-
公开(公告)号：CN110263944A
公开(公告)日：2019-09-20
申请号：CN201910425990.6
申请日：2019-05-21
Applicant: 中国石油大学(华东)
Abstract: 本发明实施例提供了一种多变量故障预测方法，该方法融合了双重关联规则和多个参数变化模式。在设备运行期间，各种各样的故障都有可能发生，设备故障预测可以降低故障的发生几率，从而降低用户和制造商的维护成本。首先，我们基于参数变化模式得到了故障发生前变化较快且变化不稳定的多个参数变量。其次，基于双重关联规则能够得到与所选参数具有强关联性的参数变量。将参数变化模式和双重关联规则方法得到的两类参数进行比较、去重、分析，获得影响故障的关键参数。最后通过关键参数的变化模式设置参数阈值，分析不同故障的预警时间和发生概率，根据当前数据的变化进行实时预测。
-
公开(公告)号：CN109948782A
公开(公告)日：2019-06-28
申请号：CN201910249227.2
申请日：2019-03-29
Applicant: 中国石油大学(华东)
IPC: G06N3/04
Abstract: 本发明提出了一种基于神经网络的多目标识别优化方法，基于思维逐级抽象过程与完美形象假设，设计该多目标函数归一化映射方法，该方法主要集中在深度学习网络结构设计。通过构建类似树状的神经网络结构来将多目标进行抽象。共同学习不同场景下不同目标主体的抽象特征，进而提升分类准确率。具体为针对分场景输入，通过不同的函数进行抽象，然后再对应不同的学习目标，设计不同的分支网络来输出相应结果。
-
公开(公告)号：CN109871935A
公开(公告)日：2019-06-11
申请号：CN201910078391.1
申请日：2019-01-28
Applicant: 中国石油大学(华东)
Abstract: 本发明提出一种基于PSO算法的DBN模型优化方法。DBNs是一个概率生成模型，与传统的判别模型的神经网络相对，生成模型是建立一个观察数据和标签之间的联合分布，对P(Observation|Label)和P(Label|Observation)都做了评估，而判别模型仅仅而已评估了后者，也就是P(Label|Observation)。DBNs由多个限制玻尔兹曼机(Restricted Boltzmann Machines)层组成，一个典型的神经网络类型如图所示。这些网络被“限制”为一个可视层和一个隐层，层间存在连接，但层内的单元间不存在连接。隐层单元被训练去捕捉在可视层表现出来的高阶数据的相关性。为了使DBN模型预测更加精准，需要对DBN进行调优，包括层的个数、每一层的单元个数、学习率等。因此提出一种基于PSO算法的DBN模型优化方法，采用并行PSO(Particle Swarm Optimization)算法去寻找输入层和隐层的最优单元数目和RBM最优学习率，并在Spark平台上基于MapReduce的原理进行并行。
-
公开(公告)号：CN105721199B
公开(公告)日：2019-06-07
申请号：CN201610040259.8
申请日：2016-01-18
Applicant: 中国石油大学(华东)
IPC: H04L12/24
Abstract: 本发明提出了一种基于核密度估计与模糊推理系统的实时云服务瓶颈检测方法，包括以下步骤：步骤1、启动实时云环境，运行云服务；步骤2、启动实时云服务状态参数获取组件；步骤3、获取某一段时间内集群正常运行环境下的云服务状态参数，采用核密度估计模型对其进行建模，同时开启模糊推理系统；步骤4、新获得的状态参数输入到该模糊推理系统中，计算出瓶颈指数；步骤5、设置阈值，观察每一个云服务瓶颈指数的历史规律，如果在某一时间段内一直超过阈值，则启动预警机制。本发明的方法能够实时获取云集群中每一个服务的运行状态，存入数据仓库；实现对每一个实时云服务的瓶颈检测；当实时云服务的瓶颈指数长时间超过某一阈值，启动预警机制。
-
公开(公告)号：CN109543681A
公开(公告)日：2019-03-29
申请号：CN201811385056.8
申请日：2018-11-20
Applicant: 中国石油大学(华东)
Abstract: 本发明提出了一种基于注意力机制的自然场景下文字识别方法，包括如下步骤：制作数据集；使用由卷积神经网络，注意力机制，循环神经网络构建的网络对图片进行端到端的训练；采用反向传播和梯度下降算法对模型进行优化；利用得到的模型实现对图片文字进行端到端的识别。由于文本的字符之间一般是有联系的，这种上下文的联系可以帮助更好的识别文本。注意力机制就是一种可以很好地构建文本上下文之间联系的方法，利用注意力机制可以提高识别的准确性。基于注意力机制的自然场景下文字识别方法，将文字识别和注意力机制方法相结合，并通过特征工程提高准确率的同时加快算法速度。
-
Patent Agency Ranking
公开(公告)号：CN109522864A
公开(公告)日：2019-03-26
申请号：CN201811438355.3
申请日：2018-11-28
Applicant: 中国石油大学(华东)
Abstract: 本发明提出了一种基于模型融合的卫星图像检测方法，包括以下步骤：对原始图像进行随机旋转，随机改变图像对比度，对原始图像添加噪声；使用检测效果有差异性的三种神经网络模型对卫星图像中的飞机场、飞机、油罐、港口、船进行检测；对结果文件采用模型融合方式进行融合；将最终结果文件中的坐标，类别反映到图片上，实现检测。一种基于模型融合的卫星图像检测方法，将深度学习技术、集成学习技术和图片处理技术相结合，提高了目标检测的速度和精度。
-
公开(公告)号：CN109493337A
公开(公告)日：2019-03-19
申请号：CN201811358337.4
申请日：2018-11-15
Applicant: 中国石油大学(华东)
Abstract: 本发明提出了一种基于改进的Faster RCNN的输电线路异物检测方法，包括以下步骤：对采集到的异物图片进行预处理，增加训练集的规模；对Faster RCNN中的共享卷积网络部分进行网络的改进；对Faster RCNN中的RPN网络中的anchor大小比列进行调整；对改进后的网络进行端到端的联合训练；用训练好的检测模型对图片进行异物检测，框出异物的位置并识别出异物的种类。一种基于改进的Faster RCNN的输电线路异物检测方法，将图像处理和深度学习相结合，并采用改进的Faster RCNN以提高输电线路异物检测的准确率。
-
公开(公告)号：CN109447152A
公开(公告)日：2019-03-08
申请号：CN201811267751.4
申请日：2018-10-29
Applicant: 中国石油大学(华东)
IPC: G06K9/62
Abstract: 本发明提出了一种基于蒙特卡洛树搜索和神经网络的故障预测方法，基于大数据模式挖掘与探索、以及循环神经网络预测。该算法分为训练阶段和运行阶段：训练阶段主要通过挖掘数据模式，建立蒙特卡洛树来表示系统运行状态，训练循环神经网络，使用前一段时间的系统状态数据来预测下一时刻的系统状态数据，同时在蒙特卡洛上标识出故障状态和非故障状态；然后将蒙特卡洛系统状态树与循环神经网络结合进行故障探索和强化学习，通过蒙特卡洛树为循环神经网络提供数据输入，循环神经网络为蒙特卡洛树的探索和挖掘提供指导来实现循环迭代，优化更新，运行阶段则直接通过将当前系统运行状态数据及前一段时间系统运行状态数据输入循环神经网络来预测下一时刻系统状态及故障概率。
-
公开(公告)号：CN109408560A
公开(公告)日：2019-03-01
申请号：CN201811179841.8
申请日：2018-10-10
Applicant: 中国石油大学(华东)
IPC: G06F16/2458 , H03M7/30
Abstract: 本发明提出了一种基于自编码器的周期性时间序列数据生成方法。基于编码器模块、周期环模块、解码器模块把周期性时间序列数据结构化，利用编码器将多维周期性时间序列降维，使不同维度之间的数据去相关性，避免在进行周期环构建的时候出现维度爆炸。以一个周期为单位将整个时间序列重组为环的结构，环上各时间点各维度数据采用独立的高斯分布进行表示。通过高斯分布采样和解码器来生成具有严格的时序关系数据。
-
公开(公告)号：CN107491752A
公开(公告)日：2017-12-19
申请号：CN201710690911.5
申请日：2017-08-14
Applicant: 中国石油大学(华东)
Abstract: 本发明涉及一种基于深度学习的自然场景中船牌文字识别方法、装置，方法包括：获取港口进出船舶的视频；将所述视频分解成由船舶图像帧组成的视频流，采用训练完成的船舶分类模型对视频流进行分类，获取指定类型的船舶图像；采用训练完成的船牌检测模型对所述指定类型的船舶图像进行船牌检测，获取船牌检测结果；对所述船牌检测的结果进行文字识别，得到自然场景中的船牌文字。
-
-
-
-
-
-
-
-
-
Search Results
165
records
(took 0.044 seconds)
