-
公开(公告)号：CN116417992B
公开(公告)日：2024-03-19
申请号：CN202310228882.6
申请日：2023-03-10
Applicant: 华中科技大学
IPC: H02J3/00 , H02J3/38 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明公开了基于时空注意力机制的风机功率预测模型建立方法及应用，属于风机功率预测领域，包括：构建待训练的风机功率预测模型并利用数据集进行训练；模型包括：依次连接的空间特征提取模块，n个时间特征提取模块以及预测模块；空间特征提取模块用于根据空间注意力机制对风电变量序列中的风电变量进行聚合，得到空间特征；时间特征提取模块用于根据时间注意力机制对输入的特征做特征提取，得到时间特征，时间注意力分数依据时序结构层面的信息和时间序列在数据特征层面的信息计算；风电变量序列、空间特征以及各时间特征还通过跳跃连接输入至预测模块进行拼接，并依据拼接所得特征预测风机输出的功率序列。本发明能够提高风机功率预测的精度。
-
公开(公告)号：CN112826513B
公开(公告)日：2022-02-18
申请号：CN202110005160.5
申请日：2021-01-05
Applicant: 华中科技大学
Abstract: 本发明公开了一种基于深度学习和特异性矫正在FECG上胎儿心率检测系统，属于胎心心电图上的胎儿心率检测领域。本发明通过独立成分分析、深度神经网络、一维目标检测、特异性模型诊断等方法，由于卷积神经网络和循环神经网络在处理一维信号方面性能优越，本发明将当下热门的目标检测技术迁移到一维信号上搭建出一个全部基于深度学习的针对胎心心电图的完整检测框架，同时又使用一个特异性矫正模型消除个体差异从而解决机器学习应用到医学问题上经常出现的因病人个体差异导致的模型泛化能力差的问题，从而实现了基于胎心心电图的胎儿心率准确监测，可用于临床诊断。
-
公开(公告)号：CN110974214A
公开(公告)日：2020-04-10
申请号：CN201911329188.3
申请日：2019-12-20
Applicant: 华中科技大学
IPC: A61B5/0402 , A61B5/0452
Abstract: 本发明公开了一种基于深度学习的自动心电图分类方法、系统及设备，通过将获取的经标注的原始心电图数据按照预设比例分为训练集和验证集；构建具有残差连接的卷积神经网络，代入训练集和验证集进行训练和验证，得到训练好的卷积神经网络；利用经标注的测试集对训练好的卷积神经网络进行评估，结合评估指标得到测试通过的自动心电图分类模型。将待测心电图输入自动心电图分类模型，得到心电图分类结果。本发明提供的基于深度学习的自动心电图分类方法可以进行全面的特征提取并完成多标签分类的判别任务，全面地提取心电图中的信息，完成分类。
-
公开(公告)号：CN110414383A
公开(公告)日：2019-11-05
申请号：CN201910624662.9
申请日：2019-07-11
Applicant: 华中科技大学
Abstract: 本发明涉及一种基于Wasserstein距离的卷积神经网络对抗迁移学习方法及其应用，包括：采用待迁移的卷积神经网络，得到源域标记样本集的源域特征集和源域故障判断集以及目标域样本集的目标特征集；以最大化源域特征集和目标特征集之间的Wasserstein距离并最小化Wasserstein距离和源域故障判断集的判断损失值的加和为目标，基于收敛判据，实现卷积神经网络的对抗迁移学习。本发明在卷积神经网络的迁移学习中引入Wasserstein距离，以Wasserstein距离最大为目标，提高对两种样本集所提取的特征的区分敏感度，再以Wasserstein距离和源域故障判断集的损失值的加和最小为目标，以提高卷积神经网络的判断精度，在保证故障诊断能力的同时对样本数据和网络结构要求低，可适用于多工况间迁移，实际应用性强。
-
公开(公告)号：CN119282817A
公开(公告)日：2025-01-10
申请号：CN202411294167.3
申请日：2024-09-14
Applicant: 华中科技大学
IPC: B23Q17/09 , B23Q17/24 , G06T7/00 , G06T7/11 , G06T7/62 , G06V10/82 , G06N3/0464 , G06N3/045 , G06N3/0442 , G06N3/084 , G06F18/25
Abstract: 本发明公开了一种交点孔镗削刀具状态的检测方法及系统，属于工业大数据技术领域；基于多模态数据进行检测，通过采集到的一刀加工过程中的加工时序数据和一刀加工完成后的刀具前刀面图像，分别对应获取了刀具后刀面的磨损带宽和刀具前刀面图像的磨损占比作为交点孔镗削刀具状态的检测指标；通过磨损带宽来表征加工精度情况，当磨损带宽较大时表明刀具后刀面磨损较大，影响加工精度；通过磨损占比来表征表面粗糙度情况，当磨损占比较大时表明表明刀具前刀面磨损较大，影响工件表面粗糙度。本发明全方面考虑了加工精度和表面粗糙度要求，实现了交点孔镗削刀具状态的准确检测。
-
Patent Agency Ranking
公开(公告)号：CN118372229A
公开(公告)日：2024-07-23
申请号：CN202410653854.3
申请日：2024-05-24
Applicant: 华中科技大学
Abstract: 本发明公开了一种并联柔性机械腕的控制方法，该并联柔性机械腕包括上表面、下表面及安装在上表面与下表面之间的三个人工肌肉；每个人工肌肉均包括圆柱形的硅胶主体，所述硅胶主体内部包覆有多组镍钛记忆合金线圈、磁铁与霍尔元件；该方法包括如下步骤：S1、上位机向微控制器发送指令，微控制器输出PWM信号，PWM信号经由放大器放大后作用在需控制的镍钛记忆合金线圈两端；S2、镍钛记忆合金线圈通电后发热，使其长度发生改变，进而引起对应的磁铁与霍尔元件之间的距离发生改变；S3、霍尔元件输出电压经过AD转换器输入微控制器，进而计算对应的人工肌肉的实际长度；S4、通过每个人工肌肉的实际长度，计算出唯一确定的并联柔性机械腕的位姿。
-
公开(公告)号：CN117669076A
公开(公告)日：2024-03-08
申请号：CN202311513131.5
申请日：2023-11-10
Applicant: 华中科技大学
Abstract: 本发明公开了一种基于数据增强的发动机部件加工质量预测方法及介质，属于火箭发动机技术领域，方法包括：基于原始加工参数中两两数据之间的相关度对其进行数据的降维重构，得到降维加工参数；将加工质量结果作为条件信息，结合随机噪声和降维加工参数共同训练条件生成对抗网络，利用训练后的条件生成对抗网络对初始样本集进行数据增强，得到扩充样本集；以扩充样本集中的降维加工参数为输入、加工质量结果为标签训练混合神经网络，混合神经网络包括特征注意力增强子网络、时间卷积子网络和长短期记忆子网络；将后续批次的加工参数输入混合神经网络，预测得到对应的加工质量结果，该方法提高了发动机部件加工精度。
-
公开(公告)号：CN117593346A
公开(公告)日：2024-02-23
申请号：CN202311439385.7
申请日：2023-11-01
Applicant: 华中科技大学
Abstract: 本发明公开了一种基于全局拓扑感知交互的点云配准方法及系统，属于3D应用领域，包括训练阶段和应用阶段；训练阶段包括：采用数据集对点云配准模型进行训练，数据集中的训练样本包括源点云和目标点云；点云配准模型包括：局部嵌入特征提取模块、全局结构特征提取模块、拓扑感知交互模块及变换矩阵预测模块；其中，拓扑感知交互模块用于计算几何相似性度量，并将点云中每个点投影到相对位置，将相对位置特征融合到对应的全局结构特征中，得到对应的位置感知特征；对位置感知特征采用拓扑感知自注意和交叉注意操作，以对应提取点云的上下文交互特征。本发明解决了无监督点云配准过程中局部结构相似性和匹配模糊性的挑战，提升了点云配准精度。
-
公开(公告)号：CN109460618B
公开(公告)日：2023-02-10
申请号：CN201811348544.1
申请日：2018-11-13
Applicant: 华中科技大学
IPC: G06F30/17 , G06F18/22 , G01M13/04 , G06F119/04
Abstract: 本发明公开了一种滚动轴承剩余寿命的在线预测方法，在滚动轴承从健康状态运行到损坏状态这一过程，提取轴承运行过程的原始信号样本和对应的退化能量指标，将运行原始信号样本作为五层卷积神经网络模型输入，将退化能量指标作为卷积神经网络模型输出，训练得到退化能量状态模型；实时采集待测滚动轴承的运行原始信号；将待测滚动轴承的运行原始信号输入退化能量状态模型，估算得到退化能量指标；进而利用估算的能量退化指标预测待测滚动轴承的剩余寿命。本发明的预测过程仅需采集轴承原始运行信号，无须提取和筛选特征，克服了现有技术采用特征提取、特征筛选和回归预测的方式存在特征提取困难、精确度受限的技术问题。
-
公开(公告)号：CN115018162A
公开(公告)日：2022-09-06
申请号：CN202210651460.5
申请日：2022-06-09
Applicant: 华中科技大学
Abstract: 本发明公开一种工业精加工过程加工质量实时预测方法和系统，属于MMPs质量预测领域。包括：训练加工质量预测模型，直至满足加工精度要求，所述预测模型，包括：归一化模块，用于对CMM数据归一化；S个特征处理模块中，第一特征处理模块，用于将归一化后CMM进行多次特征计算，第s特征处理模块，用于对第s‑1特征筛选模块的输出进行多次计算，得到当前步决策输出；S‑1个特征筛选模块中，第s特征筛选模块，用于将第s特征处理模块的输出和归一化后CMM特征筛选；反馈回归模块，用于将第二特征处理模块至第S特征处理模块的输出全连接，经Softmax函数，得到CMM数据；获取目标工序中各工序当前加工完CMM数据，输入至训练好预测模型，得到预测结果。
-
-
-
-
-
-
-
-
-
Search Results
41
records
(took 0.021 seconds)
