-
公开(公告)号：CN114021455A
公开(公告)日：2022-02-08
申请号：CN202111295840.1
申请日：2021-11-03
Applicant: 中国计量大学上虞高等研究院有限公司 , 中国计量大学
IPC: G06F30/27 , G06K9/62 , G06N3/04 , G06N3/08 , G06F111/04 , G06F111/10
Abstract: 本发明公开了一种改进DRAGAN及数据驱动相结合的冷水机组故障检测与诊断方法，该方法将带有条件的DRAGAN与基于数据驱动的冷水机组故障检测方法相结合，只使用少量的故障数据就能完成冷水机组的准确故障检测与诊断。现有方法往往严重依赖于包含大量正常和故障数据的平衡数据集。然而，在真实世界中，故障数据的收集比较困难，因为故障通常会在短时间内修复，因此收集足够多的错误样本来构建平衡的数据集是比较困难的。本发明使用提出的CDRAGAN来生成故障样本，以此来丰富训练集中的故障数据。并使用重新平衡的数据集来训练分类器，进行故障检测与诊断。且通过实验证实了本发明方法在有限的错误训练样本下仍能实现较高的故障检测与诊断准确率。
-
公开(公告)号：CN114238577B
公开(公告)日：2024-04-26
申请号：CN202111550577.6
申请日：2021-12-17
Applicant: 中国计量大学上虞高等研究院有限公司 , 中国计量大学
IPC: G06F16/33 , G06F16/35 , G06F40/30 , G06F18/24 , G06N3/0455 , G06N3/0442 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明公开了一种融合多头注意力机制的多任务学习情感分类方法，该方法使用适用于重要特征提取的多头注意力机制和改善分类泛化性的多任务学习来提高情感分类性能。使用多头注意力机制对分批次输入的句子序列进行特征提取，得到每条语句的预分类标签。使用由长短期记忆网络联合逐点卷积神经网络构成的编码器对分批次输入的句子序列进行编码，将预分类标签作为辅助标签帮助构建多任务情感分类器。设计新的损失函数项加入到原有的损失函数中，经过多轮训练，动态地优化模型参数，即得到最优的情感分类模型，利用该模型可对评论文本进行情感分类。该方法在准确率、F1值评测指标上均优于采用传统多任务学习方法，适用于不同的下游任务和预测场景。
-
公开(公告)号：CN111626379B
公开(公告)日：2024-01-05
申请号：CN202010644916.6
申请日：2020-07-07
Applicant: 中国计量大学
IPC: G06V10/764 , G06V10/774 , G06V10/44 , G06V10/82 , G06T7/00 , G06N3/0464 , G06N3/048
Abstract: 本发明提供了一种肺炎X光图像检测方法，包括以下步骤：1)将原始肺炎X光数据集转换为训练可用格式，该格式为TXT：对于该格式文件的每一行，依次包括图像路径，病灶左上角坐标以及右下角坐标，包含病灶的概率，值为1；2)用目标检测模型RetinaNet对训练数据进行训练，最终得到预测值；所述预测值表征了感兴趣区的位置信息和分类信息；3)将得到的预测值中的位置信息与训练集中真实值相应的位置信息作差并通过损失函数处理，将预测的概率值直接输入损失函数中，并根据处理结果调整卷积操作的卷积核参数；4)输入待检测肺炎X光图像至训练好的目标检测模型，所述目标检测模型输出检测结果。本发明提高了模型训练精度，使得预测结果更准确。
-
公开(公告)号：CN110070229A
公开(公告)日：2019-07-30
申请号：CN201910342098.1
申请日：2019-04-26
Applicant: 中国计量大学
Abstract: 本发明公开了一种家庭电力负荷的短期预测方法，包括以下步骤：1)使用静态小波傅里叶变换对原始样本家庭电力负荷数据进行分解后，利用分解后得到的分量对LSTM网络模型进行训练，且利用部分原始样本家庭电力负荷数据对训练后的所述LSTM网络模型进行验证；2)对待预测的真实家庭电力负荷数据进行分解后，将分解后得到的分量输入训练后的所述LSTM网络模型，所述训练后的LSTM网络模型进行回归预测得到预测分量；3)通过逆静态小波变换操作将所述预测分量重构成家庭电力负荷预测值。本发明提出使用小波变化结合深度学习模型的方法消除家庭电力负荷的不确定性，能够准确预测短期时间内的家庭电力负荷，有助于解决用电峰值预测的问题。
-
公开(公告)号：CN108255720A
公开(公告)日：2018-07-06
申请号：CN201810029578.8
申请日：2018-01-12
Applicant: 中国计量大学
IPC: G06F11/36
Abstract: 本发明公开了一种基于云计算架构的软件自动测试系统，包括：客户端、应用服务器、服务调度系统以及设备服务器；所述服务调度系统包括文件服务器、执行器、设备管理服务器以及数据库；本发明提供的一种基于云计算架构的软件自动测试系统，首先，将搭建云平台来保证数据的储存与资源的合理分配。云平台的实现同样有利于软件测试中的容错与效率的提升。其次，由于云计算的纳入，单个的软件测试过程与结果能够通过因特网上传到云平台储存空间中进行资源共享。最后，当海量的软件测试路径被分析之后，所开发的软件能够自动分析出可行的测试路径，从而实现自动化软件测试的目的。
-
Patent Agency Ranking
公开(公告)号：CN109326008B
公开(公告)日：2023-01-20
申请号：CN201811135482.6
申请日：2018-09-28
Applicant: 中国计量大学
Abstract: 本发明公开了一种基于MSS的三维分子结构形变过程演示方法，通过图形处理器来构建三维分子皮肤表面，形成分子结构视图，利用皮肤流复合体拆分所述分子皮肤表面，以加速分子皮肤表面表面的形成，得到所述快速分子结构视图；采集分子结构样本，包括大量的低分子化合物的分子结构样本，根据所采集到的分子结构样本，对结构空间进行增采样，来构建以分子皮肤表面为基础的形状空间；将整个形变路径分为多个分路径，在每个分路径中，源形状和目标形状极为接近，产生诸多有效形变路径，在源文件和目标文件被指定的情况下，采用多种有效的形变路径来演示形变过程。采用本发明，提升了分子可视化的计算速度，并在此基础上实现了可控的形变过程。
-
公开(公告)号：CN109931678B
公开(公告)日：2020-09-25
申请号：CN201910187701.3
申请日：2019-03-13
Applicant: 中国计量大学
Abstract: 本发明公开了一种基于深度学习LSTM的空调故障诊断方法，包括以下步骤：1)构建LSTM的空调故障诊断模型，所述故障诊断模型包括输入层、隐藏层、输出层和网络优化模块；其中，所述隐藏层为LSTM网络；2)获取冷水机组不同故障数据并对其预处理，提取特征和降维后作为LSTM网络的输入；3)搭建LSTM网络模型，确定LSTM网络的参数；4)逐层训练，将上一层LSTM网络的隐藏层每一个LSTM神经元的输出都输入到下一层LSTM隐含层对应的LSTM神经元进行计算；5)通过Softmax分类，并通过网络优化模块进行不断优化模型通过固定其它参数不变而变化一种参数和交叉验证的方式搭建优化的LSTM网络模型。
-
公开(公告)号：CN111652177A
公开(公告)日：2020-09-11
申请号：CN202010533429.2
申请日：2020-06-12
Applicant: 中国计量大学
Abstract: 本发明公开了一种基于深度学习的信号特征提取方法，包括如下步骤：1)对原始稀疏频谱信号进行压缩，使之成为时序频谱信号，在压缩后完成去噪处理，获得重构后的时序频谱信号，作为训练数据；2)用半监督学习方法对训练数据中没有被标记的时序频谱信号进行标记；对各组时序频谱信号进行模拟，并利用遗传算法对时序频谱信号之间的相关性进行度量；3)利用已经标记好的训练数据，利用深度学习方法对各组时序频谱信号进行分类及预测。本发明通过多方法融合提高了模型训练效率并实现无标记标签自动添加标签，预测结果更准确。
-
公开(公告)号：CN111626379A
公开(公告)日：2020-09-04
申请号：CN202010644916.6
申请日：2020-07-07
Applicant: 中国计量大学
Abstract: 本发明提供了一种肺炎X光图像检测方法，包括以下步骤：1)将原始肺炎X光数据集转换为训练可用格式，该格式为TXT：对于该格式文件的每一行，依次包括图像路径，病灶左上角坐标以及右下角坐标，包含病灶的概率，值为1；2)用目标检测模型RetinaNet对训练数据进行训练，最终得到预测值；所述预测值表征了感兴趣区的位置信息和分类信息；3)将得到的预测值中的位置信息与训练集中真实值相应的位置信息作差并通过损失函数处理，将预测的概率值直接输入损失函数中，并根据处理结果调整卷积操作的卷积核参数；4)输入待检测肺炎X光图像至训练好的目标检测模型，所述目标检测模型输出检测结果。本发明提高了模型训练精度，使得预测结果更准确。
-
公开(公告)号：CN109931678A
公开(公告)日：2019-06-25
申请号：CN201910187701.3
申请日：2019-03-13
Applicant: 中国计量大学
Abstract: 本发明公开了一种基于深度学习LSTM的空调故障诊断方法，包括以下步骤：1)构建LSTM的空调故障诊断模型，所述故障诊断模型包括输入层、隐藏层、输出层和网络优化模块；其中，所述隐藏层为LSTM网络；2)获取冷水机组不同故障数据并对其预处理，提取特征和降维后作为LSTM网络的输入；3)搭建LSTM网络模型，确定LSTM网络的参数；4)逐层训练，将上一层LSTM网络的隐藏层每一个LSTM神经元的输出都输入到下一层LSTM隐含层对应的LSTM神经元进行计算；5)通过Softmax分类，并通过网络优化模块进行不断优化模型通过固定其它参数不变而变化一种参数和交叉验证的方式搭建优化的LSTM网络模型。
-
-
-
-
-
-
-
-
-
Search Results
24
records
(took 0.08 seconds)
