-
公开(公告)号：CN114611606A
公开(公告)日：2022-06-10
申请号：CN202210245556.1
申请日：2022-03-07
Applicant: 安徽理工大学
IPC: G06K9/62
Abstract: 本发明公开了一种基于核混合空间投影的故障检测方法，涉及工业过程监控和故障检测领域。本发明主要是借助核函数以及正常工况下无故障样本间的局部关系和全局关系来构建面向故障检测的核混合空间投影模型，并采用拉格朗日乘子法求得模型的解析解，然后利用上述无故障样本和获得的空间投影方向来计算正常情况下的T2控制限，最后利用新采集的样本和获得的空间投影方向来新采集样本的T2值，并与控制限进行对比，若超过控制限，则为故障，反之为无故障，从而实现故障的检测。与现有技术相比，本发明提出的方法能够有效利用非线性不平稳故障数据样本间的局部关系和全局关系，避免故障信息丢失，具有更高的故障检测精度。
-
公开(公告)号：CN113139681A
公开(公告)日：2021-07-20
申请号：CN202110395130.X
申请日：2021-04-13
Applicant: 合肥综合性国家科学中心能源研究院(安徽省能源实验室) , 安徽理工大学
Abstract: 本发明涉及一种基于时间序列数据的神经网络冲击地压预测方法，通过矿山数据采集设备采集冲击地压数据，并对主要影响因素进行量化处理；将量化后的数据进行标准化后加入随机噪声；通过滑动窗口方法截取定量的时间窗口来构建样本数据；通过随机采样方法对时间窗口数据划分训练集，验证集；利用训练集数据对建立的神经网络进行训练，并使用验证集测试网络性能对网络参数进行调整；利用训练得到的神经网络模型对矿井的冲击地压进行预测得到危险预警信息。本发明可靠性较高，提出了通过时间序列数据训练神经网络，克服了冲击地压预测受短时数据限制的问题，实现了冲击地压长期动态预测，可以有效进行冲击地压灾害预警。
-
公开(公告)号：CN111461234A
公开(公告)日：2020-07-28
申请号：CN202010256307.3
申请日：2020-04-02
Applicant: 安徽理工大学
IPC: G06K9/62
Abstract: 本发明公开了一种基于两模态距离保持相关特征学习的单视角目标识别方法，主要是通过最大化模态间相关性的同时对鉴别聚类散布进行约束，从而来构建两模态间的相关特征学习模型，并进一步利用该模型实现单视角目标的识别。其具体实现过程为：(1)对单视角图像进行模态化处理；(2)构建两模态距离保持相关特征学习模型，并对该模型进行优化求解，以获得低维相关特征；(3)利用并行融合策略对低维相关特征进行融合，最后借助最近邻分类器获取单视角目标的识别结果。与现有技术相比，本发明能够借助两模态特征学习的优势有效地提高单视角目标的识别精度。
-
公开(公告)号：CN119942057A
公开(公告)日：2025-05-06
申请号：CN202410660697.9
申请日：2024-05-27
Applicant: 安徽理工大学
IPC: G06V10/25 , G06V10/32 , G06V10/40 , G06V10/82 , G06V10/764 , G06V10/766 , G06V10/74 , G06N3/045 , G06N3/0499 , G06N3/0464 , G06N3/047 , G06N3/048 , G06N3/084
Abstract: 本发明公布一种基于区域感知和未知信息增强的开放世界目标检测方法。本方法的执行步骤为：(1)对数据预处理；(2)使用主干网络进行特征提取；(3)将提取的特征输入预测网络，生成预测结果；(4)判断是否为训练模式；(5)训练时，将结果输入未知信息增强模块，计算损失并优化网络参数；(6)非训练时，利用区域感知模块进行冗余过滤并输出预测结果。本方法包含一个能够有效增强未知对象特征的未知信息增强模块，提高开放世界环境下未知对象的检测的精度。还提出一种基于区域感知的冗余框过滤方法，该方法能够有效抑制包含多个或残缺未知对象的预测框出现，实现未知对象冗余框的有效过滤，从而减小开放世界环境下目标误检、重检问题。
-
公开(公告)号：CN119811658A
公开(公告)日：2025-04-11
申请号：CN202411625547.0
申请日：2024-11-14
Applicant: 安徽理工大学
IPC: G16H50/30 , G16H50/70 , G06F18/213 , G06F18/21 , G06F18/214 , G06F18/241 , G06N3/0455 , G06N3/088
Abstract: 本发明专利公开了一种基于特征填充自编码器的血液透析患者生存预测方法，该方法解决了短期血透数据的不平衡和数据特征缺失的问题；首先，该方法利用非缺失特征的流形结构和高维数据空间中特征之间的内在关系，推断出缺失特征的值，然后，通过特征丢弃掩码的生成来模拟深度学习框架中的缺失数据分布，并设计一个特征填充自编码器，该模块利用容易获得的短期数据进行无监督学习，使编码器能够重建缺失特征并推导潜在表征，最后，使用基于潜在表征的分类器实现死亡率预测，本发明旨在利用短期血透数据来提供血液透析患者更准确的死亡率风险评估。
-
Patent Agency Ranking
公开(公告)号：CN119719878A
公开(公告)日：2025-03-28
申请号：CN202411366157.6
申请日：2024-09-29
Applicant: 安徽理工大学
IPC: G06F18/241 , G06F18/213 , G06F18/25 , G06F18/20 , G06N3/042 , G06N3/045 , G06N3/0464
Abstract: 本发明公开了一种跨模态桥接图卷积神经网络的故障诊断方法，具体实现过程为：对于采集到的原始多模态数据，每个样本表示节点，利用前k个故障节点构造邻接矩阵；利用图卷积提取多个模态的专有特征，引入跨模态桥接模块互补增强不同模态的特征信息；考虑到多个模态下隐藏的共同故障特征，引入动态协同共享机制捕捉相似特征；在上述处理基础之上，使用多通道融合聚合不同通道信息，然后输入到Transformer中对融合的特征进行故障分类。实验结果表明本发明方法是一种有效的故障诊断方法。
-
公开(公告)号：CN118503811A
公开(公告)日：2024-08-16
申请号：CN202410657988.2
申请日：2024-05-27
Applicant: 安徽理工大学
IPC: G06F18/2413 , G06F18/213 , G06F18/21 , G06F18/2132 , G06F18/25 , G01M13/04
Abstract: 本发明公开了基于无监督跨模态双曲子空间的故障诊断方法，主要是构建无监督跨模态双曲子空间学习模型，从而能够在无监督环境下学习故障数据的跨模态特征，有效提高无监督环境下故障诊断的准确性，具体实现过程为：(1)借助故障样本数据间的不同流形结构，构建无监督跨模态双曲子空间学习模型；(2)优化求解该模型中跨模态双曲子空间投影矩阵的解析解；(3)在跨模态双曲子空间投影方向的基础上获得故障样本数据的跨模态故障特征，并利用分类器获得故障诊断的分类结果。与现有技术相比，本发明的故障诊断方法更具有效性和准确性。
-
公开(公告)号：CN116883860A
公开(公告)日：2023-10-13
申请号：CN202310863447.0
申请日：2023-07-13
Applicant: 安徽理工大学
IPC: G06V20/13 , G06V10/80 , G06V10/54 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/047 , G06N3/045 , G06N3/08
Abstract: 本发明公布一种基于语义融合和框对齐的光学遥感图像高密度前景目标检测方法。本方法的执行步骤为：(1)对数据进行预处理；(2)使用主干网络进行特征提取；(3)将提取的特征输入到预测网络，生成预测结果；(4)判断是否为训练模式；(5)训练模式下模型将计算训练损失并优化网络参数；(6)非训练模式下则输出预测结果。本方法包含两个能够有效区分内部纹理特征的特征重识别卷积模块，提高小目标的精度，同时还提出一种辅助点平衡IoU(ABIoU)损失，ABIoU损失不仅能够避免单对点回归中距离项的局部最优解，还能够避免局部纵横比的IoU损失不收敛，实现损失值的稳定性和边长的直接测量，从而减小复杂纹理特征环境下目标误检、漏检问题。
-
公开(公告)号：CN116735204A
公开(公告)日：2023-09-12
申请号：CN202310698185.7
申请日：2023-06-13
Applicant: 安徽理工大学
IPC: G01M13/045 , G06F18/213 , G06F18/24
Abstract: 本发明公开了一种基于密度域敏感空间学习的滚动轴承故障诊断方法，解决了在非线性空间学习中欧氏距离会导致潜在流形损失和忽略密度结构的问题，从而有效提高滚动轴承故障诊断的准确性。实现过程为：(1)提取原始故障振动信号的时频域特征，构建高维故障样本集；(2)借助高维故障样本间的密度约束，构建局部密度约束图、全局密度约束图、类内密度约束图和类间密度约束图，以此基础提出密度域敏感空间学习模型；(3)求解该模型的投影矩阵，并利用空间投影获得低维故障特征；(4)借助分类器，对低维故障特征进行故障辨识，以获得最终的故障诊断结果。实验结果表明本发明方法是一种有效的滚动轴承故障诊断方法。
-
公开(公告)号：CN111461234B
公开(公告)日：2023-05-16
申请号：CN202010256307.3
申请日：2020-04-02
Applicant: 安徽理工大学
IPC: G06V10/762 , G06V10/764 , G06V10/80
Abstract: 本发明公开了一种基于两模态距离保持相关特征学习的单视角目标识别方法，主要是通过最大化模态间相关性的同时对鉴别聚类散布进行约束，从而来构建两模态间的相关特征学习模型，并进一步利用该模型实现单视角目标的识别。其具体实现过程为：(1)对单视角图像进行模态化处理；(2)构建两模态距离保持相关特征学习模型，并对该模型进行优化求解，以获得低维相关特征；(3)利用并行融合策略对低维相关特征进行融合，最后借助最近邻分类器获取单视角目标的识别结果。与现有技术相比，本发明能够借助两模态特征学习的优势有效地提高单视角目标的识别精度。
-
-
-
-
-
-
-
-
-
Search Results
33
records
(took 0.023 seconds)
