公开(公告)号：CN113138080B

公开(公告)日：2022-06-03

申请号：CN202110434424.9

申请日：2021-04-22

Applicant: 东北大学

Inventor： 宁婧宇 ,  谭振华

IPC: G01M13/045 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明提供一种基于振动孪生与极限学习的滚动轴承智能故障诊断方法，涉及工业故障诊断技术领域。针对滚动轴承振动信号，首先提取时域特征构建时域特征集合，然后从时域特征集合中选择最优时域特征子集以生成滚动轴承振动孪生模型，将滚动轴承振动信号转化为特征向量；选择极限学习机作为分类器，将振动信号的特征向量作为输入，使用伪随机序列来代替极限学习机中的随机输入权重矩阵，同时省略极限学习机的偏置向量，得到改进的极限学习机，实现对滚动轴承的故障诊断；在相同的诊断环境下，输入权重矩阵只需生成一次，在后续诊断中可反复使用。该方法采用振动孪生与极限学习相结合的方法，在保证准确性的前提下，提升了诊断速度。

公开(公告)号：CN116486812A

公开(公告)日：2023-07-25

申请号：CN202310295664.4

申请日：2023-03-24

Applicant: 东北大学

Inventor： 谭振华 ,  吴晓儿 ,  宁婧宇 ,  茹禹然

IPC: G10L15/25 ,  G10L13/08 ,  G10L13/02

Abstract: 本发明提供一种基于语料关系的多领域唇语识别样本自动生成方法及系统，涉及唇语识别技术领域。该方法包括以下步骤：采集数据，预处理后保存为初始语料；构建语料库，基于基础词典与相关领域专用词典处理所述语料，形成领域语料库；合成语音，对语料库中各文本生成语音样本；生成唇形，结合数字人脸与语音文件，智能输出对应数字唇形；注释标签与生成数据库，对数字唇形进行标签标注，形成唇形数据集；语料库增量更新，从而建立能够动态扩充且领域化的唇形数据集。该方法解决了以往自建唇语数据集工作量大、效率低下的问题，大幅度提高唇形模型的样本数量与类别多样性，从而有效提升唇语识别模型的泛化能力。

公开(公告)号：CN116246330A

公开(公告)日：2023-06-09

申请号：CN202310246960.5

申请日：2023-03-15

Applicant: 东北大学

Inventor： 谭振华 ,  高硕 ,  侯冰倩 ,  宁婧宇

IPC: G06V40/16 ,  G06V10/26 ,  G06V10/82

Abstract: 本发明提供一种基于水平金字塔匹配的细粒度人脸年龄估计方法，涉及图像分类技术领域。该方法针对不同背景下的人脸图像，首先利用人脸检测算法检测出图像中人脸的位置，然后将人脸图像输入到残差网络模型Resnet50中得到年龄特征图，并在年龄特征图上进行不同金字塔尺度的水平切分，得到多个特征切片，最后在每个特征切片上分别进行全局平均池化和全局最大池化来获得人脸整体的年龄特征和局部年龄特征，完成人脸年龄估计。该方法解决了面部年龄全局特征和局部细粒度特征的结合问题，并实现了人脸的整体年龄特征和局部最具识别力的细粒度特征提取。

公开(公告)号：CN115830679A

公开(公告)日：2023-03-21

申请号：CN202211519118.6

申请日：2022-11-30

Applicant: 东北大学

Inventor： 罗佳媛 ,  李锂 ,  谭振华 ,  贾志亮 ,  宁婧宇 ,  岳茗

IPC: G06V40/16 ,  G06V10/764 ,  G06N3/098 ,  G06F21/62

Abstract: 本发明提供一种基于秘密共享与联邦学习的人脸识别方法，涉及人脸识别技术领域。该方法包括秘密共享构件与联邦学习构件。针对无约束人脸图片，首先在模型训练过程中，利用联邦学习构件训练特征提取器与人脸分类器，当客户端将模型参数上传到服务器时，使用差分隐私的方法对参数加入噪声；同时利用秘密共享构件的分发算法，将人脸图像分发为多个影子图像并存储于影子数据库中；其次在人脸识别过程中，利用联邦学习构件训练好的特征提取器与分类器，寻找相似度最高的人脸id，在一定数量的影子数据库中检索对应的影子图像，根据秘密共享构件的恢复算法，恢复人脸图像并回显。本发明实现了人脸识别对隐私安全性与人脸识别可用性的要求。

公开(公告)号：CN113138080A

公开(公告)日：2021-07-20

申请号：CN202110434424.9

申请日：2021-04-22

Applicant: 东北大学

Inventor： 宁婧宇 ,  谭振华

IPC: G01M13/045 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明提供一种基于振动孪生与极限学习的滚动轴承智能故障诊断方法，涉及工业故障诊断技术领域。针对滚动轴承振动信号，首先提取时域特征构建时域特征集合，然后从时域特征集合中选择最优时域特征子集以生成滚动轴承振动孪生模型，将滚动轴承振动信号转化为特征向量；选择极限学习机作为分类器，将振动信号的特征向量作为输入，使用伪随机序列来代替极限学习机中的随机输入权重矩阵，同时省略极限学习机的偏置向量，得到改进的极限学习机，实现对滚动轴承的故障诊断；在相同的诊断环境下，输入权重矩阵只需生成一次，在后续诊断中可反复使用。该方法采用振动孪生与极限学习相结合的方法，在保证准确性的前提下，提升了诊断速度。