-
公开(公告)号：CN113688171B
公开(公告)日：2022-05-10
申请号：CN202110974801.8
申请日：2021-08-24
IPC: G06F16/2458 , G06N3/04 , G06N3/08 , G06Q10/00 , G06Q50/30
Abstract: 本发明涉及一种基于图卷积神经网络的列车制动故障检测方法及系统，方法包括：获取列车制动故障数据以及各监测器之间的连接关系，根据所述列车制动故障数据和所述连接关系构建列车制动故障样本集；根据所述各监测器之间的连接关系构建标准邻接矩阵；根据所述列车制动故障数据构建自适应邻接矩阵；根据所述标准邻接矩阵和所述自适应邻接矩阵构建列车制动故障检测模型；利用所述列车制动故障样本集对所述列车制动故障检测模型进行训练，得到训练好的列车制动故障检测模型；利用训练好的列车制动故障检测模型进行列车制动故障检测。本发明能有效检测出列车运行过程中所发生的制动故障及其故障类型，从而保证了列车运行的安全性和可靠性。
-
公开(公告)号：CN113688171A
公开(公告)日：2021-11-23
申请号：CN202110974801.8
申请日：2021-08-24
IPC: G06F16/2458 , G06N3/04 , G06N3/08 , G06Q10/00 , G06Q50/30
Abstract: 本发明涉及一种基于图卷积神经网络的列车制动故障检测方法及系统，方法包括：获取列车制动故障数据以及各监测器之间的连接关系，根据所述列车制动故障数据和所述连接关系构建列车制动故障样本集；根据所述各监测器之间的连接关系构建标准邻接矩阵；根据所述列车制动故障数据构建自适应邻接矩阵；根据所述标准邻接矩阵和所述自适应邻接矩阵构建列车制动故障检测模型；利用所述列车制动故障样本集对所述列车制动故障检测模型进行训练，得到训练好的列车制动故障检测模型；利用训练好的列车制动故障检测模型进行列车制动故障检测。本发明能有效检测出列车运行过程中所发生的制动故障及其故障类型，从而保证了列车运行的安全性和可靠性。
-
公开(公告)号：CN102790878B
公开(公告)日：2015-02-18
申请号：CN201110403133.X
申请日：2011-12-07
Applicant: 北京邮电大学
IPC: H04N19/109 , H04N19/11 , H04N19/176 , H04N19/147 , H04N19/30
Abstract: 本发明公开了一种视频编码的编码模式选择方法及装置，属于视频编码领域。所述方法包括：当前帧是I帧时，对当前I帧的增强层进行预测编码，得到帧内最优编码模式；当前帧不是I帧时，根据编码量化步长和当前帧的前一个I帧的图像的相对复杂度计算得到当前最佳编码模式的提前终止条件，如果当前最佳编码模式的率失真代价满足提前终止条件，则将当前待检验编码模式作为帧间最优编码模式。本发明分别针对帧间、帧内编码的模式选择进行了优化，帧间模式选择则使用前一个I帧的图像相对复杂度结合编码量化步长确定提前终止条件，能够快速选择编码模式，并且能够自适应编码参数变化，能够有效提高编码速度，保证编码效率。
-
公开(公告)号：CN109948152B
公开(公告)日：2020-07-17
申请号：CN201910168386.X
申请日：2019-03-06
Applicant: 北京工商大学
IPC: G06F40/232 , G06F40/253 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于LSTM的中文文本语法纠错模型的方法，首先收集大量的中文文本语料用以计算5‑gram语言模型，保存的语言模型将会用作数据处理过程和模型输出的结果选择，然后收集语法纠错平行语料数据，语法纠错平行语料数据用作训练LSTM神经网络模型，实现模型对错误句子到正确句子的序列翻译过程；其次用保存好的5‑gram语言模型对平行语料数据进行预处理，修改掉明显的错误，最后构建LSTM神经网络并用预处理后的数据进行训练，训练结束保存网络参数，并用已训练好的网络，输出语法正确的文本序列。本发明数据容易获取，过程简单有效，LSTM神经网络自动抽取抽象特征，完成语法纠错任务，算法效率和准确度都相对较高，应用于中文学习过程和语音识别后端处理。
-
公开(公告)号：CN102790878A
公开(公告)日：2012-11-21
申请号：CN201110403133.X
申请日：2011-12-07
Applicant: 北京邮电大学
Abstract: 本发明公开了一种视频编码的编码模式选择方法及装置，属于视频编码领域。所述方法包括：当前帧是I帧时，对当前I帧的增强层进行预测编码，得到帧内最优编码模式；当前帧不是I帧时，根据编码量化步长和当前帧的前一个I帧的图像的相对复杂度计算得到当前最佳编码模式的提前终止条件，如果当前最佳编码模式的率失真代价满足提前终止条件，则将当前待检验编码模式作为帧间最优编码模式。本发明分别针对帧间、帧内编码的模式选择进行了优化，帧间模式选择则使用前一个I帧的图像相对复杂度结合编码量化步长确定提前终止条件，能够快速选择编码模式，并且能够自适应编码参数变化，能够有效提高编码速度，保证编码效率。
-
Patent Agency Ranking
-
-
-
-
公开(公告)号：CN109918666B
公开(公告)日：2024-03-15
申请号：CN201910168357.3
申请日：2019-03-06
Applicant: 北京工商大学
IPC: G06F40/253 , G06F40/289 , G06F16/33 , G06N3/02 , G06N3/08
Abstract: 本发明提出一种基于神经网络的中文标点符号添加方法，包括以下步骤：构造标点符号添加的训练数据集、基于神经网络构建中文标点符号添加方法、利用标点符号训练数据集来训练神经网络、利用训练好的神经网络对中文标点符号进行恢复、勘误；本发明从大数据出发，构建深度神经网络模型来对中文标点符号恢复、勘误，突破了传统的大量人工检测的局限，神经网络在大量训练集一经训练完成，就可以对各种题材的文本进行标点符号的恢复勘误，经大量文本训练过后的神经网络，标点符号预测的准确率在95％以上，精确率在85％以上，召回率在85％以上，f1值在85％以上，符合工业要求水平，本发明可应用于对语音合成文字后的文本进行标点符号勘误。
-
-
-
-
-
-
-
-
-
Search Results
60
records
(took 0.036 seconds)
