-
公开(公告)号：CN116259010A
公开(公告)日：2023-06-13
申请号：CN202310255944.2
申请日：2023-03-16
Applicant: 杭州电子科技大学
IPC: G06V20/52 , G06V40/20 , G06V10/764 , G06V10/82 , G06V10/80 , G06N3/0464 , G06N3/048 , G06N3/09 , G16H50/30 , G16H50/70
Abstract: 本发明公开了一种多损失函数智能融合的新生儿动作监测系统及方法。多损失函数智能融合的新生儿动作监测系统，包括保育箱摄像头终端、RTSP流服务器、运算服务器、中心服务器以及结果输出模块。本发明针对目前保育箱内的早产儿提出一种基于视觉的、无接触式的实时动作监控方式，对新生儿动作进行实时识别，并克服了在训练模型过程中存在数据集类别数量分布不均衡问题，改善了由于数据分布不均衡导致训练结果不佳的问题。
-
公开(公告)号：CN111709292B
公开(公告)日：2023-05-26
申请号：CN202010419501.9
申请日：2020-05-18
Applicant: 杭州电子科技大学
IPC: G06F18/213 , G06F18/24 , G06F18/2411 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明公开了一种基于递归图和深度卷积网络的压气机振动故障检测法。本发明构造压气机气动失稳振动故障数据库，选取已有的实验数据，通过数据预处理获取大量的故障数据库。其次，选取二维图像转化方法，将一维振动信号转化为二维图像，最后，选取深度卷积神经网络Inception V3模型，采用迁移学习保持模型特征提取环节不变，通过调节特征整合环节结构对二维图像递归图进行故障特征提取与检测。本发明由二维图像反映时间序列内部动力学系统中的相空间流形，揭示系统的动力学特性，适合于对非平稳非线性的时间序列进行特征分析。本发明将机器视觉中的优势应用于非视觉领域，采用深度卷积神经网络Inception V3模型进行机械振动故障检测，减少手工设计特征的巨大工作量。
-
公开(公告)号：CN113472569B
公开(公告)日：2022-11-04
申请号：CN202110704057.X
申请日：2021-06-24
Applicant: 杭州电子科技大学
Abstract: 本发明属于通信技术领域，涉及一种包含不稳定子网络的校园通信网络事件驱动滤波方法，该方法包括：通过采集数据，建立了校园通信网络系统的状态空间模型；构造在网络拥塞时校园通信网络系统的事件驱动条件；提出在网络拥塞时校园通信网络系统的事件驱动滤波估计方法。本发明可以有效估计在网络拥塞的情况下的校园通信网络系统中数据终端接收到的数据包的数量，从而实现提高数据传输的效率。本发明不仅可以有效抑制干扰信号对测量估计的影响，还可以使包含不稳定子网络的校园通信网络系统保持安全稳定运行。
-
公开(公告)号：CN112698573B
公开(公告)日：2022-05-20
申请号：CN202011579987.9
申请日：2020-12-28
Applicant: 杭州电子科技大学
IPC: G05B13/04
Abstract: 本发明公开了一种基于正切换系统建模的网络化系统的非脆弱事件触发控制方法，利用正切换系统理论对网络化控制系统进行建模，设计相应的非脆弱事件触发控制器。首先，利用传感器设备采集系统自身固有信息，建立网络化控制系统的状态空间模型；然后，针对执行器故障问题以及系统资源利用率问题设计一簇非脆弱事件触发控制器，使得系统能够在执行器部分故障的情况下正常运行。本发明不仅有效解决了网络化控制系统的执行构件故障下的处理问题，且在系统安全稳定运行的情况下，节省了一定的系统资源、释放了不必要的算力。
-
公开(公告)号：CN113191397A
公开(公告)日：2021-07-30
申请号：CN202110381734.9
申请日：2021-04-09
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于最大相关熵准则的多维信号特征融合方法。首先，针对最小均方误差的不足，引入核函数理论，介绍了最大相关熵准则；然后，提出最大相关熵准则替换最小均方误差，作为ELM‑AE的损失函数；其次，详细介绍了公式的推导过程，堆叠多个ELM‑AE构成一个基于最大相关熵准则的深层神经网络；再次，针对某轴流压气机发生旋转失速的机械振动信号，提取信号的多维时域统计特征指标和非线性特征熵；最后，利用深度神经网络对提取的多维信号特征做特征融合，通过特征可视化分析，进一步验证了所提方法在特征融合方面的有效性。
-
Patent Agency Ranking
公开(公告)号：CN112698573A
公开(公告)日：2021-04-23
申请号：CN202011579987.9
申请日：2020-12-28
Applicant: 杭州电子科技大学
IPC: G05B13/04
Abstract: 本发明公开了一种基于正切换系统建模的网络化系统的非脆弱事件触发控制方法，利用正切换系统理论对网络化控制系统进行建模，设计相应的非脆弱事件触发控制器。首先，利用传感器设备采集系统自身固有信息，建立网络化控制系统的状态空间模型；然后，针对执行器故障问题以及系统资源利用率问题设计一簇非脆弱事件触发控制器，使得系统能够在执行器部分故障的情况下正常运行。本发明不仅有效解决了网络化控制系统的执行构件故障下的处理问题，且在系统安全稳定运行的情况下，节省了一定的系统资源、释放了不必要的算力。
-
公开(公告)号：CN105802833A
公开(公告)日：2016-07-27
申请号：CN201610229994.3
申请日：2016-04-13
Applicant: 杭州电子科技大学
IPC: C12M1/00
CPC classification number: C12M37/04
Abstract: 本发明公开了一种深海原位悬浮培养罐，由手柄(1)、锁柄(2)、封盖机构(3)、导管(4)、培养罐主体(5)、脱钩器(6)、钩环(7)、外围浮材(8)组成；使用时将设备负重沉水，浮材(7)位于设备外围；锁柄(2)和导管(4)焊接，其上有锁紧机构；导管(4)内部的导杆与手柄(1)焊接，与封盖机构(3)螺栓连接；下压手柄(1)，带动封盖机构(3)完成封盖动作；同时锁紧机构被触发，使机构无法复位，保持封盖状态；同时脱钩器(6)被触发，使培养罐脱离重物束缚回升水面，完成深海定点培养的任务。
-
公开(公告)号：CN105758687A
公开(公告)日：2016-07-13
申请号：CN201610228595.5
申请日：2016-04-13
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种深海沉积物原位培植及密封采样机构，由外框架(1)、推动机构(2)、采样培养机构(3)、弹簧挡板(4)组成，推动机构(2)、采样培养机构(3)、弹簧挡板(4)固定在外框架(1)上，设备上固定有抗压附体材料和负重块。设备到达深海海底后，水面控制平台发出信号使推动机构(2)推动采样培养机构(3)插入沉积物，并向沉积物注入营养液，定植培养一段时间后，水面控制平台发出命令使采样培养机构(2)复位，弹簧挡板(4)封堵采样筒底部，此后设备执行脱钩命令，摆脱负重物的束缚使其回升水面，完成深海定植培养和采集沉积物的任务。
-
公开(公告)号：CN114152442B
公开(公告)日：2024-05-24
申请号：CN202111599703.7
申请日：2021-12-24
Applicant: 杭州电子科技大学
IPC: G01M13/045 , G06F18/2415 , G06N3/0464 , G06N3/047 , G06N3/084 , G06N3/096
Abstract: 本发明公开了一种基于迁移卷积神经网络的滚动轴承跨工况故障检测方法。本发明首先利用滑动窗口技术进行数据切割，并对每个窗口的振动信号进行归一化处理。其次，搭建一维卷积神经网络模型与迁移卷积神经网络模型，一维卷积神经网络简单方便，训练参数少，能够满足故障检测领域实时性的需求；在源域训练数据训练一维卷积神经网络模型的基础上，使用MMD微调卷积网络特征提取模块，构造微调迁移卷积神经网络使得迁移卷积神经网络提取的特征具有域不变性，进而进行目标域数据的故障检测。本发明所使用的迁移卷积神经网络结构简单，训练速度快，且具有较高的跨工况准确率，为滚动轴承跨工况故障检测提供了一种新方法。
-
公开(公告)号：CN112633195B
公开(公告)日：2024-02-13
申请号：CN202011585870.1
申请日：2020-12-28
Applicant: 杭州电子科技大学
IPC: G06F18/24 , G06N3/0464 , G06F18/214 , G06F18/213 , G06V10/80 , G06N3/09
Abstract: 本发明公开了一种基于频域特征与深度学习的心电信号分类方法，包括以下步骤：采集常规12导联心电图信号，基于频域变换理论对原始心电信号进行特征提取，得到心电信号内在的频域特征图。运用深度学习框架下的卷积神经网络实现对心肌梗塞的识别分类。本发明方法首次对心电信号分频段进行频域特征图提取，并应用于深度学习框架下的心肌梗塞信号识别，基于常规12导联心电信号，不需附加新的检测设备，简单方便、容易操作。频域特征图提取到更不易提取的特征，而卷积神经网络能够自主学习数据特征，不用进行进一步数据刻画，降低了系统的复杂度。传统的单CNN算法对心电信号二次特征提取不够完整，而本发明方法采取多CNN并行的方式可以提高特征提取的准确性、全面性以及模型的鲁棒性。
-
-
-
-
-
-
-
-
-
Search Results
34
records
(took 0.037 seconds)
