剪切模量与体积模量预测模型具有较高的准确性，同时训练与预测所需的时间很短。
-
Patent Agency Ranking
公开(公告)号：CN116364211A
公开(公告)日：2023-06-30
申请号：CN202310317884.2
申请日：2023-03-28
Applicant: 哈尔滨理工大学
IPC: G16C20/70 , G16C20/90 , G16C20/20 , G16C60/00 , G06N3/0464 , G06N3/047 , G06N3/048 , G06N3/084 , G06F18/213 , G06F18/2111 , G06F18/24
Abstract: 本发明提供一种基于经验参数和卷积神经网络结合元素周期表提取特征的高熵合金机器学习相预测方法及装置，属于高熵合金相预测领域。为解决现有技术对高熵合金相预测时特征提取与模型性能上的问题。包括：步骤一、构建高熵合金成分信息和相标签的分类数据集；步骤二、构建五种传统机器学习模型并选出最优模型；步骤三、构建卷积神经网络，对根据成分信息映射的元素周期表形式的二维伪图像进行自动提取特征并进行预测；步骤四、将经验参数与卷积神经网络提取的特征进行合并并基于遗传算法进行筛选，选出最优特征组合；步骤五、将步骤四的最优特征组合作为步骤二中选出的最优模型的输入，进行重新训练，得到高熵合金相预测模型。通过本发明方法得到的高熵合金相预测模型具有更高的准确性。
-
公开(公告)号：CN115691700B
公开(公告)日：2023-05-02
申请号：CN202211397847.9
申请日：2022-11-09
Applicant: 哈尔滨理工大学
IPC: G16C20/30 , G06F18/2321
Abstract: 本发明提供一种基于三种共识策略的双粒度聚类集成算法的高熵合金硬度预测方法，涉及合金硬度预测技术领域，为解决现有技术中采用单一聚类方法不能同时适用于不同分布特征的数据集，即使在同一种数据分布下往往也不能达到稳定、统一的聚类效果的问题。本发明将高熵合金数据集X＝{x1，x2，...，xN}∈Rh利用聚类算法生成基聚类组合Π＝{π1，π2，...，πM}；将给定的共识函数嵌入到选择策略，去除基聚类集合中的噪声成员，并计算得到的基聚类组合的共识结果，采用可调DS证据理论共识策略将去除噪声成员后得到的共识结果进行融合，得到不同类簇的最终划分结果；将不同类簇各自建立回归模型进行硬度预测计算。本发明采用的聚类方法能够提取多个基聚类信息，实现更好性能的聚类结果。
-
公开(公告)号：CN114464274A
公开(公告)日：2022-05-10
申请号：CN202210043307.4
申请日：2022-01-14
Applicant: 哈尔滨理工大学
Abstract: 一种基于机器学习和改进遗传算法特征筛选的高熵合金硬度预测方法，涉及材料性能预测技术领域，本发明为了高效预测HEA的硬度、降低预测误差而提出的。技术要点：收集多个HEA的成分与硬度信息，并由高熵合金所包含的元素成分和元素本身固有性质计算得出物理特征用作原始数据集；采用带有径向基核函数的支持向量回归作为预测高熵合金硬度的ML模型；对遗传算法进行改进；将ML模型代入到改进遗传算法的适应度值计算中来计算每一个个体的适应度值，通过特征重要性来提升初始种群的质量、加强迭代过程中的搜索能力，以选择出预测效果优异的特征组合。将新开发的改进遗传算法与传统遗传算法及其它具有代表性的特征选择方法进行比较。结果表明本方法有效地降低了预测误差。
-
公开(公告)号：CN112216356A
公开(公告)日：2021-01-12
申请号：CN202011140018.3
申请日：2020-10-22
Applicant: 哈尔滨理工大学
Abstract: 一种基于机器学习的高熵合金硬度预测方法，属于金属材料硬度预测技术领域，用以解决传统方法预测搜索性能优异的高熵合金耗时耗力且不准确的问题。该方法包括，获取用来预测高熵合金硬度的特征数据训练集；对特征数据进行筛选，获取最优特征组合；通过十重交叉验证方法选择机器学习模型；采用选择的机器学习模型并输入最优特征组合进行模型训练；根据训练好的模型对未知的高熵合金硬度进行预测，挑选出预测硬度高且预测可信性好的高熵合金。本发明中的特征筛选方法与现有的穷举法需要排列所有特征的组合去寻找最优特征相比，在基于机器学习算法进行高熵合金硬度预测时，不仅对高熵合金性能预测较为准确，而且更为节省计算资源与时间。
-
公开(公告)号：CN108322725A
公开(公告)日：2018-07-24
申请号：CN201810169447.X
申请日：2018-02-28
Applicant: 哈尔滨理工大学
IPC: H04N13/128 , H04N13/106 , H04N13/156 , H04N13/161 , H04N13/194
Abstract: 本发明公开了一种基于FPGA的视觉融合方法，包括如下步骤：建立一个以FPGA为运算处理核心的视觉系统，立体相机的左右视图通过SERDES接口输入；系统包括6块1024K×8比特容量的外部SRAM，其中每2个SRAM组成一组乒乓缓存，实现左右视图以及视差图无缝传输和流水处理。本发明能够满足高速运算和高速传输图像的要求，具备多种通用接口和富余的硬件资源，可以进一步扩展加强。同时Census立体融合是一种非参数化的融合方法，对亮度不均、增益等情况更为鲁棒，提高了系统的精度。与传统的通用处理器相比，本发明充分利用并行计算及合理的流水线设计，把算法直接映射到结构上，大大提高了系统的运算速度，满足高分辨率、高精度和高速的要求。
-
-
-
-
-
-
-
-
-
Search Results
31
records
(took 0.028 seconds)
