-
公开(公告)号：CN102729902B
公开(公告)日：2014-10-15
申请号：CN201210250201.8
申请日：2012-07-19
Applicant: 西北工业大学
Abstract: 本发明提出了一种服务于汽车安全驾驶的嵌入式全景显示装置和方法，包括超广角摄像头、视频采集卡、全景显示CPU、存储器和显示器；超广角摄像头采集来的模拟信号通过视频采集卡转变成数字信号，数字信号传入由全景显示CPU、存储器组成的图像处理模块进行图像校正处理，校正后的图像与汽车俯视图一起在图像处理模块中进行拼接处理，并输出到显示器上。本发明通过显示屏直观的将车身四周的景象展示出来，在汽车正常行驶时，能为驾驶者在拥挤路况行驶提供全景辅助，同时提供多视角视频切换功能，为汽车由匝道斜入主道、或经特殊路况提供更丰富和清晰的盲区影像，为驾驶者因视野范围受限而带来的潜在安全隐患提供有效解决方案。
-
公开(公告)号：CN119903419A
公开(公告)日：2025-04-29
申请号：CN202411964160.8
申请日：2024-12-30
Applicant: 西北工业大学
IPC: G06F18/2415 , G01M15/14 , G06F18/214 , G06N3/0455
Abstract: 本发明涉及航空发动机性能优化技术领域，具体涉及一种基于自编码器的航空发动机装配质量异常检测和特征推断的方法，包括获取航空发动机的装试数据集，构建每个训练数据集对应的堆叠自编码器；每个堆叠自编码器均由编码器和解码器组成；根据每个训练好的堆叠自编码器构建Bagging堆叠自编码器模型；设定置信度水平来确定异常数据的动态阈值；将待检测的航空发动机的装试数据根据Bagging堆叠自编码器模型，基于动态阈值对航空发动机装配质量进行异常检测。本发明实现航空发动机装配质量数据的高效低维表示，有效地降低了数据重构误差，提高了特征学习的鲁棒性和泛化能力。
-
公开(公告)号：CN117174326A
公开(公告)日：2023-12-05
申请号：CN202310953048.3
申请日：2023-08-01
Applicant: 西北工业大学
Abstract: 本发明公开了一种基于血液检测和复杂网络韧性的乙肝诊断指标提取方法，首先收集慢性乙肝、肝硬化、肝细胞癌患者发病后未治疗时血常规、乙肝五项、肝功能检查、凝血四项、乙肝病毒定量、甲胎蛋白数据；然后提取25个关键指标，根据肝病诊断标准治疗指南和Child‑Pugh评分对每个指标分组重新赋值；接下来计算指标间的相关性设定阈值，分别构建慢性乙肝、肝硬化、肝细胞癌指标相关程度网络；计算网络平均度；对数据再次进行处理并计算均值，与神经网络动力学进行拟合，得到拟合误差；求得慢性乙肝、肝硬化、肝细胞癌等三种疾病对应的诊断区间，以此作为乙肝患者的诊断指标。本发明方法建模过程简单、高效，有利于提高医疗资源利用率。
-
公开(公告)号：CN117057058A
公开(公告)日：2023-11-14
申请号：CN202310943233.4
申请日：2023-07-28
Applicant: 西北工业大学
IPC: G06F30/17 , G06F30/20 , G06F119/02
Abstract: 本发明涉及航空发动机性能优化技术领域，具体涉及一种基于重要度的航空发动机关键装配指标离散化方法及装置，包括：获取航空发动机多项装配指标对应的装配数据，以及试车监测指标对应的试车数据；获取每项装配指标对应的每个截断点的重要度；选出重要度最高的截断点，进行装配指标的离散化；根据每项装配指标离散化结果，经状态组合搜索获取符合要求的装配指标状态组合解集。本发明通过状态组合搜索确定最终的装配指标状态组合解集，进而实现了对航空发动机的性能优化。
-
公开(公告)号：CN112765899B
公开(公告)日：2022-11-25
申请号：CN202110140394.0
申请日：2021-02-02
Applicant: 西北工业大学
IPC: G06F30/27 , G06F30/17 , G06F30/15 , G06K9/62 , G06N5/04 , G06F111/08 , G06F119/06 , G06F119/08
Abstract: 本发明公开了一种基于贝叶斯分类器链的涡轴发动机多目标性能预测方法，该方法将贝叶斯分类器根据目标变量间的关系进行连接，建立一个链状性能预测模型，在给定待预测涡轴发动机的属性变量状态后，通过后验概率推理可同时对其多个性能目标变量的合格概率进行预测。同时为了确保结果的准确性，考虑了目标变量的不同连接顺序，对所有模型的预测结果取平均值，得出目标变量的最终性能预测结果，从而可以指导生产，提高涡轴发动机的出厂合格率。
-
Patent Agency Ranking
公开(公告)号：CN112765899A
公开(公告)日：2021-05-07
申请号：CN202110140394.0
申请日：2021-02-02
Applicant: 西北工业大学
IPC: G06F30/27 , G06F30/17 , G06F30/15 , G06K9/62 , G06N5/04 , G06F111/08 , G06F119/06 , G06F119/08
Abstract: 本发明公开了一种基于贝叶斯分类器链的涡轴发动机多目标性能预测方法，该方法将贝叶斯分类器根据目标变量间的关系进行连接，建立一个链状性能预测模型，在给定待预测涡轴发动机的属性变量状态后，通过后验概率推理可同时对其多个性能目标变量的合格概率进行预测。同时为了确保结果的准确性，考虑了目标变量的不同连接顺序，对所有模型的预测结果取平均值，得出目标变量的最终性能预测结果，从而可以指导生产，提高涡轴发动机的出厂合格率。
-
公开(公告)号：CN112464422A
公开(公告)日：2021-03-09
申请号：CN202011376971.8
申请日：2020-11-30
Applicant: 西北工业大学
IPC: G06F30/18 , G06F119/02
Abstract: 本发明属于规则网络系统可靠性研究领域，具体涉及一种基于贪婪算法的提高K‑终端网络可靠性的方法。该方法采用贪婪算法和蒙特卡罗算法，结合重要度分析，为中型或大型K‑终端网络可靠性预测的数值分析研究提供了有力支撑。改方法采用重要度分析和蒙特卡罗算法估算寻找网络边的优化方案，建模过程简单、高效。本发明将需要优化的大型网络分为多组网络边，以这些网络边为基本的优化对象，能够精确快速地给出优化方案，从而实现对大型网络的可靠性优化，使其可靠性指标满足要求，本发明对于现实中的中型或大型网络具有重要意义。
-
公开(公告)号：CN112199895A
公开(公告)日：2021-01-08
申请号：CN202011126762.8
申请日：2020-10-20
Applicant: 西北工业大学
IPC: G06F30/27 , G06F111/08 , G06F119/02 , G06F119/04
Abstract: 本发明涉及一种基于生存分析和贝叶斯网络的自锁螺母寿命预测方法，针对航空发动机自锁螺母的寿命预测引入了生存分析和贝叶斯网络，完成了有效属性变量的筛选和寿命预测模型的构建，预测建模过程简单、高效。从数据层面着手，对潜在信息进行挖掘，结合概率统计和后验概率计算来进行寿命预测，降低了现有技术中对物理、材料等领域专业知识的高要求。本发明能够有效地利用试验数据精确快速地对自锁螺母的寿命进行预测，最终给出具体的寿命预测概率，从而有利于制定合理的维修与检测计划，对航空发动机的整机可靠性提升具有重要意义。
-
公开(公告)号：CN108133308A
公开(公告)日：2018-06-08
申请号：CN201711263360.0
申请日：2017-12-05
Applicant: 西北工业大学
Abstract: 本发明公开了一种基于成本重要度的复杂系统维修方法，用于解决现有复杂系统维修方法效率低的技术问题。技术方案是将Birnbaum重要度与组件维修成本分析相结合，首先根据复杂系统的工作原理和结构，确定系统的结构函数并记录复杂系统中各个组件的可靠性信息；其次，分析组件可靠性提升过程的维修成本和组件可靠性提升引起的系统可靠性提升量；然后，从单位成本系统可靠性提升量最大化的角度确定组件的成本重要度计算方法，并对组件的成本重要度进行排序；最终，基于组件替换分析的复杂系统快速维修方法对组件进行反复替换，直到满足规定的系统可靠性要求，得到高效且经济的快速维修方案。
-
公开(公告)号：CN104217251A
公开(公告)日：2014-12-17
申请号：CN201410392853.4
申请日：2014-08-12
Applicant: 西北工业大学
IPC: G06Q10/04
Abstract: 本发明公开了一种基于K2算法的装备故障贝叶斯网络预测方法，用于解决现有装备故障贝叶斯网络预测方法搜索效率低的技术问题。技术方案是采用基于K2搜索算法的FPBN网络结构学习算法构建能够真实反映故障数据集内各变量关联关系的FPBN网络结构，从而建立FPBN模型。最终，基于建立的故障预测模型，利用参数学习算法预测装备的实际运行状态。该方法以K2搜索算法为基础，将故障知识、专家经验和故障数据进行有效融合，解决了装备预测过程中系统向FPBN转化建模困难的问题。另外，FPBN-K2算法计算过程全部采用确定性搜索算法，无需进行多次重复搜索，降低了搜索空间并减少了评分函数计算次数，提高了FPBN网络结构学习算法的搜索效率。
-
-
-
-
-
-
-
-
-
Search Results
61
records
(took 0.023 seconds)
