-
公开(公告)号：CN101509159A
公开(公告)日：2009-08-19
申请号：CN200910048097.2
申请日：2009-03-24
Applicant: 东华大学
Abstract: 本发明提供了一种应用于自调匀整技术的双开环控制装置及方法，本发明的装置包括后罗拉，在后罗拉的前方设有中罗拉组，在中罗拉组的前方设有前罗拉，在后罗拉的后方设有第一检测机构，后罗拉与前罗拉分别联结第一执行机构与第二执行机构，在中罗拉组之间设有第二检测机构，第一检测机构及第二检测机构的输出端连接控制机构的输入端，控制机构的输出端分别连接第一执行机构与第二执行机构的输入端。本发明的方法为棉条首先通过后罗拉及中罗拉组完成第一次的开环匀整随后通过中罗拉组及前罗拉完成第二次的开环匀整。本发明的优点是：特别适用于并条机，消除了原系统所存在的盲区、死区及提前或滞后匀整的问题。
-
公开(公告)号：CN110083833B
公开(公告)日：2022-12-06
申请号：CN201910312290.6
申请日：2019-04-18
Applicant: 东华大学
IPC: G06F40/289 , G06F16/35 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明公开一种中文字词向量和方面词向量联合嵌入CNN‑LSTM情感分析模型。包括：字词向量联合嵌入表示，词向量和方面词联合嵌入表示，卷积神经网络整合句子特征和方面词特征，句子特征和方面词特征联合输入LSTM神经网络，利用LSTM的时序记忆功能对文本特征进行排序，并且添加基于方面词的注意力机制，最后用全连接层与soft‑max函数判断情感类别。由于词语中的汉字对词语的意思具有一定的表征作用，中文字词向量结合嵌入可以使共享汉字的词语之间产生了联系。方面词和评论中的词向量组合输入神经网络训练，可以提高评论内容主题情感判断的准确度。卷积神经网络将二者特征融合，进一步提高情感分析模型的准确度。
-
公开(公告)号：CN111553535B
公开(公告)日：2022-07-29
申请号：CN202010371999.6
申请日：2020-05-06
Applicant: 东华大学 , 上海远洲核信软件科技股份有限公司
Abstract: 本发明涉及一种基于AE‑LSTM‑BO车流量预测的导航参考方法，首先构建和训练自编码器‑长短时记忆网络模型，然后将当前路口历史数据和周围路口历史数据输入到自编码器‑长短时记忆网络模型中，由其输出未来一定时间段内当前路口的车流量，最后将所预测的车流量结果发布在导航app上，让导航app或司机能够根据不同颜色展示的交通流量参考道路的拥堵性，以此合理规划出行，选择导航路线；模型构建时先进行降维周围路口历史数据，再进行LSTM网络预测；模型训练时首先获取历史数据，然后进行自编码器的训练，接着进行LSTM网络的训练，最后进行贝叶斯优化调整超参数。本发明显著提高了交通流预测的准确性，能够提供更加合理的导航参考。
-
公开(公告)号：CN111540203B
公开(公告)日：2021-09-17
申请号：CN202010361892.3
申请日：2020-04-30
Applicant: 东华大学 , 上海远洲核信软件科技股份有限公司
Abstract: 本发明涉及一种基于Faster‑RCNN调节绿灯通行时间的方法，步骤如下：(1)构建等待车辆识别模型；首先进行特征提取得到特征图，然后提取候选区域得到带有大小不一候选框的特征图，接着映射得到小特征图，最后对小特征图进行全连接操作得到带识别框的车辆情况监控图；(2)训练等待车辆识别模型；首先建立训练集，然后训练特征提取网络，接着共享Fast‑RCNN网络和RPN网络参数，最后进行模型剪枝；(3)采集交通路口视频中红灯倒数20～40s时的车辆情况监控图，并将其输入到等待车辆识别模型中，由其输出带识别框的车辆情况监控图，通过统计识别框的数量统计等待车辆数量，根据等待车辆数量调节绿灯通行时间。本发明的模型结构简单，方法耗时较短，能够实现自适应性配时。
-
公开(公告)号：CN111504680B
公开(公告)日：2021-03-26
申请号：CN202010364621.3
申请日：2020-04-30
Applicant: 东华大学
Abstract: 本发明涉及一种基于WSVM和DCAE的涤纶长丝生产的故障诊断方法和系统，方法流程如下：(1)分别训练WSVM模型和DCAE模型得到WSVM分类器和DCAE分类器；(2)将WSVM分类器和DCAE分类器结合；(3)采集多组故障特征参数数据并进行预处理后将其输入到WSVM分类器中确定故障诊断标签(故障、正常和模糊)；(4)将故障诊断标签为故障和模糊的数据输入到DCAE分类器中确定故障类型标签，同时将故障诊断标签为正常的数据对应的故障类型标签记为正常合格后输出；系统包括数据获取模块、WSVM模型训练模块、DCAE模型训练模块和故障诊断初筛模块。本发明结合了传统机器学习和神经网络算法优点的同时结合了有监督学习和无监督学习的优势，显著提升了故障分类的效率和准确度。
-
Patent Agency Ranking
公开(公告)号：CN111553535A
公开(公告)日：2020-08-18
申请号：CN202010371999.6
申请日：2020-05-06
Applicant: 东华大学 , 上海远洲核信软件科技股份有限公司
Abstract: 本发明涉及一种基于AE-LSTM-BO车流量预测的导航参考方法，首先构建和训练自编码器-长短时记忆网络模型，然后将当前路口历史数据和周围路口历史数据输入到自编码器-长短时记忆网络模型中，由其输出未来一定时间段内当前路口的车流量，最后将所预测的车流量结果发布在导航app上，让导航app或司机能够根据不同颜色展示的交通流量参考道路的拥堵性，以此合理规划出行，选择导航路线；模型构建时先进行降维周围路口历史数据，再进行LSTM网络预测；模型训练时首先获取历史数据，然后进行自编码器的训练，接着进行LSTM网络的训练，最后进行贝叶斯优化调整超参数。本发明显著提高了交通流预测的准确性，能够提供更加合理的导航参考。
-
公开(公告)号：CN111504680A
公开(公告)日：2020-08-07
申请号：CN202010364621.3
申请日：2020-04-30
Applicant: 东华大学
Abstract: 本发明涉及一种基于WSVM和DCAE的涤纶长丝生产的故障诊断方法和系统，方法流程如下：(1)分别训练WSVM模型和DCAE模型得到WSVM分类器和DCAE分类器；(2)将WSVM分类器和DCAE分类器结合；(3)采集多组故障特征参数数据并进行预处理后将其输入到WSVM分类器中确定故障诊断标签(故障、正常和模糊)；(4)将故障诊断标签为故障和模糊的数据输入到DCAE分类器中确定故障类型标签，同时将故障诊断标签为正常的数据对应的故障类型标签记为正常合格后输出；系统包括数据获取模块、WSVM模型训练模块、DCAE模型训练模块和故障诊断初筛模块。本发明结合了传统机器学习和神经网络算法优点的同时结合了有监督学习和无监督学习的优势，显著提升了故障分类的效率和准确度。
-
公开(公告)号：CN110393333A
公开(公告)日：2019-11-01
申请号：CN201910566673.6
申请日：2019-06-27
Applicant: 东华大学
Abstract: 本发明涉及一种具有检测紫外线强度功能的智能纽扣，包括纽扣外壳，所述纽扣外壳内设置有单片机、蓝牙模块、LED、紫外线检测模块和电源模块；所述紫外线检测模块用于检测紫外线强度，并将检测到的紫外线强度发送给单片机；所述单片机根据收到的紫外线强度控制LED发出不同颜色的光，同时将收到的紫外线强度通过蓝牙模块发送至移动终端；所述电源模块用于为所述单片机、蓝牙模块和紫外线检测模块提供电源。本发明结构合理，功能齐全，便于携带，有着很强的实用性。
-
公开(公告)号：CN110290389A
公开(公告)日：2019-09-27
申请号：CN201910623614.8
申请日：2019-07-11
Applicant: 东华大学
IPC: H04N19/177 , H04N19/58 , H04N19/132 , H04N19/593 , H04N19/105
Abstract: 本发明涉及一种基于长短期参考帧挑选假设匹配块视频压缩感知重构方法。通过充分挖掘图像帧之间的相似性，本发明提出了一种新的视频压缩感知重构策略：长短期参考帧动态挑选多假设匹配块，所提方法主要包括四个阶段：第一阶段，对压缩视频序列中每帧的测量值进行单独的图像重构；第二阶段，为较低采样率的图像帧指定长短期的多个重构参考帧；第三阶段，从多个参考帧中挑选多个假设匹配块；第四阶段，利用多假设匹配块形成残差稀疏模型，进而完成各个图像帧的重构。所提方法在增加一定复杂度的情况下能够获得较好的视频重构质量。
-
公开(公告)号：CN110082841A
公开(公告)日：2019-08-02
申请号：CN201910312116.1
申请日：2019-04-18
Applicant: 东华大学
Abstract: 本发明涉及短期风速预测领域，公开了一种基于WPD-VMD-CNN-LSTM模型的短期风速预测方法，首先利用小波包分解将原始风速时间序列分解为多个子层，然后利用变分模态分解对频率最高的子层进行二次分解以降低高频分量对预测结果的影响，接着采用卷积神经网络对各个高频分量进行预测，并采用长短期记忆神经网络对其余的低频子层进行预测，最后对所有分量的预测结果进行叠加，进而得到最终的风速预测结果。本发明采用CNN和LSTM方法分别对风速时间序列的高频和低频分量进行单步预测，能有效提高短期风速模型的预测精度。
-
-
-
-
-
-
-
-
-
Search Results
150
records
(took 0.022 seconds)
