-
公开(公告)号：CN108009635A
公开(公告)日：2018-05-08
申请号：CN201711418936.6
申请日：2017-12-25
Applicant: 大连理工大学
CPC classification number: G06N3/0454 , G06N3/084
Abstract: 本发明属于大数据实时处理技术领域，公开了一种支持增量更新的深度卷积计算模型，包括如下步骤：通过堆叠张量卷积层、抽样层以及全链接层构建深度卷积计算模型，通过高阶反向传播算法对模型参数进行训练。在不改变模型连接结构的前提下，根据新增数据的特征，通过设计参数更新算法将模型的张量全连接层参数由θ更新为θ+Δθ，使得更新后的参数能够学习新增相似数据的特征；通过设计结构更新算法不断增加网络计算单元方式来更新模型结构迁移历时知识，实现对高速动态变化的数据特征提取。本发明针对大数据的实时性特点，设计支持增量更新的深度卷积计算模型，能够高效地提取大数据的特征。
-
公开(公告)号：CN111368885B
公开(公告)日：2021-12-03
申请号：CN202010112320.1
申请日：2020-02-24
Applicant: 大连理工大学
Abstract: 一种基于深度学习和信息融合的航空发动机气路故障诊断方法，属于动力机械故障诊断领域。首先，对数据进行预处理；其次，利用处理后的样本数据将卷积神经网络模型和前馈神经网络分别训练至最佳，继而得到两个模型对样本数据所属类别的判定结果；再次，在证据体的基本概率分布的构造阶段，两种模型的判别结果被视为两个证据体，该阶段将证据体中样本所属各类别评分转换为样本的基本概率分布，同时计算样本不确定度；最后，在证据体的合成与决策阶段，根据D‑S证据理论的合成规则计算两个证据体合成后的概率分布，根据决策规则给出每条样本所属类别。本发明融合了两种深度神经网络从不同角度学习样本数据后给出的决策结果，获得一种精度较高的航发故障诊断模型，同时可以克服非深度学习模型对不同来源的航发大数据判别能力不稳定、鲁棒性低的问题。
-
Patent Agency Ranking
公开(公告)号：CN111368885A
公开(公告)日：2020-07-03
申请号：CN202010112320.1
申请日：2020-02-24
Applicant: 大连理工大学
Abstract: 一种基于深度学习和信息融合的航空发动机气路故障诊断方法，属于动力机械故障诊断领域。首先，对数据进行预处理；其次，利用处理后的样本数据将卷积神经网络模型和前馈神经网络分别训练至最佳，继而得到两个模型对样本数据所属类别的判定结果；再次，在证据体的基本概率分布的构造阶段，两种模型的判别结果被视为两个证据体，该阶段将证据体中样本所属各类别评分转换为样本的基本概率分布，同时计算样本不确定度；最后，在证据体的合成与决策阶段，根据D-S证据理论的合成规则计算两个证据体合成后的概率分布，根据决策规则给出每条样本所属类别。本发明融合了两种深度神经网络从不同角度学习样本数据后给出的决策结果，获得一种精度较高的航发故障诊断模型，同时可以克服非深度学习模型对不同来源的航发大数据判别能力不稳定、鲁棒性低的问题。
-
公开(公告)号：CN104915566A
公开(公告)日：2015-09-16
申请号：CN201510337280.X
申请日：2015-06-17
Applicant: 大连理工大学
IPC: G06F19/00
Abstract: 本发明公开了一种支持增量更新的深度计算模型，包括如下步骤：通过构建高阶自动编码机，并将其扩展到高维张量空间，再使用反向传播算法得到模型静态参数；在不改变网络连接结构的前提下，根据新增数据的特征，将模型的参数由θ更新为θ+Δθ，使得更新后的参数能够学习新增数据的特征；通过不断增加隐藏层神经元数目的方式来更新网络模型，实现对高速动态变化的数据特征提取；本发明针对大数据实时性的特点，设计支持增量更新的深度计算模型，能够高效实时地提取大数据的手相特征。
-
公开(公告)号：CN111144579A
公开(公告)日：2020-05-12
申请号：CN201911391055.9
申请日：2019-12-30
Applicant: 大连理工大学
IPC: G06N20/00
Abstract: 一种基于非负矩阵分解的多模态鲁邦特征学习模型，属于计算机技术领域。首先，对多模态数据集进行归一化和特殊值预处理。其次，将各模态数据在低维共享空间中进行重构，利用图正则化思想，对数据空间上的几何空间进行拟，同时引入噪声矩阵为数据空间中去除噪声，构建基于非负矩阵分解的多模态鲁棒特征学习模型。再次，根据模型优化结果，依次更新各个模态的映射矩阵和所有模态的共享特征矩阵，更新噪声矩阵，更新模态权重因子。最后，判断本次模型值和上一次模型值之间的差异，迭代更新第三步直至满足模型收敛条件。本发明依照上述步骤推导出了一种行之有效的模型来解决含有噪声的多模态数据特征学习问题。通过大量实验验证，本发明所得到的数据表示性能优于现阶段相关模型。
-
公开(公告)号：CN110097112A
公开(公告)日：2019-08-06
申请号：CN201910342717.7
申请日：2019-04-26
Applicant: 大连理工大学
IPC: G06K9/62
Abstract: 一种基于重构图的图学习模型，属于图像标注领域，包括以下步骤：通过改进最近邻算法，寻找测试图像的语义最近邻、对其构造相似矩阵，并通过随机点积图对图像进行聚类，挖掘其内部联系，得到加权相似矩阵，然后使用图学习算法获取初步图像标注结果。利用标签之间的关系进行标注，在这个过程中考虑标签之间共现的不平衡性，引入最近的图论模型，有效地解决标签不平衡问题。随机点积图用于重建标签的传递矩阵，解决图像标签共存的不对称问题。此外，使用朴素贝叶斯最近邻分类器来建立图像和标签之间的联合似然函数。本发明针对图像标签存在的分类不平衡的特点，提出基于重构图模型的图像标注模型，能够有效的提高标签的召回率。
-
公开(公告)号：CN110097112B
公开(公告)日：2021-03-26
申请号：CN201910342717.7
申请日：2019-04-26
Applicant: 大连理工大学
IPC: G06K9/62
Abstract: 一种基于重构图的图学习模型，属于图像标注领域，包括以下步骤：通过改进最近邻算法，寻找测试图像的语义最近邻、对其构造相似矩阵，并通过随机点积图对图像进行聚类，挖掘其内部联系，得到加权相似矩阵，然后使用图学习算法获取初步图像标注结果。利用标签之间的关系进行标注，在这个过程中考虑标签之间共现的不平衡性，引入最近的图论模型，有效地解决标签不平衡问题。随机点积图用于重建标签的传递矩阵，解决图像标签共存的不对称问题。此外，使用朴素贝叶斯最近邻分类器来建立图像和标签之间的联合似然函数。本发明针对图像标签存在的分类不平衡的特点，提出基于重构图模型的图像标注模型，能够有效的提高标签的召回率。
-
-
-
-
-
-
Search Results
7
records
(took 0.015 seconds)
