-
公开(公告)号：CN111612084A
公开(公告)日：2020-09-01
申请号：CN202010456563.7
申请日：2020-05-26
Applicant: 重庆邮电大学
Abstract: 本发明涉及一种带分类器深度非负矩阵分解(Nonnegative Matrix Factorization,NMF)网络的优化方法，属于人工智能技术领域。本发明包括模型构建和参数优化，模型构建方面，对多个NMF层以及分类层进行级联构成深度网络，即前一NMF层分解结果作为后一NMF层的输入，不同NMF层间采用映射函数连接。参数优化方面，基于乘性迭代规则对深度NMF网络进行无监督逐层预训练，有监督全局优化基于BP算法对各NMF层以及Softmax分类层权值参数进行整体优化。利用训练优化的深度NMF网络对测试数据进行分析，得到分类输出结果。本发明适用于状态监测与诊断等分类识别任务相关应用。
-
公开(公告)号：CN110303380A
公开(公告)日：2019-10-08
申请号：CN201910607592.6
申请日：2019-07-05
Applicant: 重庆邮电大学
IPC: B23Q17/09
Abstract: 本发明涉及一种数控机床刀具剩余寿命预测方法，属于CNC刀具寿命预测领域。针对CNC中刀具剩余寿命预测这一问题，利用状态监控、数据去噪、特征提取和最小支持二乘向量机的方法建立了刀具剩余寿命预测模型，并将该问题的预测对象细化为铣削工具这一CNC核心生产要素。首先，对监控的信号数据进行小波变换阈值去噪的数据预处理，接着提取数据的时域特征，利用PCA的T2统计量提取信号主要特征。其次，利用多核加权最小二乘支持向量机模型对实时监控数据进行剩余寿命预测，得到具体的剩余寿命值。最后使用工业大数据产业创新平台上的真实数据进行的验证，验证结果说明该方法能有效的进行寿命预测。
-
公开(公告)号：CN118965105A
公开(公告)日：2024-11-15
申请号：CN202411001090.6
申请日：2024-07-25
Applicant: 重庆邮电大学
IPC: G06F18/241 , G06F18/25 , G06F18/213 , G06F11/36
Abstract: 本发明属于深度学习领域，特别涉及一种基于大数据的软件缺陷类别预测方法，包括从不同源域中采集软件的运行数据，对数据进行预处理操作；计算每个源域数据的权重，同时将预处理后的数据利用特征完全提取技术提取每个源域的数据特征；使用注意力机制对不同源域的特征加权得到第一融合特征，将不同域数据和其对应的注意力权重输入通过Flort模板融合得到第二融合特征；将第一融合特征和第二融合特征进行最后的融合得到最终融合特征，将最终融合特征作为多源域融合分类器模型的输入；多源域融合分类器模型考虑源域与目标源、源域与源域之间的关系对预测输入的特征是否存在目标域中的缺陷类型。本发明提高了软件缺陷类别预测的准确性和稳定性。
-
公开(公告)号：CN117272808A
公开(公告)日：2023-12-22
申请号：CN202311236135.3
申请日：2023-09-22
Applicant: 重庆邮电大学
IPC: G06F30/27 , G06F30/17 , G06F119/04
Abstract: 本发明属于机械资源预测技术领域，涉及基于不确定性加权领域泛化的滚动轴承剩余寿命预测方法，包括：获取滚动轴承振动数据，将振动数据划分为源域和不可访问的未知目标域数据集；通过建立知识蒸馏框架以捕获不受其他领域影响内部不变特征；应用相关性对齐来获取跨域互不相同的特征，同时采用正则化来增加内部不变特征和互不相同特征之间的差异；根据同源不确定性对多域泛化任务损失进行加权，确保不同任务输出之间的一致性；根据振动信号输出滚动轴承剩余使用寿命结果；本发明通过减少特征的变异性、增强特征的表征能力以及保持任务输出的一致性，有效地提高了滚动轴承剩余使用寿命预测的准确率。
-
公开(公告)号：CN116680643A
公开(公告)日：2023-09-01
申请号：CN202310676113.2
申请日：2023-06-08
Applicant: 重庆邮电大学
IPC: G06F18/2433 , G06F18/2321 , G06F18/213 , G06N3/048 , G06N3/0455 , G06N3/0895
Abstract: 本发明属于机械异常检测领域，涉及一种深度对比学习与密度聚类结合的异常检测方法；该方法包括利用对比学习提取原始数据所包含的高维特征信息；利用t‑SNE将高维特征信息转化至低维特征空间；根据最小突变距离方法确定DBSCAN聚类半径；利用DBSCAN对低维特征空间中异于正常样本的数据进行识别，实现故障检测。本发明有效避免了传统故障检测方法过度依赖人工经验、过程繁琐等问题，对比学习和t‑SNE将原始数据映射至低维特征空间，两者相结合可以使高维数据在低维空间中依然可以保留高维空间所包含的特征信息，最小突变距离的参数设置方法可以实现根据数据特征自动设置参数，DBSCAN可以实现对空间中的异常样本自动检测。
-
Patent Agency Ranking
公开(公告)号：CN116010818A
公开(公告)日：2023-04-25
申请号：CN202310065639.7
申请日：2023-01-13
Applicant: 重庆邮电大学工业互联网研究院
IPC: G06F18/214 , G06F18/241 , G06N3/084 , G06F18/213
Abstract: 本发明属于齿轮箱故障诊断技术领域，具体涉及一种基于边界增强原型网络的齿轮箱故障诊断方法；该方法包括：获取齿轮箱历史故障数据并划分为训练集和测试集；对训练集进行故障特征提取；采用具有时序学习能力的时序注意力模块处理故障特征，得到关键时序特征；根据关键时序特征计算类原型；根据类原型和关键时序特征的分布信息计算近邻边界度量损失；判断齿轮箱故障类别并计算分类损失；根据度量损失和分类损失计算总损失并优化网络参数，得到训练好的边界增强原型网络；将测试集中输入训练好的边界增强原型网络中，得到齿轮箱故障诊断结果；本发明可提取故障状态更敏感的关键时序特征，修正度量空间中的特征分布，提高齿轮箱的故障诊断精度。
-
公开(公告)号：CN114739659A
公开(公告)日：2022-07-12
申请号：CN202210456304.3
申请日：2022-04-28
Applicant: 重庆邮电大学
Abstract: 本发明涉及齿轮箱状态监测技术，具体为基于特征粒度对齐的变工况下齿轮箱故障诊断方法及装置。所述方法包括采集不同工况下的轴承振动数据并预处理；利用特征提取器分别提取源域数据和目标域数据特征，并计算得到两种领域之间的CMMD和FMMD，以及CFMMD；利用分类器生成源域数据的预测标签；计算出其原始标签与预测标签之间的预测损失，根据CFMMD计算出距离损失；以最小化损失和为目标函数，训练深度卷积神经网络模型；利用训练后的特征提取器提取出目标域数据特征，利用训练后的分类器对目标域数据特征进行处理，预测得到目标域数据的故障类型。本发明提高了旋转机械变工况的故障诊断效率和准确率。
-
公开(公告)号：CN114663012A
公开(公告)日：2022-06-24
申请号：CN202210240722.9
申请日：2022-03-10
Applicant: 重庆邮电大学
Abstract: 本发明属于区块链技术与生产物流技术领域，提出了一种基于区块链的生产物流管理系统及方法。所述系统由分布式的仓储节点、运输节点以及MEC节点进行管理并通过物联网网络互联，各个节点之间基于区块链技术互相提供去中心化的物流服务，利用智能合约完成交互和利益安全交割；当仓储节点发布运输服务请求时，签有智能合约的运输节点根据各自情况与仓储节点博弈后，确定出最后的运输服务提供节点提供运输服务；当运输节点发布计算服务请求时，靠近运输节点的MEC节点提供计算任务，并获得相应收益。本发明与传统的生产物流管理系统相比，具备了分布式存储、高安全可靠性、易追溯等优势。
-
公开(公告)号：CN111601119A
公开(公告)日：2020-08-28
申请号：CN202010423268.1
申请日：2020-05-19
Applicant: 重庆邮电大学
IPC: H04N21/274 , H04N21/2668 , H04N21/41 , H04N21/81 , H04N21/443 , H04N21/226
Abstract: 本发明涉及一种网络化多臂旋转LED图文显示系统及方法，属于计算机领域。该系统由两部分组成：服务器端和客户机端。服务器端分为文件传输系统和数据库系统，可提供图片传输的功能，支持手机等移动端进行图片、视频的上传；客户机端包括旋转显示模块、数据接收与解析模块、电源模块、电机驱动模块和MCU模块，用于从服务器端接收图片、视频信息并转化为LED灯开关控制信号完成显示。整个系统的工作流程为：在服务器端传入待显示的图片或者视频，经过解析计算之后打包成显示信息传送给客户机，客户机将显示信息转化为网络化图文显示系统的驱动信息，并最终呈现显示效果。本发明显示效果良好、操控方便、直观、趣味性强，适用于立体化的显示场景。
-
公开(公告)号：CN111562109A
公开(公告)日：2020-08-21
申请号：CN202010423267.7
申请日：2020-05-19
Applicant: 重庆邮电大学
IPC: G01M13/045 , G06N20/00
Abstract: 本发明涉及一种机械设备深度学习状态识别与诊断方法，属于故障诊断领域。针对机械设备状态监测与诊断这一问题，首先，对监控的振动信号数据进行时频变换得到信号时频幅值谱。其次，对多个自编码器以及Softmax分类器进行堆栈构成深度自编码神经网络，在代价函数中加入网络参数非负约束限制项，利用训练样本数据对深度自编码网络进行训练和参数优化。利用深度非负自编码网络模型对实时监控数据进行状态识别与诊断分析，得到具体的分类识别结果。最后使用试验平台上测取的真实数据进行验证，验证结果说明该方法能有效的进行状态监测与诊断。
-
-
-
-
-
-
-
-
-
Search Results
70
records
(took 0.03 seconds)
