-
公开(公告)号：CN112465030A
公开(公告)日：2021-03-09
申请号：CN202011362875.8
申请日：2020-11-28
Applicant: 河南大学
Abstract: 本发明提出一种基于两级迁移学习的多源异构信息融合故障诊断方法，其步骤为：首先，利用训练好的VGG16模型提取监控截屏图像的特征，并以监控截屏图像的特征为输入得到深层神经网络模型；其次，建立迁移融合网络，并将深层神经网络模型的网络参数迁移到迁移融合网络；再利用一维序列信号样本对迁移融合网络进行训练，得到迁移融合模型；最后，利用迁移融合模型对实时采集的一维序列信号进行识别，输出一维序列信号的故障类别。本发明提出两级迁移机制，通过两级迁移将多源异构信息进行融合，既能融合一维序列信号和截屏图像的特征以提高故障诊断的精度，又能避免了卷积运算，降低了时间复杂度，提高了故障诊断的实时性，达到实时故障诊断的目的。
-
公开(公告)号：CN112375562A
公开(公告)日：2021-02-19
申请号：CN202011292021.7
申请日：2020-11-18
Applicant: 河南大学
IPC: C09K11/02 , C09K11/06 , C09K11/88 , C07D295/13 , G01N21/64
Abstract: 本发明属于检测技术领域，具体涉及一类半胱氨酸‑多胺‑吗啉修饰的量子点溶酶体靶向荧光探针及其制备方法和应用。该基于半胱氨酸‑多胺‑吗啉修饰的量子点溶酶体靶向荧光探针具有如下通式：其中，n取0，1或2；m取0或1；QDs代表量子点。本发明的基于量子点的溶酶体荧光探针粒径小、水溶性好、分散均匀并且细胞毒性小，是具有生物靶向性和特异性高的纳米材料，能实现荧光探针的溶酶体靶向作用，且对肿瘤细胞具有一定的选择性，为溶酶体新的检测手段的发展做出贡献。
-
Patent Agency Ranking
公开(公告)号：CN113908286A
公开(公告)日：2022-01-11
申请号：CN202111196812.4
申请日：2021-10-14
Applicant: 河南大学
Abstract: 本发明属于化学生物学领域，具体涉及一种聚乙烯亚胺修饰的量子点粒子及其制备方法和作为纳米药物载体的应用。该聚乙烯亚胺修饰的量子点纳米粒子药物载体具有下式所示结构：；式中，QDs指量子点CdSe或CdSe/ZnS。本发明的聚乙烯亚胺修饰的量子点纳米粒子具有粒径小、水溶性好、分散均匀且稳定性好，同时对多种细胞的细胞毒性均比较小，因此其可以作为较好的纳米药物载体应用于化学生物学领域，其可为更好地设计纳米药物载体奠定基础。
-
公开(公告)号：CN112358867B
公开(公告)日：2021-09-03
申请号：CN202011292010.9
申请日：2020-11-18
Applicant: 河南大学
Abstract: 本发明属于检测技术领域，具体涉及一种基于量子点的线粒体荧光探针及其制备方法和应用。该基于量子点的线粒体荧光探针具有如下通式：式中，QDs指量子点CdSe、CdSe/CdS或CdSe/ZnS。本发明的基于量子点的线粒体荧光探针是具有生物靶向性和特异性高的纳米材料，能实现荧光探针的线粒体靶向作用，为线粒体新的检测手段的发展做出贡献。
-
公开(公告)号：CN112358867A
公开(公告)日：2021-02-12
申请号：CN202011292010.9
申请日：2020-11-18
Applicant: 河南大学
Abstract: 本发明属于检测技术领域，具体涉及一种基于量子点的线粒体荧光探针及其制备方法和应用。该基于量子点的线粒体荧光探针具有如下通式：式中，QDs指量子点CdSe、CdSe/CdS或CdSe/ZnS。本发明的基于量子点的线粒体荧光探针是具有生物靶向性和特异性高的纳米材料，能实现荧光探针的线粒体靶向作用，为线粒体新的检测手段的发展做出贡献。
-
公开(公告)号：CN119273922A
公开(公告)日：2025-01-07
申请号：CN202411423426.8
申请日：2024-10-12
Applicant: 河南大学
IPC: G06V10/26 , G06V10/764 , G06V10/82 , G06V10/80 , G06N3/0464 , G06N3/048 , G06V20/10
Abstract: 本发明提出了一种基于MRF语义推理的多模态遥感影像分割方法，用于解决现有的多模态数据分类方法难以实现不同模态数据对同一位置的语义信息推理的技术问题。本发明的步骤如下：多模态数据进行逐次训练学习得到每一模态的初始语义分割结果，同时对多模态数据进行深度特征融合，得到多模态数据的深度融合特征，接着在MRF框架下建立自学习更新的多模态语义推理模型，通过多模态深度特征与语义推理协同，更新多模态语义分割结果。本发明充分考虑了多模态数据特征的融合和不同模态间的语义关联信息，通过CNN模型和Markov随机场的协同作用，实现了对地理对象的准确推理和分类。实验结果表明，本发明所提出的模型在不同数据集上都取得了较好的性能。
-
公开(公告)号：CN112465030B
公开(公告)日：2022-06-07
申请号：CN202011362875.8
申请日：2020-11-28
IPC: G06V10/80 , G06V10/764 , G06V10/774 , G06N3/04 , G06N3/08
Abstract: 本发明提出一种基于两级迁移学习的多源异构信息融合故障诊断方法，其步骤为：首先，利用训练好的VGG16模型提取监控截屏图像的特征，并以监控截屏图像的特征为输入得到深层神经网络模型；其次，建立迁移融合网络，并将深层神经网络模型的网络参数迁移到迁移融合网络；再利用一维序列信号样本对迁移融合网络进行训练，得到迁移融合模型；最后，利用迁移融合模型对实时采集的一维序列信号进行识别，输出一维序列信号的故障类别。本发明提出两级迁移机制，通过两级迁移将多源异构信息进行融合，既能融合一维序列信号和截屏图像的特征以提高故障诊断的精度，又能避免了卷积运算，降低了时间复杂度，提高了故障诊断的实时性，达到实时故障诊断的目的。
-
-
-
-
-
-
Search Results
7
records
(took 0.021 seconds)
