-
公开(公告)号：CN109919901A
公开(公告)日：2019-06-21
申请号：CN201810832910.4
申请日：2018-07-25
Applicant: 江南大学
IPC: G06T7/00
Abstract: 一种基于集成学习与随机森林的图像质量评价方法，其可大大提高图片质量评价的准确度，其具体实现步骤如下：（1）选择六种基学习算法，（2）采用步骤（1）所选择的基学习算法对失真图像进行打分，（3）将打分后的分数组成训练数据，（4）使用训练数据建立深度随机森林模型，深度随机森林模型包括包括K层训练步骤，经每层训练步骤中的随机森林过滤后得出过滤特征，将过滤特征与原始特征结构构成强化特征，将强化特征作为下一层训练步骤的输入值进行训练，循环往复，直至最后一层，最后一层训练步骤得出的数据作为失真图像的分数。
-
公开(公告)号：CN113569195B
公开(公告)日：2023-12-01
申请号：CN202110814501.3
申请日：2021-07-19
Applicant: 江南大学
Abstract: 本发明公开了一种用于分布式网络系统的预条件方法，包括：采集系统控制数据构建原始信息矩阵；根据所述原始信息矩阵，利用牛顿二次迭代方法求出信息矩阵逆的近似值，并构建新信息矩阵；利用幂法求所述新信息矩阵的最大和最小特征值，构建最优步长；基于所述新信息矩阵和所述最优步长更新系统参数；重复迭代，获取最优估计参数。本发明设计了一种用于分布式网络系统的与条件方法，可以避免求解导函数方程的解，进而可以扩大使用范围；速度优于原始的梯度算法，且当原始信息矩阵具有病态特性时，本发明方法一样可以获得较快的收敛速度，由于预条件矩阵Pk的存在，矩阵的条件数降低，通过设计最优步长γ可以显著提高参数收敛的速度。
-
公开(公告)号：CN111025898A
公开(公告)日：2020-04-17
申请号：CN201911079525.8
申请日：2019-11-07
Applicant: 江南大学
IPC: G05B13/04
Abstract: 本发明提供一种用于流程工业大规模过程控制的降维辨识方法，其计算过程通无需人工参与，可以在确保计算精度的基础上，以很低的计算量实现高阶系统的参数辨识。本发明的技术方案中，进行系统参数辨识的过程中，将待辨识的2n维的参数利用Arnoldi方法构建Krylov子空间，实现了由2n维降低到k维，降低了系统的计算量；随后通过Givens变换方法求解参数寻优步长，确保了本发明的计算方法是收敛的；通过预先设置的阈值以及迭代的方法，提高系统参数的辨识精度。
-
Patent Agency Ranking
公开(公告)号：CN115407199A
公开(公告)日：2022-11-29
申请号：CN202210991822.5
申请日：2022-08-17
Applicant: 江南大学
IPC: G01R31/36 , G01R31/367 , G01R31/378 , G01R31/382 , G01R31/396 , G06F17/16
Abstract: 本发明公开了一种针对状态向量奇异值的锂电池荷电状态估计方法，其特征在于，包括：通过采样得到的电流值和电压值建立二阶RC等效电路模型，对未知模型参数进行估计；根据获得的所述模型参数建立状态空间模型，使用强跟踪滤波理论对平方根容积卡尔曼滤波SRCKF改进，对荷电状态SOC估计；通过间歇充放电试验获得荷电状态和开路电压SOC‑Uocv关系曲线，对二阶RC等效电路模型参数进行在线更新；本发明提供的针对状态向量奇异值的锂电池荷电状态估计方法提高了锂电池荷电状态的估计精度，且有良好的鲁棒性，即当状态向量存在奇异值时，仍然有良好的估计效果。
-
公开(公告)号：CN113569195A
公开(公告)日：2021-10-29
申请号：CN202110814501.3
申请日：2021-07-19
Applicant: 江南大学
Abstract: 本发明公开了一种用于分布式网络系统的预条件方法，包括：采集系统控制数据构建原始信息矩阵；根据所述原始信息矩阵，利用牛顿二次迭代方法求出信息矩阵逆的近似值，并构建新信息矩阵；利用幂法求所述新信息矩阵的最大和最小特征值，构建最优步长；基于所述新信息矩阵和所述最优步长更新系统参数；重复迭代，获取最优估计参数。本发明设计了一种用于分布式网络系统的与条件方法，可以避免求解导函数方程的解，进而可以扩大使用范围；速度优于原始的梯度算法，且当原始信息矩阵具有病态特性时，本发明方法一样可以获得较快的收敛速度，由于预条件矩阵Pk的存在，矩阵的条件数降低，通过设计最优步长γ可以显著提高参数收敛的速度。
-
公开(公告)号：CN109919901B
公开(公告)日：2023-04-28
申请号：CN201810832910.4
申请日：2018-07-25
Applicant: 江南大学
IPC: G06T7/00
Abstract: 一种基于集成学习与随机森林的图像质量评价方法，其可大大提高图片质量评价的准确度，其具体实现步骤如下：（1）选择六种基学习算法，（2）采用步骤（1）所选择的基学习算法对失真图像进行打分，（3）将打分后的分数组成训练数据，（4）使用训练数据建立深度随机森林模型，深度随机森林模型包括包括K层训练步骤，经每层训练步骤中的随机森林过滤后得出过滤特征，将过滤特征与原始特征结构构成强化特征，将强化特征作为下一层训练步骤的输入值进行训练，循环往复，直至最后一层，最后一层训练步骤得出的数据作为失真图像的分数。
-
公开(公告)号：CN111025898B
公开(公告)日：2021-08-24
申请号：CN201911079525.8
申请日：2019-11-07
Applicant: 江南大学
IPC: G05B13/04
Abstract: 本发明提供一种用于流程工业大规模过程控制的降维辨识方法，其计算过程通无需人工参与，可以在确保计算精度的基础上，以很低的计算量实现高阶系统的参数辨识。本发明的技术方案中，进行系统参数辨识的过程中，将待辨识的2n维的参数利用Arnoldi方法构建Krylov子空间，实现了由2n维降低到k维，降低了系统的计算量；随后通过Givens变换方法求解参数寻优步长，确保了本发明的计算方法是收敛的；通过预先设置的阈值以及迭代的方法，提高系统参数的辨识精度。
-
公开(公告)号：CN109191426A
公开(公告)日：2019-01-11
申请号：CN201810820639.2
申请日：2018-07-24
Applicant: 江南大学
IPC: G06T7/00
Abstract: 本发明提出一种平面图像显著性检测方法，其可以输出准确度更高的显著图，方法更简单，易于理解，适于应用。其包括以下步骤：S1：构件网络模型；S2：训练网络模型，得到训练后的网络模型；S3：将图像数据输入到S2中得到的训练后的网络模型，进行显著性检测，输出显著图，用于后续图像处理；在步骤S1中网络模型的结构包括一个左侧的收缩路径和一个右侧的扩张路径；收缩路径用来捕捉上下文，其包括一个输入层、多个卷积层和池化层；由输入层输入的被检测图像传入第一个卷积层进行卷积操作；每两个连续的卷积层之后跟着一个池化层；扩张路径用来精确定位，其包括多个上采样层和卷积层、一个输出层；每个上采样层之后跟着两个连续的卷积层。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.015 seconds)
