-
Patent Agency Ranking
公开(公告)号：CN118797321B
公开(公告)日：2024-11-22
申请号：CN202411288685.4
申请日：2024-09-14
Applicant: 武汉纺织大学 , 宁波慈星股份有限公司
IPC: G06F18/2135 , G06F18/25 , G06F18/15 , G06N3/045 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了基于时空特征注意力融合的工业过程故障检测方法和系统，包括：对原始正常数据进行数据标准化处理，在变量维度上，采用多通道一维卷积提取空间特征信息。在时间维度上，利用多通道二维卷积提取数据的时间特征信息，从而解决提取多维时序数据特征时变量相关性和数据时序性的问题；随后，对提取的多通道特征数据进行通道注意力加权融合，以更好地捕捉数据在不同通道上的分布特征，从而增强有用的特征信息；接下来，利用交叉注意力机制进行时空特征融合，以增强数据特征的表达能力；进一步地，融合的特征经过全连接层对重构数据进行模型训练，得到故障检测模型；最后，将在线数据输入到故障检测模型中，得到在线数据的故障检测结果。
-
公开(公告)号：CN119939259A
公开(公告)日：2025-05-06
申请号：CN202510433006.6
申请日：2025-04-08
Applicant: 武汉纺织大学
IPC: G06F18/214 , G06F18/21 , G06F18/213 , G06N3/0464 , G06N3/045 , G06N3/0495 , G06N3/096 , G06F123/02
Abstract: 本发明公开了一种多目标域轴承剩余使用寿命预测方法与系统，包括：从相关数据集中随机选取不同工作条件下的数据分别作为源域、目标域及测试数据，随后利用ModernTCN对处理后的源域数据预训练；接下来，利用DTW计算距离并分配权重，借助MMD算出加权最大均值差异值，实现测试数据与多目标域的特征级迁移学习；进一步地，将加权混合目标域输入RUL预测器得到预测误差，与WMMD一起作为损失函数微调ModernTCN部分参数，得到预测模型；最后，将测试数据输入到预测模型中，得到在线数据的剩余使用寿命预测结果。
-
公开(公告)号：CN117198426B
公开(公告)日：2024-01-30
申请号：CN202311463160.5
申请日：2023-11-06
Applicant: 武汉纺织大学
IPC: G16C20/30 , G16C20/70 , G06N3/042 , G06N3/0442 , G06N3/0455 , G06N3/08
Abstract: 本发明提出了一种多尺度药物‑药物反应可解释预测方法和系统，包括：获取待预测两种药物的分子图和文本表示序列；在分子图中整合原子级特征向量；在药物文本序列中进行频繁子结构挖掘并利用变压器编码得到子结构级特征；不同尺度特征向量合并得到特征矩阵；两个药物的特征矩阵交互得到可解释的交互矩阵；在预测模块中处理交互矩阵得到DDI预测结果。本发明提出了一种多尺度特征融合策略来预测药物相互作用，它采用包含门控消息传递神经网络的图表示学习法和频繁子序列挖掘算法，实现了多尺度的DDI可解释性预测。(56)对比文件Xianfang Tang et al.Indicatorregularized non-negative matrixfactorization method-based drugrepurposing for COVID-19《.Frontiers inImmunology》.2021,全文.成志兴.整合多源信息的药物-靶标相互作用智能预测模型的研究《.硕士电子期刊》.2023,(第04期),全文.Chen Y et al.MUFFIN: multi-scalefeature fusion for drug-drug interactionprediction《.Bioinformatics》.2021,全文.
-
公开(公告)号：CN118797321A
公开(公告)日：2024-10-18
申请号：CN202411288685.4
申请日：2024-09-14
Applicant: 武汉纺织大学 , 宁波慈星股份有限公司
IPC: G06F18/2135 , G06F18/25 , G06F18/15 , G06N3/045 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了基于时空特征注意力融合的工业过程故障检测方法和系统，包括：对原始正常数据进行数据标准化处理，在变量维度上，采用多通道一维卷积提取空间特征信息。在时间维度上，利用多通道二维卷积提取数据的时间特征信息，从而解决提取多维时序数据特征时变量相关性和数据时序性的问题；随后，对提取的多通道特征数据进行通道注意力加权融合，以更好地捕捉数据在不同通道上的分布特征，从而增强有用的特征信息；接下来，利用交叉注意力机制进行时空特征融合，以增强数据特征的表达能力；进一步地，融合的特征经过全连接层对重构数据进行模型训练，得到故障检测模型；最后，将在线数据输入到故障检测模型中，得到在线数据的故障检测结果。
-
公开(公告)号：CN117198426A
公开(公告)日：2023-12-08
申请号：CN202311463160.5
申请日：2023-11-06
Applicant: 武汉纺织大学
IPC: G16C20/30 , G16C20/70 , G06N3/042 , G06N3/0442 , G06N3/0455 , G06N3/08
Abstract: 本发明提出了一种多尺度药物‑药物反应可解释预测方法和系统，包括：获取待预测两种药物的分子图和文本表示序列；在分子图中整合原子级特征向量；在药物文本序列中进行频繁子结构挖掘并利用变压器编码得到子结构级特征；不同尺度特征向量合并得到特征矩阵；两个药物的特征矩阵交互得到可解释的交互矩阵；在预测模块中处理交互矩阵得到DDI预测结果。本发明提出了一种多尺度特征融合策略来预测药物相互作用，它采用包含门控消息传递神经网络的图表示学习法和频繁子序列挖掘算法，实现了多尺度的DDI可解释性预测。
-
-
-
-
Search Results
5
records
(took 0.088 seconds)
