公开(公告)号：CN116579971A

公开(公告)日：2023-08-11

申请号：CN202211128229.4

申请日：2022-09-16

Applicant: 河北工业大学

Inventor： 张潍 ,  翟欣雨

IPC: G06T7/00

Abstract: 本发明涉及一种基于同伦算法的电阻层析成像非线性重构检测方法，将电阻层析成像图像重建问题转化为多目标非线性优化问题，通过构造同伦方程，实现电阻层析成像非线性重构，包括下列步骤：构建电阻层析成像重建问题；将上述电阻层析成像重建问题转化为多目标优化问题，构建三个约束目标函数：误差目标函数、成像结果的平滑目标函数、1范数正则化目标函数。将优化问题的目标函数转化为多目标优化问题；立三个约束统一的优化目标函数；构建此优化目标函数的同伦迭代公式；迭代求解，得到电导率分布。

公开(公告)号：CN117612610A

公开(公告)日：2024-02-27

申请号：CN202311250986.3

申请日：2023-09-26

Applicant: 河北工业大学

Inventor： 张潍 ,  孙金科

IPC: G16C10/00 ,  G16C20/70 ,  G16C20/30 ,  G06N3/0442 ,  G06N3/048

Abstract: 本发明提供一种基于图神经网络的相平衡预测方法，包括：收集气液相平衡数据并建立数据集；通过smiles码分别提取每种分子中原子与化学键的特征；构建分子图，获得初始图数据，方法如下：根据分子中原子数，分子中所有键的起始与终止位置和分子中所有键的终止与起始位置构建分子图，并根据分子中所有原子的原子级特征和分子中所有键的键级特征，对相应节点与边赋予特征；读取字典reaction_dict与字典condiction_dict得到相应的温度与压强值，将相应的摩尔分数作为标签；将分子图与对应温度、压强与摩尔分数返回为一组初始图数据，得到初始图数据；搭建图神经网络总体架构；步骤五：划分训练集与数据集，训练图神经网络。

公开(公告)号：CN118468938A

公开(公告)日：2024-08-09

申请号：CN202410370903.2

申请日：2024-03-28

Applicant: 河北工业大学

Inventor： 张潍 ,  叶金霖 ,  陈亚东

IPC: G06N3/0464 ,  G06N3/08

Abstract: 本发明涉及一种基于Winograd的异构目标检测网络算子加速器，包括：针对YOLO的核心算子：标准卷积算子、点卷积算子、上采样算子和下采样算子，分别设计专用的FPGA并行计算单元，采用Winograd算法实现3×3的标准卷积；在ARM上采用偏移地址的方式实现Concat和Route，ARM负责加速器的调度进行网络搭建；标准卷积计算单元，将标准卷积层、归一化层和激活层合并，采用Winograd算法求解卷积运算。本发明同时提供一种采用所述的加速器实现的目标检测方法。

公开(公告)号：CN116663630A

公开(公告)日：2023-08-29

申请号：CN202310789376.4

申请日：2023-06-29

Applicant: 河北工业大学

Inventor： 张潍 ,  叶金霖

IPC: G06N3/063 ,  G06N3/0464 ,  G06F15/78

Abstract: 本发明涉及一种基于ARM和FPGA的通用标准卷积算子加速器，采用软硬件协同处理方式；在FPGA侧设计卷积算子加速器的并行计算和多层融合方式；通过ARM调用FPGA侧的卷积算子加速器搭建卷积神经网络，通过ARM向FPGA侧的卷积算子加速器传入配置参数以设置每层网络的结构，将网络模型参数存储到SD卡中；程序运行中ARM读取SD卡中的网络模型参数并写入DDR存储器中，ARM和FPGA读取DDR存储器中的模型参数进行运算；ARM将网络推理结果通过UART传输到PC端；所采用的处理器系统包括ARM处理器内核、DDR控制器、SDIO控制器、UART控制器。

公开(公告)号：CN119649853A

公开(公告)日：2025-03-18

申请号：CN202411560737.9

申请日：2024-11-04

Applicant: 河北工业大学

Inventor： 张潍 ,  韩伟龙

IPC: G10L25/51 ,  G10L25/18 ,  G10L25/21 ,  G10L25/24 ,  G10L25/30 ,  G10L25/45

Abstract: 本发明提供一种利用声纹检测对垂直筛板塔内故障诊断的方法和系统，诊断方法包括如下步骤：采集垂直筛板塔声纹信号数据，并按照正常状态和故障状态进行分类；对采集到的不同状态下的声纹信号进行预处理；提取预处理完的声纹数据中的时域、频域和倒频域特征；在ResNet50D网络模型基础上融合SE模块和ECA模块，通过修改前向传播部分中的深阶段卷积层输出的特征图，构建称之为SECA‑ResNet50D的检测模型；将从垂直筛板塔声纹信号中提取的声纹特征构建数据集，作为SECA‑ResNet50D检测模型中的ResNet50D网络的输入；选出适合检测的特征组合；使用选出的适合检测的特征组合，得到故障状态检测结果。