-
Patent Agency Ranking
公开(公告)号：CN118747691A
公开(公告)日：2024-10-08
申请号：CN202410696381.5
申请日：2024-05-31
Applicant: 华南理工大学
IPC: G06Q50/06 , G06Q10/04 , G06N3/0442 , G06N3/045 , G06N3/0475 , G06N3/0985 , G06N3/006
Abstract: 本发明公开了一种基于TimeGAN‑IGWO‑LSTM的区域集中供热系统热负荷预测方法。该方法包括：采集区域集中供热系统的热负荷数据并进行预处理，包括异常值剔除、插补和归一化；衡量各负荷影响因素的相关性，确定输入变量和输入维度；基于TimeGAN模型进行数据增强；将原数据及数据增强生成的数据输入LSTM神经网络进行训练，并采用改进灰狼优化算法对LSTM的超参数进行寻优；利用寻优确定超参数的LSTM进行热负荷预测。本发明利用TimeGAN进行数据增强，有利于降低预测模型过拟合的风险，提升模型预测精度。此外本发明通过惯性权值以增加迭代初期的全局搜索能力和迭代后期的局部搜索能力，平衡和限制全局搜索与局部搜索，确保收敛到最优解。
-
公开(公告)号：CN110930514B
公开(公告)日：2021-08-10
申请号：CN201911152843.2
申请日：2019-11-22
Applicant: 华南理工大学
Abstract: 本发明公开了一种基于局部区域特征的三维网格模型自适应简化方法，包括步骤：1)从三维模型数据集构建局部区域数据集；2)训练MLP分类网络：利用局部区域数据集训练一个基于局部区域特征和简化率的分类网络；3)计算顶点法线偏差阈值：定义分类结果和顶点法线偏差阈值间的函数关系，利用分类结果计算顶点法线偏差阈值。本发明提出了一种基于三维网格模型拓扑结构的局部区域提取方法，利用MLP来对区域特征训练分类器，简化时，对各个局部区域分类并用分类结果指导局部区域顶点设置法线偏差阈值，即对局部区域设置不同的简化终止条件，避免了对模型设置统一的简化率，实现自适应简化，获得更高的简化率。
-
公开(公告)号：CN110349087B
公开(公告)日：2021-02-12
申请号：CN201910609314.4
申请日：2019-07-08
Applicant: 华南理工大学
Abstract: 本发明公开了一种基于适应性卷积的RGB‑D图像高质量网格生成方法，包括步骤：1)构建训练数据集；2)数据扩增和归一化；3)构建适应卷积层；4)构建深度图像补全网络和超分辨率网络并进行训练；5)将测试数据依次输入两个训练好的网络中，输出修补好的高分辨率图片并进一步转化成高质量网格。本发明构建的数据集弥补了当前在深度图像补全领域缺乏高质量的大规模的数据集的问题；使用编码解码结构以及跨层连接结构，能够有效将数据中的低层特征和高层特征融合起来，同时避免了参数的冗余；使用适应性卷积结构能有效解决当前方法难以产生高质量的完整的深度图像的问题。本发明能解决当前kinect获取到的数据精度低，缺失区域大的问题。
-
公开(公告)号：CN110930514A
公开(公告)日：2020-03-27
申请号：CN201911152843.2
申请日：2019-11-22
Applicant: 华南理工大学
Abstract: 本发明公开了一种基于局部区域特征的三维网格模型自适应简化方法，包括步骤：1)从三维模型数据集构建局部区域数据集；2)训练MLP分类网络：利用局部区域数据集训练一个基于局部区域特征和简化率的分类网络；3)计算顶点法线偏差阈值：定义分类结果和顶点法线偏差阈值间的函数关系，利用分类结果计算顶点法线偏差阈值。本发明提出了一种基于三维网格模型拓扑结构的局部区域提取方法，利用MLP来对区域特征训练分类器，简化时，对各个局部区域分类并用分类结果指导局部区域顶点设置法线偏差阈值，即对局部区域设置不同的简化终止条件，避免了对模型设置统一的简化率，实现自适应简化，获得更高的简化率。
-
公开(公告)号：CN110349087A
公开(公告)日：2019-10-18
申请号：CN201910609314.4
申请日：2019-07-08
Applicant: 华南理工大学
Abstract: 本发明公开了一种基于适应性卷积的RGB-D图像高质量网格生成方法，包括步骤：1)构建训练数据集；2)数据扩增和归一化；3)构建适应卷积层；4)构建深度图像补全网络和超分辨率网络并进行训练；5)将测试数据依次输入两个训练好的网络中，输出修补好的高分辨率图片并进一步转化成高质量网格。本发明构建的数据集弥补了当前在深度图像补全领域缺乏高质量的大规模的数据集的问题；使用编码解码结构以及跨层连接结构，能够有效将数据中的低层特征和高层特征融合起来，同时避免了参数的冗余；使用适应性卷积结构能有效解决当前方法难以产生高质量的完整的深度图像的问题。本发明能解决当前kinect获取到的数据精度低，缺失区域大的问题。
-
-
-
-
Search Results
5
records
(took 0.018 seconds)
