-
公开(公告)号：CN117076992A
公开(公告)日：2023-11-17
申请号：CN202311332419.2
申请日：2023-10-16
Applicant: 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) , 中冶建筑研究总院有限公司
IPC: G06F18/24 , G06F30/23 , G06F18/2136
Abstract: 本发明提供了一种基于信号处理的结构构件损伤检测方法及系统，通过预先构建出损伤特征字典矩阵，将各位置上表达各种损伤程度的振动数据频域值预先表达出来，然后将采集的振动信号进行稀疏表达向量，利用数学方法将结构动力响应转换到稀疏域进行损伤的识别。本申请将结构测量问题转化为特征识别问题，通过计算最小化残差，使特征向量的稀疏表达向量尽可能的与采集信号的特征向量一致，再将残差最小的稀疏表达向量映射到结构构件的损伤特征字典矩阵，从而判别得到结构构件的损伤情况。使用本方法可以规避现有技术的缺陷，快速准确识别出结构损伤的位置损伤类型、位置和程度，具有信息需求少、抗噪声强、计算高效的优点。
-
公开(公告)号：CN117076992B
公开(公告)日：2024-01-19
申请号：CN202311332419.2
申请日：2023-10-16
Applicant: 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) , 中冶建筑研究总院有限公司
IPC: G06F18/24 , G06F30/23 , G06F18/2136
Abstract: 本发明提供了一种基于信号处理的结构构件损伤检测方法及系统，通过预先构建出损伤特征字典矩阵，将各位置上表达各种损伤程度的振动数据频域值预先表达出来，然后将采集的振动信号进行稀疏表达向量，利用数学方法将结构动力响应转换到稀疏域进行损伤的识别。本申请将结构测量问题转化为特征识别问题，通过计算最小化残差，使特征向量的稀疏表达向量尽可能的与采集信号的特征向量一致，再将残差最小的稀疏表达向量映射到结构构件的损伤特征字典矩阵，从而判别得到结构构件的损伤情况。使用本方法可以规避现有技术的缺陷，快速准确识别出结构损伤的位置损伤类型、位置和程度，具有信息需求少、抗噪声强、计算高效的优点。
-
公开(公告)号：CN111475615B
公开(公告)日：2023-06-20
申请号：CN202010168893.6
申请日：2020-03-12
Applicant: 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院)
IPC: G06F16/33 , G06F18/214 , G06Q50/00
Abstract: 本发明提供了一种情感增强的细粒度情感预测方法，包括执行以下步骤：步骤1：根据方面词语或属性的特性对数据进行扩建；步骤2：结合对抗训练构造细粒度情感分析对抗网络模型，并且通过共享特征提取器提取所有训练样本的共通情感特征；步骤3：将提取到的共通情感特征和特定方面的情感特征相结合来构造对抗训练多任务学习网络框架，协助模型对数据样本缺乏文本进行细粒度情感识别。本发明的有益效果是：1.本发明所提出的对抗训练多任务学习框架能通过特征提取器和判别器共同学习提取到的共享特征来协助细粒度情感分类模型对输入文本进行细粒度情感预测；2.本发明基于这种对抗训练和多任务学习方法，可以增强数据集不同方面的情感特征表示。
-
Patent Agency Ranking
公开(公告)号：CN111475615A
公开(公告)日：2020-07-31
申请号：CN202010168893.6
申请日：2020-03-12
Applicant: 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院)
Abstract: 本发明提供了一种情感增强的细粒度情感预测方法，包括执行以下步骤：步骤1：根据方面词语或属性的特性对数据进行扩建；步骤2：结合对抗训练构造细粒度情感分析对抗网络模型，并且通过共享特征提取器提取所有训练样本的共通情感特征；步骤3：将提取到的共通情感特征和特定方面的情感特征相结合来构造对抗训练多任务学习网络框架，协助模型对数据样本缺乏文本进行细粒度情感识别。本发明的有益效果是：1.本发明所提出的对抗训练多任务学习框架能通过特征提取器和判别器共同学习提取到的共享特征来协助细粒度情感分类模型对输入文本进行细粒度情感预测；2.本发明基于这种对抗训练和多任务学习方法，可以增强数据集不同方面的情感特征表示。
-
公开(公告)号：CN110018097B
公开(公告)日：2023-10-20
申请号：CN201910238570.7
申请日：2019-03-27
Applicant: 哈尔滨工业大学(深圳)
IPC: G01N15/08
Abstract: 本发明提供了一种多层可拆卸制样取样的双向土体渗流试验装置，包括渗流模型箱、渗流试验加载装置、渗流试验传感监测系统和渗流试验控制系统，所述渗流试验控制系统分别与所述渗流试验加载装置、渗流试验传感监测系统连接，所述渗流试验加载装置、渗流试验传感监测系统分别与所述渗流模型箱连接。本发明还提供了一种根据多层可拆卸制样取样的双向土体渗流试验装置的测试方法。本发明的有益效果是：具有可拆卸的，灵活的，方便的等优点，而且采用多层可拆卸制样取样和双向土体渗流加载试，克服了传统的土体渗流试验方法中土体均匀单一，加载量程较小，模拟渗流工况单一，以及无法研究渗流土体原状结构特点等问题。
-
公开(公告)号：CN110018097A
公开(公告)日：2019-07-16
申请号：CN201910238570.7
申请日：2019-03-27
Applicant: 哈尔滨工业大学(深圳)
IPC: G01N15/08
Abstract: 本发明提供了一种多层可拆卸制样取样的双向土体渗流试验装置，包括渗流模型箱、渗流试验加载装置、渗流试验传感监测系统和渗流试验控制系统，所述渗流试验控制系统分别与所述渗流试验加载装置、渗流试验传感监测系统连接，所述渗流试验加载装置、渗流试验传感监测系统分别与所述渗流模型箱连接。本发明还提供了一种根据多层可拆卸制样取样的双向土体渗流试验装置的测试方法。本发明的有益效果是：具有可拆卸的，灵活的，方便的等优点，而且采用多层可拆卸制样取样和双向土体渗流加载试，克服了传统的土体渗流试验方法中土体均匀单一，加载量程较小，模拟渗流工况单一，以及无法研究渗流土体原状结构特点等问题。
-
公开(公告)号：CN114564878B
公开(公告)日：2022-10-28
申请号：CN202111674213.9
申请日：2021-12-31
Applicant: 哈尔滨工业大学(深圳)
IPC: G06F30/27 , G06N3/04 , G06N3/08 , G06F119/14
Abstract: 本发明公开了一种基于图神经网络的结构动力学模型的生成方法，所述方法包括：确定目标结构，获取所述目标结构的结构响应数据和拓扑信息；根据所述结构响应数据和所述拓扑信息对预设的人工神经网络进行训练；将训练后的所述人工神经网络作为所述目标结构对应的结构动力学模型。应用本发明生成的结构动力学模型可以计算(预测)结构的动力学响应。本发明通过将目标结构的拓扑信息引入深度学习网络的框架之中，可以在不失去深度学习网络对于目标结构的物理特征的提取能力的同时，一定程度上提高模型的泛化能力，实现人工神经网络模型在不同拓扑结构中的转换。解决了现有技术中用于模拟结构动力学的深度学习网络泛化能力差的问题。
-
公开(公告)号：CN114564878A
公开(公告)日：2022-05-31
申请号：CN202111674213.9
申请日：2021-12-31
Applicant: 哈尔滨工业大学(深圳)
IPC: G06F30/27 , G06N3/04 , G06N3/08 , G06F119/14
Abstract: 本发明公开了一种基于图神经网络的结构动力学模型的生成方法，所述方法包括：确定目标结构，获取所述目标结构的结构响应数据和拓扑信息；根据所述结构响应数据和所述拓扑信息对预设的人工神经网络进行训练；将训练后的所述人工神经网络作为所述目标结构对应的结构动力学模型。应用本发明生成的结构动力学模型可以计算(预测)结构的动力学响应。本发明通过将目标结构的拓扑信息引入深度学习网络的框架之中，可以在不失去深度学习网络对于目标结构的物理特征的提取能力的同时，一定程度上提高模型的泛化能力，实现人工神经网络模型在不同拓扑结构中的转换。解决了现有技术中用于模拟结构动力学的深度学习网络泛化能力差的问题。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.029 seconds)
