-
公开(公告)号：CN114462448B
公开(公告)日：2024-12-17
申请号：CN202210047292.9
申请日：2022-01-17
Applicant: 哈尔滨理工大学
IPC: G06F18/241 , G06F18/10 , G06F18/22 , G06N3/006
Abstract: 本发明公开了一种基于改进极限学习机的水轮机运转状态识别方法，所述方法包括：对水轮机信号进行互补集合经验模态分解(Complementary ensemble empirical mode decomposition,CEEMD)获得IMF分量；引入皮尔逊相关系数计算各个IMF分量与水轮机信号的相似度，判断信号主导模态和噪声主导模态的分界点，用小波去噪对噪声主导模态降噪，并与其余的IMF分量重构得到去噪信号；对去噪后的信号进行分解，计算每个IMF分量的排列熵，构建特征向量；用基于模拟退火算法的粒子群算法(Simulated annealing algorithm‑Particle swarm optimization,SA‑PSO)优化极限学习机(Extreme learning machine,ELM)的方式，建立水轮机运转状态识别模型SA‑PSO‑ELM。本发明提供的方法能够有效识别水轮机运转状态，效果较好。
-
公开(公告)号：CN109409298A
公开(公告)日：2019-03-01
申请号：CN201811277052.8
申请日：2018-10-30
Applicant: 哈尔滨理工大学
Abstract: 一种基于视频处理的视线追踪方法属于计算机视觉领域；包括通过单摄像头采集人图像信息；用直方图均衡化增强所述人图像的对比度，进行双线性插值算法，放大图像，通过高斯滤波处理所有图像像素点，完成图像的预处理；对预处理后的图像用Haar-like矩形特征显示图像灰度变化，利用积分图算法计算区域像素和，通过AdaBoost算法进行人脸的检测与定位；根据“三庭五眼”的人脸比例，计算出眼睛位置；通过图像梯度算法确定出瞳孔中心；通过比较左右眼瞳孔中心与近眉心眼眶的距离来确定视线方向；本发明通过单摄像头获取图像信息，利用图像处理技术和算法来确定视线方向，有较高的准确率和较强的实时性，本发明解决了硬件要求高，用户体验差的技术问题。
-
公开(公告)号：CN111899750B
公开(公告)日：2022-06-14
申请号：CN202010743992.2
申请日：2020-07-29
Applicant: 哈尔滨理工大学
IPC: G10L21/0208 , G10L21/0232 , G10L25/30 , G06N3/08 , G06N3/04
Abstract: 本发明公开了联合耳蜗语音特征和跳变深层神经网络的语音增强算法，采用MMSE为前端的改进MRCG语音特征，通过比较不同特征作为网络输入的语音增强效果；分析DNN与Skip‑DNN滤除“音乐噪声”的能力，建立了联合改进MRCG和Skip‑DNN的语音增强模型，由实验可知，联合改进MRCG和Skip‑DNN的语音增强模型比MRACC与MRCG增强效果好；同时，在低信噪比与非平稳背景噪声环境中，Skip‑DNN滤除了部分“音乐噪声”，很好的拟合了改进MRCG与IRM之间复杂的非线性关系，提高低信噪比环境中语音增强效果，获得更清晰的语音特征，可有效提高语音可懂度和语音质量。
-
公开(公告)号：CN114462448A
公开(公告)日：2022-05-10
申请号：CN202210047292.9
申请日：2022-01-17
Applicant: 哈尔滨理工大学
Abstract: 本发明公开了一种基于改进极限学习机的水轮机运转状态识别方法，所述方法包括：对水轮机信号进行互补集合经验模态分解(Complementary ensemble empirical mode decomposition,CEEMD)获得IMF分量；引入皮尔逊相关系数计算各个IMF分量与水轮机信号的相似度，判断信号主导模态和噪声主导模态的分界点，用小波去噪对噪声主导模态降噪，并与其余的IMF分量重构得到去噪信号；对去噪后的信号进行分解，计算每个IMF分量的排列熵，构建特征向量；用基于模拟退火算法的粒子群算法(Simulated annealing algorithm‑Particle swarm optimization,SA‑PSO)优化极限学习机(Extreme learning machine,ELM)的方式，建立水轮机运转状态识别模型SA‑PSO‑ELM。本发明提供的方法能够有效识别水轮机运转状态，效果较好。
-
公开(公告)号：CN113707164A
公开(公告)日：2021-11-26
申请号：CN202111026177.5
申请日：2021-09-02
Applicant: 哈尔滨理工大学
Abstract: 一种深度神经网络，特别涉及一种改进多分辨率残差U型网络语音增强方法，为使得传统的多分辨率残差U型网络更加适用于时频域上的语音增强任务，针对其在解码阶段恢复出低信噪比下的语音细节的能力弱、容易造成语音特征丢失的问题进行改进，同时改变了卷积核的大小以适应语音信号转化到时频域后通常得到的语音特征图的尺寸是宽度远大于高度的特点，属于语音增强领域。本发明包括：S1、将纯净和带噪语音通过短时傅里叶变换得到两种语音信号的幅度谱；S2、以带噪语音幅度谱作为网络的输入，纯净语音幅度谱作为训练目标；通过改进的多分辨率残差U型网络拟合网络输入与训练目标之间的非线性关系，进而得到基于改进的多分辨率残差U型网络的语音增强模型；S3、通过STFT获取带噪语音的幅度谱；将其通过改进的多分辨率残差U型网络模型，即可得到目标语音的幅度谱；S4、将幅度谱与带噪语音相位结合，进行波形重建，重建后即可得到增强语音。
-
Patent Agency Ranking
公开(公告)号：CN106971706B
公开(公告)日：2020-06-26
申请号：CN201710224752.X
申请日：2017-04-07
Applicant: 哈尔滨理工大学
IPC: G10K11/16
Abstract: 本发明提供了一种基于广义类洛伦兹系统的噪声主动控制方法，该方法针对舰船辐射噪声声波能量的抑制问题，采用经典洛伦兹系统并在此系统上添加时滞反馈控制量和外激励，运用混沌动力学的判断方法得到对噪声的控制效果。对变形后的广义类洛伦兹系统，利用Matlab编程观测了其输出的动力学特性，包括相轨迹图、分岔图和李雅普诺夫指数图，给出了系统输出处于周期运动、拟周期运动或混沌运动状态的外激励幅值参数、频率参数及相应的参数范围，利用频谱曲线给出施加主动声源前后固定频率下的噪声源能量值及能量变化值，明确了不同声源作用下噪声的抑制效果。
-
公开(公告)号：CN106971706A
公开(公告)日：2017-07-21
申请号：CN201710224752.X
申请日：2017-04-07
Applicant: 哈尔滨理工大学
IPC: G10K11/16
Abstract: 本发明提供了一种基于广义类洛伦兹系统的噪声主动控制方法，该方法针对舰船辐射噪声声波能量的抑制问题，采用经典洛伦兹系统并在此系统上添加时滞反馈控制量和外激励，运用混沌动力学的判断方法得到对噪声的控制效果。对变形后的广义类洛伦兹系统，利用Matlab编程观测了其输出的动力学特性，包括相轨迹图、分岔图和李雅普诺夫指数图，给出了系统输出处于周期运动、拟周期运动或混沌运动状态的外激励幅值参数、频率参数及相应的参数范围，利用频谱曲线给出施加主动声源前后固定频率下的噪声源能量值及能量变化值，明确了不同声源作用下噪声的抑制效果。
-
公开(公告)号：CN107908863A
公开(公告)日：2018-04-13
申请号：CN201711123328.2
申请日：2017-11-14
Applicant: 哈尔滨理工大学
CPC classification number: G06F17/5009 , G06K9/00496 , G06K9/00516
Abstract: 本发明提出了一种基于EMD理论与HHT变换的水轮机运转状态判定方法，包括以下步骤：步骤1、利用压力传感器采集压力脉动信号；步骤2、对压力脉动信号进行降采样处理；步骤3、利用小波变换对降采样处理后的压力脉动信号进行去噪，获得压力脉动重构信号；步骤4、向压力脉动重构信号中加入已知频率的高频正弦信号，利用镜像延拓法确定压力脉动重构信号的新边界；步骤5、利用EMD分解法对压力脉动重构信号进行分解，得到各个IMF分量；步骤6、对EMD分解得到的各个IMF分量进行逐一Hilbert变换，得到压力脉动重构信号的瞬时能量谱；步骤7、根据瞬时能量谱进行水轮机运转状态的判定。本发明对于分析水轮机的运转的故障状态具有重要的意义。
-
公开(公告)号：CN118643725A
公开(公告)日：2024-09-13
申请号：CN202310234996.1
申请日：2023-03-13
Applicant: 哈尔滨理工大学
IPC: G06F30/27 , G06F18/25 , G06N3/0464 , G06N3/08 , G06N3/006 , G06Q10/04 , G06F111/04
Abstract: 本发明公开了一种基于深度学习的水轮机状态预测方法，所述方法包括：用果蝇优化算法(Fly optimizationalgorithm,FOA)优化变分模态分解(Variationalmodedecomposition,VMD)的本征模态函数(IntrinsicModeFunction,IMF)个数K和惩罚因子，用短时傅里叶变换(Short‑timeFouriertransform,STFT)验证参数优化的准确性，用参数优化的VMD分解水轮机信号；用峭度准则重构水轮机信号，用连续小波变换(Continuouswavelettransform,CWT)把重构水轮机信号转换为二维特征频谱图，再通过直方图均衡化对二维特征频谱图进行特征增强，获得特征增强之后的频谱图；最后，对深度残差网络(Deepresidualnetwork,ResNet)的卷积模块、残差模块、激活函数进行改进以获得改进的深度残差网络，再把改进的深度残差网络和迁移学习(Transferlearning,TL)结合起来，得到水轮机状态预测模型。用从国内某大电机研究所的混流式水轮机采集的水轮机数据做实验，确定了本发明公开的一种基于深度学习的水轮机状态预测方法，预测性能较好。
-
公开(公告)号：CN116540240A
公开(公告)日：2023-08-04
申请号：CN202310431527.9
申请日：2023-04-21
Applicant: 哈尔滨理工大学
Abstract: 在水下作战中，水下目标搜索方式通常采用平行线等固定搜索模式来规划搜索路径，寻求最佳的覆盖率。循环遍历的搜索方式虽然能够实现搜索全覆盖，但存在搜索效率不高的缺点。本发明将黄蜂群算法运用于水下作战的目标搜索中，结合栅格化地图，以水文条件为背景，提出了一种基于黄蜂群算法的水下目标搜索方法。该方法通过对待定搜索区域进行栅格化处理，然后利用声纳方程和水声传播模型RAM对水文环境条件进行计算和划分，再对搜索平台的动作空间进行定义，最后利用黄蜂群算法进行覆盖搜索。选用成功搜索概率(ProbabilityofSuccess,POS)和区域覆盖率作为评价指标，进行实验测试。研究表明，本方法与随机搜索方法和循环遍历搜索方法相比，性能有较大提高。由此证明了基于黄蜂群算法的水下目标搜索方法的可行性与有效性。
-
-
-
-
-
-
-
-
-
Search Results
37
records
(took 0.022 seconds)
