-
公开(公告)号：CN116703607A
公开(公告)日：2023-09-05
申请号：CN202310710238.2
申请日：2023-06-15
Applicant: 上海交通大学宁波人工智能研究院
IPC: G06Q40/06 , G06F16/2458 , G06F17/18 , G06N20/00
Abstract: 本发明公开了一种基于扩散模型的金融时间序列预测方法与系统，涉及基于深度学习的时间序列预测领域，所述方法包括以下步骤：步骤1、选取预测目标金融资产的行情序列数据，进行数据预处理得到数据样本，再将所述数据样本分为训练集、验证集和测试集；步骤2、构建所述预测目标金融资产的价格变动预测模型，包括扩散模型前向过程、扩散模型后向过程以及多尺度去噪分数匹配机制；步骤3、将所述训练集输入到所述价格变动预测模型中进行训练，并通过所述验证集进行模型验证，最终确定所述价格变动预测模型的参数；步骤4、将所述测试集输入到参数已经确定的所述价格变动预测模型中进行模型预测，对所述价格变动预测模型的预测性能进行评估。
-
公开(公告)号：CN116484542A
公开(公告)日：2023-07-25
申请号：CN202310467272.1
申请日：2023-04-26
Applicant: 上海交通大学宁波人工智能研究院
IPC: G06F30/17 , G06F30/20 , G06F113/26 , G06F111/04
Abstract: 本发明公开了一种在矩形板材上排放单一尺寸圆形件的搜索式排样方法，涉及优化排样领域，包括：步骤1、初始化矩形板材的宽度W、长度L和圆形件的半径R，并设置最大储存数量K；步骤2、将第一个圆形件放置在矩形板材上生成方案S1，将结果保存到方案集合P1中；步骤3、遍历方案集合Pi，在每个已有方案Sik的基础上计算出下一个圆形件可以排放的所有位置点；步骤4、将Sik上生成的待排样点，按照利用率降序排列，选出前两个排样位置点；步骤5、将步骤4生成的所有新方案归纳为新集合S并按降序排列；步骤6、对S进行去重；步骤7、选取S中的前K个方案添加至Pi+1中；步骤8、重复步骤3～7，直到矩形板材放满；步骤9、输出最优方案。
-
公开(公告)号：CN116433579A
公开(公告)日：2023-07-14
申请号：CN202310089930.8
申请日：2023-01-17
Applicant: 上海交通大学宁波人工智能研究院
IPC: G06T7/00 , G06T7/13 , G06V10/764 , G06V10/77 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明公开了一种基于YOLACT模型的工件表面缺陷检测方法，涉及工件表面缺陷检测与机器视觉技术领域，包括：S100、图像采集；S200、图像标注；S300、数据增强；S400、模型构建；S500、模型训练；S600、模型验证，S700、缺陷检测。本发明具有较强的鲁棒性和泛化能力，并提升了缺陷目标边缘检测的精度，可以获取更细粒度的检测结果，更高的检测速度，更适宜于部署在CPU中，更加适合应用于实际的工业生产环境。
-
公开(公告)号：CN116030361A
公开(公告)日：2023-04-28
申请号：CN202310111186.7
申请日：2023-02-10
Applicant: 上海交通大学宁波人工智能研究院
IPC: G06V20/13 , G06V10/80 , G06V10/82 , G06V10/764 , G06V10/44 , G06N3/0455 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于CIM‑T架构的高分辨率影像变化检测方法，涉及现实场景下两期遥感图像变化检测与图像处理领域，包括以下步骤：步骤1、采集两期遥感影像图像，获得变化检测数据集；步骤2、用变化检测数据集构建变化检测模型；步骤3、用变化检测数据集训练变化检测模型；步骤4、将待测图像数据集输入变化检测模型，得到变化检测结果。其中，步骤2中的变化检测模型是一种编码器‑解码器模型；编码器包括主干网络特征提取模块和标签生成器模块；解码器包括密集跳跃连接模块和ECAM模块。
-
公开(公告)号：CN115589329A
公开(公告)日：2023-01-10
申请号：CN202211391596.3
申请日：2022-11-08
Applicant: 上海交通大学宁波人工智能研究院
Abstract: 本发明公开了一种基于对抗掩码的网络流量异常检测系统与方法，涉及网络流量异常检测领域，所述系统包括上游的前置模型和下游的分类检测模型；前置模型包括对抗掩码生成模块、编码器网络、特征向量评估模块和掩码向量评估模块；分类检测模型包括训练过的编码器网络，以及分类器。所述方法包括：步骤1、对原始数据集进行数据预处理；步骤2、构建对抗掩码生成模块；步骤3、应用预先设计的对抗攻击算法，对训练数据集中的每一个原始样本生成一个相应的对抗样本；步骤4、完成编码器网络以及特征向量评估模块和掩码向量评估模块的训练；步骤5、将分类器连接在编码器网络后面，且仅对分类器进行训练，得到最终的分类模型。
-
Patent Agency Ranking
公开(公告)号：CN115238785A
公开(公告)日：2022-10-25
申请号：CN202210848010.5
申请日：2022-07-19
Applicant: 上海交通大学宁波人工智能研究院 , 宁波工业互联网研究院有限公司
Abstract: 本发明公开了一种基于图像融合和集成网络的旋转机械故障诊断方法和系统，涉及故障诊断技术领域，所述故障诊断系统包括：系统启动模块、数据采集模块、数据预处理模块、卷积神经网络训练模块和集成神经网络输出模块。所述故障诊断方法包括：步骤1、安装传感器，在所述旋转机械的旋转轴位置安装若干振动传感器，在所述旋转机械的驱动设备的供电电缆处安装电流传感器；步骤2、采集训练数据；步骤3、数据预处理；步骤4、构建和训练神经网络模型，获得若干所述神经网络模型；步骤5、构建集成网络模型；步骤6、运行所述集成网络模型，将实时数据经过数据预处理得到不同类型的所述融合时频图像输入到相应的所述神经网络模型，输出故障诊断结果。
-
公开(公告)号：CN114742643A
公开(公告)日：2022-07-12
申请号：CN202210487256.4
申请日：2022-05-06
Applicant: 上海交通大学宁波人工智能研究院
Abstract: 本发明公开了一种金融风控领域的检测交互特征的模型可解释方法，涉及图神经网络技术与模型可解释领域，所述方法包括以下步骤：步骤1、根据已有的训练特征和训练标签训练一个加性模型；步骤2、使用交互特征检测模块检测存在的交互特征对，使用得到的所述交互特征对、所述训练标签和所述步骤1的残差再构造一个GAM模型，再将所述加性模型和所述GAM模型相加，得到一个包含所述交互特征对的GAM2模型；步骤3、根据高阶交互存在当且仅当其所有低阶交互均存在的原则，对所述GAM2模型进行多轮迭代，直到某轮迭代交互特征阶数不再增加，得到一个GAMn模型；步骤4、实现可视化与报告导出。
-
公开(公告)号：CN114494773A
公开(公告)日：2022-05-13
申请号：CN202210066125.9
申请日：2022-01-20
Applicant: 上海交通大学宁波人工智能研究院
IPC: G06V10/764 , G06V10/82 , G06K9/62 , G06N3/08 , G06N20/00
Abstract: 本发明公开了一种基于深度学习的零件分拣识别系统和方法，涉及计算机视觉和零件分拣领域，所述系统包括：训练模块和应用模块，在训练模块中建立模型，并将模型应用到应用模块中获得识别结果并将识别结果输出。训练模块包括：合成图像制作模块、实际图像采集模块、数据集生成模块、深度学习模块，其中，深度学习模块与数据集生成模块连接，接收训练集和验证集，并构建深度学习模型，包括目标识别网络和域自适应网络，目标识别网络用于特征的提取、对象的分类以及候选框的生成；域自适应网络用于对齐源域和目标域中图像的特征。
-
公开(公告)号：CN114359245A
公开(公告)日：2022-04-15
申请号：CN202210021615.7
申请日：2022-01-10
Applicant: 上海交通大学宁波人工智能研究院
Abstract: 本发明公开了一种工业场景下产品表面缺陷检测方法，涉及工业场景下产品表面缺陷检测与机器视觉的技术领域，所述方法包括以下步骤：步骤1、图像采集，获取工业流水线上产品的表面图像；步骤2、图像标注，对所述表面图像进行缺陷标注，得到表面缺陷数据集；步骤3、数据增强，对所述表面缺陷数据集进行数据增强，为以下一种或者若干种数据增强方式的组合，所述数据增强方式包括随机裁剪、随机水平翻转、随机垂直翻转、尺度抖动、颜色抖动、Mosaic或Mixup；步骤4、表面缺陷检测模型构建；步骤5、表面缺陷检测模型训练；步骤6、表面缺陷检测模型预测。
-
公开(公告)号：CN110338760B
公开(公告)日：2022-02-22
申请号：CN201910585116.9
申请日：2019-07-01
Applicant: 上海交通大学
Abstract: 本发明提供了一种基于脑电图频域数据的精神分裂症三分类方法，涉及精神分裂症辅助诊断分类领域。所述方法利用自发脑电技术，以在没有诱导的情况下获得受外界干扰较小的脑电图作为精神分裂症辅助诊断的数据来源，通过初始化数据处理后，将脑电图时域数据转换为频域数据，再对脑电图频域数据进行频段划分，将分段的数据分别作为矩阵处理，得到数量可控的LES特征，使用基于二次规划的频段权重分配算法得到分类效果最好的频域权重，利用支持向量机分类算法进行基于脑电图频域数据的精神分裂症的首阶段、健康阶段和临床高危综合征阶段的分类。通过本发明的实施，能够对精神分裂症进行科学而准确的分类，实现基于脑电图数据的精神分裂症辅助诊断。
-
-
-
-
-
-
-
-
-
Search Results
193
records
(took 0.035 seconds)
