-
公开(公告)号：CN117649579B
公开(公告)日：2024-09-20
申请号：CN202311550625.0
申请日：2023-11-20
Applicant: 南京工业大学
IPC: G06V10/80 , G06V10/82 , G06V10/774 , G06F18/10 , G06F18/213 , G06V10/40 , G06F17/11
Abstract: 本发明公开了基于注意力机制的多模态融合地面污迹识别方法及系统包括，获取地面污迹多模态数据，并对地面污迹多模态数据进行预处理，得到多模态数据集；构建基于注意力机制的多模态融合神经网络模型，多模态融合神经网络模型包括地面图像数据特征提取网络，气体浓度数据特征提取网络，基于注意力机制的多模态特征融合网络和决策网络；将多模态数据集输入基于注意力机制的多模态融合神经网络模型中进行训练；对训练好的模型输入地面污迹实时多模态信息，根据模型输出获取地面污迹的识别结果。本发明能够有效地识别颜色相近或透明的地面污迹，对地面纹理等要求较低，且细粒度识别较高。
-
公开(公告)号：CN116108344A
公开(公告)日：2023-05-12
申请号：CN202310005827.0
申请日：2023-01-04
Applicant: 南京工业大学
IPC: G06F18/213 , G06F18/2411 , G06N20/10
Abstract: 本发明提出了一种基于滚动特征时域的DRN‑SVM预测控制性能退化根源诊断方法，属于机器学习及目标分类领域，包括如下步骤：步骤1：通过Wood‑Berry精馏塔仿真模型获得预测控制器性能退化模式状态下的历史数据作为训练集；步骤2：基于滚动特征时域滚动推进，通过深度残差网实现动态特征提取；步骤3：构建DRN‑SVM分类模型；步骤4：训练DRN‑SVM分类模型，预测控制性能退化诊断模型；步骤5：确定导致预测控制器性能退化的因素。本发明实现了捕捉复杂工业过程数据动态时序特征的同时又能够充分挖掘工业过程数据的数据特征，进而提高了预测控制器性能退化根源诊断的精度。
-
公开(公告)号：CN119046880A
公开(公告)日：2024-11-29
申请号：CN202411163790.5
申请日：2024-08-23
Applicant: 南京工业大学
IPC: G06F18/25 , G06N3/0464 , G06N3/08 , G06F11/34
Abstract: 本发明公开了一种基于时频域特征融合的服务器能耗预测方法，包括获取数据中心影响服务器能耗增加的不同传感器数据；对传感器采集到的不同历史时间序列数据进行预处理后得到训练样本；构建基于时频域特征融合的服务器能耗预测模型；该能耗预测模型包括时域全局提取网络、频域局部提取网络和特征融合网络三部分；将样本集划分为训练集和验证集，利用训练集训练构建好的模型，利用验证集来验证训练结果；将实时采集的数据中心服务器的能耗数据输入训练好的模型中，得到最终的能耗预测结果。本发明确保预测数据中心服务器产生的能耗更加准确，能够合理调整数据中心制冷系统的温度，使服务器保持在适宜的温度下运行，避免过度制冷造成大量能源浪费。
-
公开(公告)号：CN117952956A
公开(公告)日：2024-04-30
申请号：CN202410264765.X
申请日：2024-03-08
Applicant: 南京工业大学
IPC: G06T7/00 , B23K9/095 , G06V10/44 , G06V10/764 , G06V10/766 , G06V10/82 , G06N3/084 , G06N3/096 , G06N3/045 , G06N3/0464
Abstract: 本发明公开了一种基于对数似然估计的焊缝熔深预测方法，包括制备正面与背面图像焊接熔池图像数据集；制备熔宽回归标签与分类标签；构建基于深度学习的焊缝熔深分类模型与回归模型；两个模型的网络骨干相同；使用正面图像和分类标签训练焊缝熔深分类模型，采用梯度下降算法最小化交叉熵损失迭代更新网络模型得到网络骨干的预训练权重参数；使用正面图像和回归标签训练加载预训练权重的回归模型，采用对数似然的概念定义焊缝熔深预测任务的损失函数得到训练后的权重参数；将正面图像输入加载训练后的权重参数的回归模型得到熔池深度。本发明可应用于各种回归模型，在不增加额外模型参数推理时间的基础上，提高焊缝熔深预测任务中熔深的预测精度。
-
公开(公告)号：CN117935988A
公开(公告)日：2024-04-26
申请号：CN202410099015.1
申请日：2024-01-24
Applicant: 南京工业大学
Abstract: 本发明公开了基于支持向量回归的再生粗骨料混凝土抗压强度预测方法，具体包括以下步骤：步骤一、样本采集；步骤二、模型搭建；步骤三、模型评估；本发明涉及再生混凝土抗压强度预测技术领域。该基于支持向量回归的再生粗骨料混凝土抗压强度预测方法，通过结合智能预测方法，以再生粗骨料混凝土配合比的原材料信息进行其抗压强度的预测，能够及时、快速预测到原材料变化对强度变化的影响，进而使原材料的使用更为准确、更节约，从而减少对资源的浪费以及对环境的破坏，进一步提高经济与社会效益，实现可持续发展。
-
Patent Agency Ranking
公开(公告)号：CN116401458A
公开(公告)日：2023-07-07
申请号：CN202310407725.1
申请日：2023-04-17
Applicant: 南京工业大学
IPC: G06F16/9535 , G06F17/16 , G06F17/11 , G06N7/08
Abstract: 本发明公开了基于Lorenz混沌自适应的推荐方法包括，定义电影推荐的评分预测问题；建立电影评分模型，建立模型超参数；求解最优超参数；将最优超参数代入电影评分模型的损失函数中，并将由评分矩阵分解的用户矩阵和电影矩阵进行初始化操作；迭代求解出最优的用户矩阵与电影矩阵；输出预测评分矩阵。本方法可以解决电影推荐系统中人为选定超参数初始化困难的问题，与传统方法相比，能够有效避免最优解为局部最小值的问题以及解决传统的推荐方法随着调优超参数的增多，网格搜索所消耗的计算资源和时间急剧增加且稳定性较差的问题，同时本方法还提出了一种自适应学习率的方法来满足每个电影评分条目对学习率的不同要求。
-
公开(公告)号：CN118395864A
公开(公告)日：2024-07-26
申请号：CN202410569547.7
申请日：2024-05-09
Applicant: 南京工业大学
Abstract: 本发明公开了基于数据‑物理融合驱动的焊接过程数字孪生方法及系统，包括搭建自动化焊接平台将焊接过程作为数字孪生系统的孪生对象；配置相应传感器收集焊接过程中的孪生数据；对孪生数据进行分析与处理，获得表征熔池演化的关键参数；使用孪生数据与表征熔池演化的关键参数结合高斯面热源模型，通过物理驱动的方法实现熔池演化的数字化还原；建立焊接过程的可视化界面作为数字孪生系统的服务接口，提供焊接过程与全过程参数的可视化。本发明基于孪生系统对焊接全过程数据充分利用，通过数据驱动与物理驱动相融合，数字化地还原熔池演化过程，增强焊接过程的可视性为实现焊接过程的感知与预测提供泛化的解决方案，可应用于多质量标准的制造场景。
-
公开(公告)号：CN116401458B
公开(公告)日：2024-01-09
申请号：CN202310407725.1
申请日：2023-04-17
Applicant: 南京工业大学
IPC: G06F16/9535 , G06F17/16 , G06F17/11 , G06N7/08
Abstract: 本发明公开了基于Lorenz混沌自适应的推荐方法包括，定义电影推荐的评分预测问题；建立电影评分模型，建立模型超参数；求解最优超参数；将最优超参数代入电影评分模型的损失函数中，并将由评分矩阵分解的用户矩阵和电影矩阵进行初始化操作；迭代求解出最优的用户矩阵与电影矩阵；输出预测评分矩阵。本方法可以解决电影推荐系统中人为选定超参数初始化困难的问题，与传统方法相比，能够有效避免最优解为局部最小值的问题以及解决传统的推荐方法随着调优超参数的增多，网格搜索所消耗的计算资源和时间急剧增加且稳定性较差的问题，同时本方法还提出了一种自适应学习率的方法来满足每个电影评分条目对学习率的不同要求。(56)对比文件崔佳旭;杨博.贝叶斯优化方法和应用综述.软件学报.2018,(10),第3068-3090页.Natarajan, Sivaramakrishnan 等.Optimized fuzzy-based grouprecommendation with parallelcomputation.JOURNAL OF INTELLIGENT &FUZZY SYSTEMS .2019,第4189-4199页.Roman Senkerik 等.Ensemble ofstrategies and perturbation parameterbased SOMA for optimal stabilization ofchaotic oscillations.ACM.2020,第1468–1475页.闫涛;刘凤娴;陈斌.基于量子混沌粒子群优化算法的分数阶超混沌系统参数估计.电子学报.2018,(02),第333-340页.魏倩茹;裴东.分数阶与整数阶混沌(超混沌)系统自适应广义矩阵同步.绵阳师范学院学报.2016,(02),第31-37页.
-
公开(公告)号：CN117115791A
公开(公告)日：2023-11-24
申请号：CN202311180264.5
申请日：2023-09-13
Applicant: 南京工业大学
IPC: G06V20/60 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于多分辨率深度特征学习的指针仪表读数识别方法，包括以下步骤：构建多分辨率形变卷积神经网络，确定网络的主干网络和关键点检测头；对仪表图像集中的每个仪表图像的仪表表征进行关键点标注，制作数据集；将预处理后的数据集输入多分辨率形变卷积神经网络进行训练得到可用于仪表表征关键点预测的多分辨率形变卷积神经网络；将巡检机器人的视屏帧输入已经训练好的网络中进而输出仪表的关键点坐标的预测结果；根据关键点坐标信息使用角度法得到仪表读数。本发明通过仪表的关键点进行读数识别，目标的简化和对空间有限范围的关注不仅有助于网络提供精确仪表读数而且能够大幅降低任务的复杂性。
-
公开(公告)号：CN118333232A
公开(公告)日：2024-07-12
申请号：CN202410589569.X
申请日：2024-05-13
Applicant: 南京工业大学
IPC: G06Q10/04 , G06Q50/06 , G06N3/0455 , G06N3/08 , H02J3/00
Abstract: 本发明公开了一种基于多变量时序信息交互的电力负荷预测方法，包括获取目标预测区域的电力系统的与电力负荷相关的历史电力时间序列数据；对历史电力时间序列数据进行预处理后得到训练样本；构建基于多变量时序信息交互的电力负荷预测模型；该电力负荷预测模型包括长周期信息提取网络、短周期信息提取网络以及双向残差注意力融合网络；将样本集分割为训练集与验证集，利用训练集训练模型，利用验证集来验证训练结果，得到训练好的模型；将实时采集的目标预测区域电力数据输入训练好的模型中进行预测，得到电力负荷预测结果。本发明提出的模型确保预测电力系统的电力负荷更加准确，将为电力系统的调控和管理提供更合理的决策支持。
-
-
-
-
-
-
-
-
-
Search Results
14
records
(took 0.035 seconds)
