-
公开(公告)号：CN117056805A
公开(公告)日：2023-11-14
申请号：CN202311025062.3
申请日：2023-08-15
Applicant: 苏州大学
IPC: G06F18/241 , G06F18/214 , G06F18/213 , G06N3/0499 , G06N3/09
Abstract: 本发明公开了一种不可见工况下单源域泛化智能诊断方法，包括以下步骤：(1)获取时域信号即源域数据并进行预处理；(2)建立域生成模块G、建立特征提取器F、建立分类头C、建立投影头P；(3)构建故障诊断训练模型；(4)根据损失函数和优化算法进行模型训练；(5)在线故障诊断；本发明模型可在单源域上进行训练并提高其泛化能力；模型在应用于训练阶段不可见的目标域时故障诊断准确率高；故障诊断模型的适用范围广。
-
公开(公告)号：CN116953250A
公开(公告)日：2023-10-27
申请号：CN202310748971.3
申请日：2023-06-25
Applicant: 苏州大学附属第一医院
Abstract: 本发明公开了SDF4在筛选主动脉疾病预警或治疗试剂中的应用，属于疾病标志物技术领域。SDF4作为主动脉疾病的靶向分子生物标志物具有高度特异性和敏感性，同时，用于SDF4的抑制剂可以用于制备主动脉疾病预警和治疗试剂，从而为临床主动脉疾病的风险预警、早期诊断和药物治疗提供了新的方向。本发明公开了SDF4在筛选主动脉疾病预警或治疗试剂中的应用，属于疾病标志物技术领域。SDF4作为主动脉疾病的靶向分子生物标志物具有高度特异性和敏感性，同时，用于SDF4的抑制剂可以用于制备主动脉疾病预警和治疗试剂，从而为临床主动脉疾病的风险预警、早期诊断和药物治疗提供了新的方向。
-
公开(公告)号：CN116089812A
公开(公告)日：2023-05-09
申请号：CN202211558882.4
申请日：2022-12-06
Applicant: 苏州大学
IPC: G06F18/213 , G06F18/214 , G06F18/24 , G06N3/0475 , G06N3/0895 , G06N3/094
Abstract: 本发明公开了一种基于半监督对抗域泛化智能模型的故障诊断方法。本发明基于半监督对抗域泛化智能模型的故障诊断方法以域对抗神经网络为基础，采用半监督学习的方式，通过提出域模糊策略来消除多源域之间的数据分布差异，学习标记的源域和未标记的源域中与分布无关的表示，提取域不变特征，并且引入度量学习来促进模型学习特征的类内聚集性和类间可分性，提高特征的可判别性，从而极大提高机械故障诊断模型的泛化能力，实现未知工况下的半监督机械健康状态智能识别，识别精度高。
-
公开(公告)号：CN115937565A
公开(公告)日：2023-04-07
申请号：CN202210133932.8
申请日：2022-02-14
Applicant: 苏州大学
IPC: G06V10/764 , G06V10/58 , G06V10/82 , G06N3/04 , G06N3/08
Abstract: 本发明涉及一种基于自适应L‑BFGS算法的高光谱图像分类方法，利用卷积层和长短期记忆网络层提取像元空间特征，并将其与光谱特征相融合，最终实现分类的目的，同时采用改进二阶优化算法对网络模型进行参数更新与优化，解决了该应用场景下样本数目过多、数据量过大、参数难以更新等问题，提升了算法的收敛速度，解决了算法容易陷入局部最优点的问题。本发明将像元在局部空间的排列作为连续信息，利用长短期记忆网络层对其进行特征提取，保障了高光谱图像像元特征的多样性，有助于分类效果的提升。本发明将空谱特征利用拼接操作进行融合，实现多模态学习的目的。
-
公开(公告)号：CN114004252A
公开(公告)日：2022-02-01
申请号：CN202111205972.0
申请日：2021-10-13
Applicant: 苏州大学
Abstract: 本发明公开了一种轴承故障诊断的方法、装置、设备以及计算机可读存储介质，包括：采集轴承振动信号构建多源域和目标域数据集，构建轴承故障诊断模型，将多源域和目标域的数据集进行处理，输入特征学习器中进行特征提取，根据提取的多源域和目标域的样本特征求取矩量距离，将每个源域样本特征输入对应的分类器中，输出预测标签，并与真实标签计算分类器交叉熵损失，利用矩量距离和分类器交叉熵损失构建模型的目标函数，利用类内对齐训练策略对模型进行训练；将目标域数据集输入完成训练的模型中，通过加权分类机制输出综合预测的结果，本发明采用了多源域迁移能够利用更加完善的故障信息，以便多种工况和多类型的故障诊断。
-
Patent Agency Ranking
公开(公告)号：CN111829782B
公开(公告)日：2021-12-07
申请号：CN202010688208.2
申请日：2020-07-16
Applicant: 苏州大学
IPC: G01M13/045 , G06K9/62 , G06N20/10
Abstract: 本发明公开了一种基于自适应流形嵌入动态分布对齐的故障诊断方法，本方法通过自动计算最优的子空间维数，并计算测地线流式核和变换后的流形特征表示，可以有效地避免数据在原始欧式空间的特征扭曲。引入相似度度量A‑distance定义一个自适应因子，动态调整样本数据条件分布和边缘分布的相对权重，有效地缩小了源域和目标域样本的分布差异，极大提高了变工况下滚动轴承故障诊断的准确性和有效性，该方法可解释性强，对计算机硬件资源的要求较低，执行速度更快，同时具备出色的诊断精确度、算法收敛性和参数鲁棒性。该方法尤其适用于变工况下多场景、多故障的轴承故障诊断，可广泛地应用于机械、电力、化工、航空等复杂系统的多变工况下的故障诊断任务。
-
公开(公告)号：CN112414714A
公开(公告)日：2021-02-26
申请号：CN202011224083.4
申请日：2020-11-05
Applicant: 苏州大学
IPC: G01M13/045
Abstract: 本发明公开了一种基于自适应流形概率分布的轴承故障诊断方法，包括以下步骤：先构建多个可迁移域和迁移任务；再利用傅里叶变换将每个迁移任务中的数据样本均转化为频域数据，并将频域数据输入GFK算法模型中，利用GFK算法模型计算出每个迁移任务中与轴承故障相关的流形特征表示矩阵；根据流形特征表示，计算出每个迁移任务中的目标域与源域中心的余弦距离，并定义域内分类器学习的目标函数；再对目标函数进行求解，得到目标域的概率分布矩阵；在概率分布矩阵中选择目标域内每个数据样本对应的最大概率值所对应的标签，作为该目标域数据样本的预测标签。本发明提升了轴承故障诊断的诊断正确率和诊断效率。
-
公开(公告)号：CN111985461A
公开(公告)日：2020-11-24
申请号：CN202010669476.X
申请日：2020-07-13
Applicant: 苏州大学
Abstract: 本发明涉及一种轨道车辆编号识别方法及系统,包括：利用图像采集器采集车头的照片，将所述照片转换为二值图像，对所述二值图像依次进行高帽变换、膨胀操作以及中值滤波；通过编号的长宽比初步确定编号所在的区域，将其作为样本，通过支持向量机对样本进行训练，得到编号所在的实际区域；对得到的实际区域的车牌照片中的每位数字进行分割；构建数字识别的深度残差网络模型，对分割后的每一位数字进行识别。本发明有效提高车辆编号的识别准确率，而且抗干扰能力强、鲁棒性好。
-
公开(公告)号：CN111666877A
公开(公告)日：2020-09-15
申请号：CN202010507311.2
申请日：2020-06-05
Applicant: 苏州大学
IPC: G06K9/00
Abstract: 本发明公开了一种基于变参小波流形的旋转机械微弱故障检测方法。本发明一种基于变参小波流形的旋转机械微弱故障检测方法，包括：步骤(1)、选定母小波，给定小波参数的1个取值组合，确定信号分析的尺度范围；步骤(2)、对信号进行CWT处理，计算各尺度下的小波包络；步骤(3)、按照给定指标从整个尺度带内选择包含最多故障信息的1个小波包络，即故障小波包络。本发明的有益效果：本发明提取信号在不同小波参数下的故障小波包络，利用流形学习卓越的特征挖掘能力，从高维变参小波包络中提取出具有稳定结构的脉冲包络，去除带内噪声，实现对微弱故障脉冲包络的有效检测。
-
公开(公告)号：CN110427916A
公开(公告)日：2019-11-08
申请号：CN201910750064.6
申请日：2019-08-14
Applicant: 苏州大学
Abstract: 本发明公开了一种中心频率收敛趋势作用下的故障诊断方法，包括(1)采集旋转机械设备的动态信号x(t)；(2)设置变分模型的初始分解参数；(3)使用设定初始分解参数的变分模型分解动态信号x(t)，在中心频率收敛趋势引导下遍历信号分析频带迭代分解动态信号x(t)，得到优化模态{m1...mn...mN}和相应的中心频率{ω1...ωn...ωN}；(4)搜索故障相关模态mI，以故障相关模态mI的中心频率ωI引导参数优化，提取包含故障信息的最优目标分量 (5)包络分析最优目标分量 根据包络谱诊断旋转机械设备。本发明的故障诊断方法，采用中心频率收敛趋势引导的分解方式实现诊断目标设备原始动态信号的智能分解，能够对采集的设备动态信号自适应地分析，降低了技术人员使用变分模态分解方法进行机械故障诊断的难度。
-
-
-
-
-
-
-
-
-
Search Results
108
records
(took 0.042 seconds)
