-
公开(公告)号：CN118865099A
公开(公告)日：2024-10-29
申请号：CN202410816594.7
申请日：2024-06-21
Applicant: 哈尔滨理工大学
IPC: G06V20/10 , G06V10/42 , G06V10/44 , G06V10/764 , G06V10/77 , G06V10/80 , G06V10/82 , G06N3/0455 , G06N3/0464
Abstract: 本发明CNN结合Transformer的HSI和LiDAR多模态数据的精细地物分类方法属于图像分类技术领域。首先，输入待分类的高光谱图像(HSI)和激光雷达(LiDAR)数据，形成训练集、验证集和测试集；采用主成分分析法降低HSI训练集的光谱维数，然后输入由卷积神经网络(CNN)和Transformer并联构成的特征提取模块，再通过特征交互模块实现局部特征与全局信息之间的交互；将LiDAR训练集输入卷积神经网络提取特征，并与HSI支路提取的特征实现特征对齐；将HSI和LiDAR双支路的对齐特征进行拼接，输入跨通道重构机制中实现多模态数据特征的高效融合；通过优化总体损失函数更新网络参数，再将双支路交叉融合之后的特征输入softmax分类器进行分类；将测试数据输入到训练好的网络模型，使用softmax分类器进行分类，得到HSI和LiDAR多模态数据的协同分类结果；本发明利用CNN强大的局部特征提取能力与Transformer的全局特征提取能力，通过特征交互模块与跨通道重构机制实现更优异的地物精细分类的效果。
-
公开(公告)号：CN109474258A
公开(公告)日：2019-03-15
申请号：CN201811368975.4
申请日：2018-11-16
Applicant: 哈尔滨理工大学
Abstract: 基于核极化策略的随机傅立叶特征核LMS的核参数优化方法，它用于核自适应滤波器技术领域。本发明解决了现有的随机傅立叶特征核最小均方算法的稳态精度低的问题。本发明通过核极化策略得到优化的核参数值，这些极化核参数值相比于随机采样得到的参数值更加匹配训练数据中所包含的特征信息，将优化的核参数值用于随机傅立叶特征映射，映射后的特征子空间更加接近于给定的学习任务模型；基于该极化特征网络构建的核自适应滤波器的非线性建模性能得以提高，与未采用核极化策略的随机傅立叶特征最小均方算法相比，在同样复杂度下，本发明方法的稳态精度提高1dB到2dB。本发明可以应用于核自适应滤波器技术领域。
-
公开(公告)号：CN118533476B
公开(公告)日：2025-03-04
申请号：CN202410570406.7
申请日：2024-05-09
Applicant: 哈尔滨理工大学
IPC: G01M13/045 , G06F18/213 , G06F18/214 , G06F18/24 , G06F18/25 , G06N3/0464 , G06N3/048 , G06N3/09
Abstract: 本发明公开了一种基于振动信号延拓和时频信息融合网络的轴承故障诊断方法，所述方法包括如下步骤：步骤1：通过加速度传感器获取并输入轴承的一维振动信号；步骤2：为数据集的各个数据打上故障类别标签，并随机划分为训练样本集和测试样本集；步骤3：通过VSE方法增加训练样本的数量和多样性；步骤4：构建TFIF‑Net，并初始化权重和偏置；步骤5：通过监督训练调整TFIF‑Net的权重和偏差，直到达到指定的迭代次数，完成诊断模型的训练；步骤6：输入训练样本集，获得分类结果。本发明所提出的方法不仅在小样本轴承故障诊断领域具有实际应用价值，还为其他面临小样本限制的分类和诊断任务提供了新的研究思路。
-
公开(公告)号：CN118937407A
公开(公告)日：2024-11-12
申请号：CN202410982719.3
申请日：2024-07-22
Applicant: 哈尔滨理工大学
IPC: G01N27/00 , G01R31/00 , G01R31/52 , G06F18/24 , G06F18/25 , G06N3/0464 , G06N3/0442 , G06N3/08
Abstract: 本发明公开了一种面向电子鼻的MOS气体传感器阵列故障诊断方法，所述方法包括如下步骤：一、构建STW故障检测数据集；二、将经STW分割处理后的多维响应信号输入GTN故障检测模型，得到故障检测结果，若该检测结果为检测到故障发生，则执行三；三、构建GADF‑MTF故障识别数据集；四、构建基于IResnet的故障识别网络；五、将GADF‑MTF故障识别数据集输入到基于IResnet的故障识别网络，依据热度图特征利用基于IResnet的故障识别网络对每个传感器的响应信号类型进行识别，确定故障传感器的位置和故障类型，得到故障识别结果。该方法能有效降低故障检测的误报率，具有很好的故障识别性能，适合长远的推广及应用。
-
公开(公告)号：CN109655630B
公开(公告)日：2024-01-19
申请号：CN201910099583.0
申请日：2019-01-31
Applicant: 哈尔滨理工大学
Abstract: 一种二维热温差型风速传感器及其环境自补偿方法，属于风速传感器领域，解决了现有氮化铝基的热温差型风速传感器的检测速率较低的问题。传感器：在低热导率的衬底上铺设有导热介质层，加热电极、四个温度探测电极和两个环境温度自补偿电极均设置在导热介质层上。方形的加热电极本体设置在导热介质层的中心，四个扇形的温度探测电极本体分别设置在加热电极本体的四周，两个环境温度自补偿电极本体分别设置在导热介质层的相对的两个边缘处。每个电极本体均设置有两个引出电极。环境自补偿方法：根据两个环境温度自补偿电极的电阻值确定环境温度值，根据环境温度值的变化，调节加热电极两端的电压频率，使所述风速传感器的温度场恒定。
-
Patent Agency Ranking
-
公开(公告)号：CN109633197A
公开(公告)日：2019-04-16
申请号：CN201910078142.2
申请日：2019-01-28
Applicant: 哈尔滨理工大学
CPC classification number: G01P5/00 , G01K1/026 , G01P13/02 , H05B3/00 , H05B3/12 , H05B2203/006 , H05B2203/017
Abstract: 一种双加热电极宽量程风速传感器及其制造方法，用于提高检测灵敏度和速率，属于风速传感器领域。本发明包括：加热器电极位于八边形衬底的中心，加热器电极由双加热器围成中心为方形盘绕式结构和四个引用电极组成，四个引用电极分别从方形盘绕式结构的四个角引出，且每个引用电极的宽度逐渐变宽；每个温度探测器电极为对称结构，包括扇形本体及该本体边缘引出并延伸至八边形衬底边缘的两个探测电极，四个温度探测器电极分布在加热器电极周围的八边形衬底上，加热器电极的每相邻两个引出电极之间设置一个温度探测器电极；在每个温度探测器电极与加热器电极之间的八边形衬底上设置一个热隔离槽。
-
公开(公告)号：CN118447241A
公开(公告)日：2024-08-06
申请号：CN202410449402.3
申请日：2024-04-15
Applicant: 哈尔滨理工大学
IPC: G06V10/26 , G06V10/44 , G06V10/82 , G06V10/80 , G06N3/0455 , G06N3/0464 , G06V10/52
Abstract: 本发明公开了一种基于SFAG‑DeepLabv3+的冠状动脉造影图像自动分割方法，所述方法基于DeepLabv3+骨干网络，提出AG‑DeepLabv3+网络。在编码器部分，基于ASPP模块提出一种自适应混合膨胀卷积双池化(ADP)模块，构建加强特征提取网络。在编码器解码器之间引入高斯上下文空间(GCS)模块，通过在通道维度和空间维度进行自适应重组特征，减少信息从编码器到解码器压缩和解压缩的过程中造成的信息损失，解决了信息从编码器到解码器压缩和解压缩的过程中，因信息损失而导致模型对血管分割时血管断裂的问题。在解码器部分采用双三次插值上采样，通过利用更多的邻近像素信息，提高了血管分割的连续性。
-
公开(公告)号：CN118410275A
公开(公告)日：2024-07-30
申请号：CN202410449405.7
申请日：2024-04-15
Applicant: 哈尔滨理工大学
IPC: G06F18/10 , G01M13/045 , G06F18/214 , G06N3/0475 , G06N3/094
Abstract: 本发明公开了一种有限数据条件下的滚动轴承故障诊断方法，所述方法通过使用连续小波变换进行预处理，有效避免了轴承振动信号具有的非线性和非平稳性的缺点，同时其具有一定的去噪效果；通过特征映射重构模块构建生成器，可使上采样过程不再基于像素点的空间位置而是基于特征的内容，可以有效避免棋盘效应的产生。同时，局部区域中特征点的重要信息可以得到更多的关注，所以重组生成的特征图的语义信息可以比原始特征图更强。再在鉴别器中加入坐标注意力机制，使得模型可以考虑特征图通道信息和空间位置信息之间的关系，能够提升整体的特征提取能力，且根据特征的重要性赋予权重，保证提取的特征信息的完整性，最终提升生成样本的质量。
-
公开(公告)号：CN116824340A
公开(公告)日：2023-09-29
申请号：CN202310907910.7
申请日：2023-07-21
Applicant: 哈尔滨理工大学
IPC: G06V10/82 , G06V10/80 , G06V10/774 , G06V10/20 , G06V20/52
Abstract: 本发明公开一种基于GS‑YOLO v5的森林火灾检测方法。首先使用翻转、人为添加噪声等方法扩充数据集，同时添加云、雨、雾、夕阳等数据集，通过上述两种方法增加数据量并在一定程度上提高了算法的鲁棒性；其次，本文提出了一种新型的Super‑SPPF模块，其借鉴了CSP结构在避免图像处理造成失真的同时，保留了更多的语义信息，从而降低了检测方法的假阳性率。然后，通过串行的SoftPooling与GhostConv结构，提升了检测速度并降低了模型的参数量。最后，在YOLOv5的Backbone中引入了位置注意力(CA)模块来获取通道与空间之间的关系，使得网络可以更准确地获取感兴趣的位置信息，进一步提升了早期火灾的检测精度。为了验证所提出方法的性能，本发明建立了DLFire数据集，通过收集大量的干扰样本提高了模型的鲁棒性并有效地降低了假阳性率。
-
-
-
-
-
-
-
-
-
Search Results
29
records
(took 0.059 seconds)
