-
公开(公告)号：CN116519650B
公开(公告)日：2024-03-12
申请号：CN202310404046.9
申请日：2023-04-17
Abstract: 本发明提供一种骨组织结构状态检测方法，设定骨组织荧光强度定量评价指标，确定健康骨、坏死骨区域特异性荧光强度值范围以及过渡区域内荧光强度值与距离的关系；在此基础上，构建骨组织结构分类模型，用于鉴别不同类型骨组织。本发明实现了骨荧光技术从定性判断到定量判断的转变，提出了定量评价荧光强弱的定量指标荧光强度FI。经统计分析分别获得了健康骨、坏死骨FI阈值以及过渡区域内FI和距离关系，并以此构建了骨组织识别模型，克服了定量判断的主观性强、不一致性高、可重复性差的确定，实现了健康骨、坏死骨等不同骨组织状态的定量、一致、可重复地识别。
-
公开(公告)号：CN116644287A
公开(公告)日：2023-08-25
申请号：CN202310542618.X
申请日：2023-05-15
Applicant: 北京理工大学
IPC: G06F18/20 , G06F18/10 , G06F18/213 , G06F123/02
Abstract: 本发明公开了一种基于雨流计数的时序载荷重构方法，属于工程技术载荷谱编制领域。该方法的步骤包括：载荷数据的预处理；载荷峰谷值的提取；载荷数据的重采样；载荷数据的雨流计数；按照大、小载荷幅值的雨流矩阵分区；小幅值载荷区的剔除；剩余载荷的重构以及时序载荷的评估。本发明提出了一种新的时序载荷信号重构方法，剔除原始载荷信号对损伤贡献较小的载荷循环，重构为新的时序载荷循环，缩短了载荷数据长度，为台架加速试验提供了新方法。
-
公开(公告)号：CN116577051A
公开(公告)日：2023-08-11
申请号：CN202310543678.3
申请日：2023-05-15
Applicant: 北京理工大学
Abstract: 本发明公开了一种虑及损伤等效的随机振动疲劳寿命分析方法，属于工程技术振动疲劳试验领域，该方法包括如下步骤：确定试验结构的频率响应函数；计算振动加速度的等效测试功率谱密度；计算试验结构的应力响应；预测应力响应谱的时序载荷循环数；时域载荷循环的雨流计数；计算试验结构的疲劳损伤；评估试验结构的疲劳寿命结果。本发明为机械结构振动疲劳寿命分析提供了新的分析方法，该方法在虑及损伤等效的情况下对机械结构进行振动寿命分析，并且通过调整等效测试时间，能够实现频域加速试验的目的，为振动疲劳寿命分析和振动加速试验提供了依据和方；可以更为准确地评估机械结构在随机振动下的疲劳寿命，提高结构的可靠性和安全性。
-
公开(公告)号：CN116543158A
公开(公告)日：2023-08-04
申请号：CN202310521482.4
申请日：2023-05-10
Applicant: 北京理工大学
IPC: G06V10/26 , G06V20/70 , G06V10/40 , G06V10/56 , G06V10/764 , G06V10/82 , G06N3/0455 , G06N3/047 , G06N3/048 , G06N3/084
Abstract: 本发明涉及一种基于多特征输入和矩阵监督的点云分割方法，包括：获取数据集得到点云训练以及测试数据，选取基准网络对整体数据集上的点云数据进行解耦分类；评估特征输入基准网络的最好输出结果；在每个基准网络训练过程中通过训练获得的结果计算KL散度进行联系；进行迭代训练，直到达到预设好的训练次数为止，通过多特征互学习网络结合外积矩阵KL散度在线训练互学习网络，最终得到点云语义分割结果。本发明通过互学习方式让不同的网络同时学习不同的特征，相互传递知识来增强每个网络对多特征信息的理解和利用，极大提升了网络的泛化性能，使得点云分割网络在面对实际分割场景时有着更好的鲁棒性和更准确的分割精度。
-
公开(公告)号：CN115984635B
公开(公告)日：2023-07-07
申请号：CN202310273286.X
申请日：2023-03-21
Applicant: 自然资源部第一海洋研究所 , 山东省海洋资源与环境研究院(山东省海洋环境监测中心、山东省水产品质量检验中心) , 北京理工大学
IPC: G06V10/764 , G06V10/774 , G06F18/214 , G06F18/24
Abstract: 本申请提供多源遥感数据分类模型训练方法、分类方法和电子设备，属于图像处理技术领域，其中，分类模型包括特征生成网络和地物分类器，特征生成网络用于提取多源湿地遥感数据的共性特征和特异性特征，训练方法包括：将判别器和特征生成网络进行至少一轮交替训练，在判别器训练阶段最小化判别器损失函数，使判别器能够对共性特征进行模态分类；在特征生成网络训练阶段最大化判别器损失函数，共性特征和特异性特征线性独立。通过对抗学习保证共性特征不能被模态分类器区分，同时特异性特征与共性特征线性独立，与特异性特征优势互补，一定程度避免了多源特征的冗余性。
-
Patent Agency Ranking
公开(公告)号：CN111898633B
公开(公告)日：2023-05-05
申请号：CN202010567591.6
申请日：2020-06-19
Applicant: 北京理工大学
IPC: G06V20/13 , G06V10/764 , G06V10/82 , G06V10/774 , G06V10/74 , G06V10/77 , G06N3/0464 , G06N3/0455 , G06N3/08
Abstract: 本发明公开了一种基于高光谱图像的海上舰船目标检测方法，本发明采用孪生网络策略，对增强后的目标数据以及原始背景数据进行预处理，形成对目标检测数据具有泛化性的训练数据像素对代替原始单个像素作为训练网络的输入，构造像素对代替单个像元输入，使得检测算法具有较理想的检测效果和较高实用性。将深度学习的思想引入到高光谱目标检测是通过构建深度网络结构将低级特征组合合并变换得到更高层次的抽象特征，特别是其中的卷积神经网络，利用卷积操作的网络层次，更适合于光谱特征的提取，从而提升检测精度。
-
公开(公告)号：CN115984635A
公开(公告)日：2023-04-18
申请号：CN202310273286.X
申请日：2023-03-21
Applicant: 自然资源部第一海洋研究所 , 山东省海洋资源与环境研究院(山东省海洋环境监测中心、山东省水产品质量检验中心) , 北京理工大学
IPC: G06V10/764 , G06V10/774 , G06F18/214 , G06F18/24
Abstract: 本申请提供多源遥感数据分类模型训练方法、分类方法和电子设备，属于图像处理技术领域，其中，分类模型包括特征生成网络和地物分类器，特征生成网络用于提取多源湿地遥感数据的共性特征和特异性特征，训练方法包括：将判别器和特征生成网络进行至少一轮交替训练，在判别器训练阶段最小化判别器损失函数，使判别器能够对共性特征进行模态分类；在特征生成网络训练阶段最大化判别器损失函数，共性特征和特异性特征线性独立。通过对抗学习保证共性特征不能被模态分类器区分，同时特异性特征与共性特征线性独立，与特异性特征优势互补，一定程度避免了多源特征的冗余性。
-
公开(公告)号：CN115591493A
公开(公告)日：2023-01-13
申请号：CN202211157743.0
申请日：2022-09-22
Applicant: 海龙智能技术研究(珠海)有限公司(CN) , 四川海龙智造科技有限公司(CN) , 北京理工大学珠海学院(CN)
Abstract: 本发明适用于反应釜温控技术领域，公开了反应釜温度控制方法，包括采集反应釜的当前时刻的温度值，基于改进的ARIMA反应釜温度预测模型获取反应釜下一时刻的预测温度值；计算下一时刻的预测温度值与目标温度设定值的温差值；根据温差值确定温度伸缩因子，并基于温度伸缩因子获得反应釜的调节阀控制量；根据调节阀控制量调节反应釜的调节阀，控制反应釜的温度使得经至少一次调节反应釜的调节阀之后再采集的反应釜的温度值与预设温度值相同，该控制方法基于改进的ARIMA反应釜温度预测模型预测反应釜未来时刻的温度，能够提高预测精度，并且其基于预测温度提前控制蒸汽开度调节阀，能够减少超调量并加速调节过程，提高控制精度。
-
公开(公告)号：CN111898423B
公开(公告)日：2022-12-23
申请号：CN202010566343.X
申请日：2020-06-19
Applicant: 北京理工大学
IPC: G06V20/13 , G06V10/764 , G06V10/80 , G06V10/77
Abstract: 本发明公开了一种基于形态学的多源遥感图像地物精细分类方法，对高光谱图像、红外图像分别提取其形态学特征，使用特定的融合方法，将所提取的两种数据源的空间特征进行融合，再送到分类器中进行分类，得到最终的分类结果图和分类精度。对高光谱图像进行降维处理；对红外图像和降维后的高光谱图；形态学特征融合；分类。本发明利用高光谱图像和红外图像之间的差异性和互补性，通过使用形态学方法提取两种类型图像之间的特征并进行融合，提高了高光谱图像的地物分类精度。
-
公开(公告)号：CN111882512B
公开(公告)日：2022-12-20
申请号：CN202010715887.8
申请日：2020-07-20
Applicant: 北京理工大学
Abstract: 本发明涉及一种基于深度学习的图像融合方法、装置、设备和存储介质，该方法包括：获取待融合的高光谱图像和待融合的多光谱图像；将待融合的高光谱图像和待融合的多光谱图像分别重组为对应的二维矩阵形式；将二维矩阵形式的多光谱图像输入至预先构建的双支路网络中的第一支路，将二维矩阵形式的高光谱图像输入预先构建的双支路网络中的第二支路；通过最小化第一支路的第一损失函数来训练第一支路，以及，最小化第二支路的第二损失函数来训练第二支路，直到训练次数达到设定次数阈值或第一损失函数且第二损失函数的函数值在设定函数值范围内；输出第二支路中重构的高分辨且高光谱图像，确定融合后的图像。实现了对高光谱图像的空间分辨率的提升。
-
-
-
-
-
-
-
-
-
Search Results
172
records
(took 0.041 seconds)
