-
公开(公告)号：CN115146689A
公开(公告)日：2022-10-04
申请号：CN202110278956.8
申请日：2021-03-16
Applicant: 天津大学
IPC: G06K9/62
Abstract: 本发明公开了一种基于深度学习的动力系统高维测量数据降维方法的具体技术方案，包括如下步骤：步骤S1：采集数据并根据数据特点设计深度自编码器的网络结构；步骤S2：将数据输入深度自编码器，构造Loss并进行训练；步骤S3：去掉解码器，使用编码器编码。利用本发明基于深度学习的降维算法既可以应对线性数据也可以应对非线性数据，在训练好的前提下模型的运行速度也比较快，而且具有显式的降维函数，是一种比较优越的方法。实验表明，深度自编码器对数据进行降维后在分类任务中取得的效果全面优于线性降维和流形学习方法。这说明基于深度学习的方法能更有效的对高维数据进行去冗余和降维。
-
公开(公告)号：CN114815755A
公开(公告)日：2022-07-29
申请号：CN202210576950.3
申请日：2022-05-25
Applicant: 天津大学
IPC: G05B19/418
Abstract: 本发明公开了一种基于智能协作推理的分布式实时智能监控系统的建立方法，包括：利用横向分割和纵向分割算法建立基于深度神经网络的横向和纵向分割模型；将横向分割点决策、横向执行节点决策、纵向执行节点决策构建为马尔科夫决策过程；基站利用DDQN算法以最小化任务处理时间差为目标构建分割点执行设备决策模型；各监控终端将视频流输入决策模型，并将视频流上传到横向执行节点，横向执行节点利用横向分割模型进行横向分割和执行，并将执行后的网络参数发送纵向执行节点；纵向执行节点根据利用垂直分割算法对纵向执行网络进行纵向分割和执行；云接收来自各纵向执行节点的执行结果，并利用轨迹匹配算法完成跨相机轨迹匹配。本发明提高了系统算力的有效利用率。
-
公开(公告)号：CN113888591A
公开(公告)日：2022-01-04
申请号：CN202111120527.4
申请日：2021-09-24
Applicant: 天津大学
Abstract: 本发明公开了一种基于分布式边缘计算与机器学习相结合的目标追踪方法：步骤S1，采用分布式粒子滤波算法对目标追踪系统提供的初始化图像信息进行优化边缘计算，获得图像最优值；步骤S2，通过特征提取模型的相关滤波器对图像最优值进行融合获得图像特征值；步骤S3，通过小波平滑的背景感知相关滤波器对图像特征值融合生成目标追踪图像；加入小波函数实现位移与尺度变化平滑提高了图像处理的稳定性，解决目标尺度更改导致无法追踪的问题；同时，该方法基于分布式边缘计算，采用分布式粒子滤波算法优化边缘计算，输出最优分布和方差，将计算任务部分卸载或全部卸载至边缘云，通过提前迁移决策减少边缘计算和低端节点消耗。
-
公开(公告)号：CN113887580A
公开(公告)日：2022-01-04
申请号：CN202111079902.5
申请日：2021-09-15
Applicant: 天津大学
IPC: G06K9/62
Abstract: 本发明公开了一种考虑多粒度类相关性的对比式开放集识别方法及装置，方法包括：构架一由特征提取、多粒度类相关性损失、及分类器组成的对比式开放集识别模型；基于所述多粒度层级结构的训练集对所述对比式开放集识别模型进行训练，计算多粒度类相关性损失函数，通过构建并度量不同类别在分层结构上的相关性，约束模型学习，实现类别层次上的表示学习增强，更新所述模型的权重，获取优化后的模型；基于所述优化后的模型对已知类测试集和未知类测试集进行识别，获取识别结果。装置包括：处理器和存储器。本发明通过在标签语义空间构建分层结构并度量多粒度类相关性的方式，约束模型学习不同已知类间的相关关系，进一步提高其表示学习能力。
-
公开(公告)号：CN113837000A
公开(公告)日：2021-12-24
申请号：CN202110939511.X
申请日：2021-08-16
Applicant: 天津大学
Abstract: 本发明提供一种基于任务排序元学习的小样本故障诊断方法，包括如下步骤：S1、从故障设备中采集故障数据，对故障数据进行工况级的细粒度划分，并对振动信号进行分割和傅里叶变换获得到时频图像，从而构建了细粒度的故障时频图像数据集；S2、在元学习器中的训练任务模块每个任务内部进行聚类获得任务的分数；根据分数对故障分类任务进行从易到难的排序；S3、通过元知识的学习和各个任务的学习进行内外两层循环训练获得初始化参数；S4、利用初始化参数和测试任务的少量样本进行微调获得故障诊断的输出；该方法通过找到敏感的具有强大知识适应能力的初始化参数，可以帮助在实际工业场景中很好地找到故障任务。
-
Patent Agency Ranking
公开(公告)号：CN112148891A
公开(公告)日：2020-12-29
申请号：CN202011022269.1
申请日：2020-09-25
Applicant: 天津大学
IPC: G06F16/36 , G06F16/901 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于图感知张量分解的知识图谱补全方法，包括如下步骤：从图神经网络中提取三元组数据(es,r,eo)的表征信息，构建具有实体和关系的图形编码模型，即G＝(V,E)；对图形编码模型的二维表征信息通过Tucker分解方法构建三阶张量分解模型；即：所述三阶张量分解模型根据预测(es,r,)的最大概率作为三元组为真的概率输出，实现知识图谱的补全，该方法解决了现有知识图谱库中数据之间的关系推测以及实体之间隐含的连接关系难挖掘的问题，实现对大规模知识图谱数据集的高精度补全。
-
公开(公告)号：CN111833378A
公开(公告)日：2020-10-27
申请号：CN202010518074.X
申请日：2020-06-09
Applicant: 天津大学
Abstract: 本发明公开了一种基于代理共享网络的多无人机单目标跟踪方法及装置，所述方法包括以下步骤：操纵多个无人机从不同方面对相同的目标进行拍摄和跟踪，收集得到的数据集被分为训练集和测试集；通过ASNet网络模型在多个无人机上训练共同的跟踪器，该跟踪器能有效地实时学习目标外观变换和背景抑制变换，获取多无人机模板的响应图，并采用自监督的方式融合响应图，通过视野感知融合获得跟踪结果；使用训练集训练ASNet网络模型，使用验证集测试ASNet网络模型，用户使用训练完成的ASNet网络模型获取跟踪结果。所述装置包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序。本发明显著提高了目标的跟踪精度。
-
公开(公告)号：CN111753652A
公开(公告)日：2020-10-09
申请号：CN202010406689.3
申请日：2020-05-14
Applicant: 天津大学 , 天津中科智能识别产业技术研究院有限公司
Abstract: 本发明公开了一种基于数据增强的三维人脸识别方法，该方法包括以下步骤：S1：数据增强；S2：数据预处理；S3：利用VGG-16神经网络基础模型，进行参数和网络结构优化设计，构建针对三维人脸的专用识别网络；S4：将数据集划分为训练集与测试集，利用训练集对网络模型进行训练，在测试集上测验识别算法的性能；S5：利用训练好的识别网络模型，去掉最后一层全联接层，得到人脸特征向量，存储用于身份判定；S6:获取注册人脸的特征向量，与数据集中存储的特征进行比对，识别目标人物身份。本发明能够自动学习得到三维人脸的有效特征，特别是可解决在三维人脸识别中由于真实人脸三维数据难以获得而造成的识别网络过拟合、适用性差等学习难题。
-
公开(公告)号：CN111666911A
公开(公告)日：2020-09-15
申请号：CN202010538994.8
申请日：2020-06-13
Applicant: 天津大学
Abstract: 本发明提出了一种基于感兴趣区域几何变换的微表情数据扩充方法，所述方法包括：S1、针对每条微表情数据，提取相应的顶点帧序列；S2、针对顶点帧序列的每一帧图像进行人脸配准；S3、针对人脸配准后的图片进行人脸裁剪；S4、针对人脸裁剪后的图片进行图像归一化；S5、针对归一化后的图片进行感兴趣区域检测；S6、基于检测出的感兴趣区域对所述归一化后的图片进行几何变换。该方法结合人类面部的趋向对称性，只对原图像数据上的感兴趣区域做镜像、放缩等操作，能保证得到的新样本的感兴趣区域是仍然有效的；此外，只对感兴趣区域进行几何变换，能较大程度的减少后续特征提取中不相关的噪声干扰。
-
公开(公告)号：CN111597175A
公开(公告)日：2020-08-28
申请号：CN202010374180.5
申请日：2020-05-06
Applicant: 天津大学
IPC: G06F16/215 , G06F16/29 , G06N3/04 , G06N3/08
Abstract: 本发明提供了一种融合时空信息的传感器缺失值的填充方法，包括：输入N条历史数据X以及M条有缺失的数据Xmissing；其中M，N大于输入时序长度T；填充阈值η，将历史数据输入训练好的LSTM-AES之后，η＝std(X-X')；得到已训练模型LSTM-AES；已修复数据Xrepaired；将原数据划分成时序数据集；初始化LSTM-AES；然后使用Tensorflow进行网络初始化；使用神经网络常用的反向传播算法更新LSTM-AES的权值W；进行缺失值填充。本发明同时考虑了时空信息，能够在有大量传感器同时缺失时较为鲁棒，并能够训练单一模型处理不同类型的缺失，能够满足传感器缺失值填充的实时性需求。
-
-
-
-
-
-
-
-
-
Search Results
145
records
(took 0.066 seconds)
