-
Patent Agency Ranking
公开(公告)号：CN111497868A
公开(公告)日：2020-08-07
申请号：CN202010276828.5
申请日：2020-04-09
Applicant: 余姚市浙江大学机器人研究中心 , 浙江大学
Abstract: 本发明公开了一种基于BN方法和LSTM网络的汽车传感器故障分类方法。由于汽车内部系统的复杂以及保证汽车安全运行，需要使用在线过程监控方法对汽车运行过程进行实时监控确保汽车运行安全。该方法利用了汽车过程数据具有时序性特征，将LSTM网络应用于汽车故障诊断，引入BN方法使网络在训练过程中不同层之间维持相同的数据分布，利用Adam优化算法得到参数的最优值。最后使用混淆矩阵分析故障分类效果。相比于其他方法，本发明使用BN-LSTM网络应用于汽车传感器故障分类，有效利用了汽车过程数据具有时序性特点，提高了故障分类的准确率。
-
公开(公告)号：CN109409522B
公开(公告)日：2022-04-12
申请号：CN201810998945.5
申请日：2018-08-29
Applicant: 浙江大学
Abstract: 本发明公开了一种基于集成学习的生物网络推理算法。它包括：针对n个基因组成的生物网络推理问题，将n基因*m时序微阵列表达数据集作为训练样本，计算每个基因对应的训练集；采用随机森林算法、梯度提升树算法分别计算每个调控因子与目标基因对的特征重要度得分，分别给出对应的第一特征重要度评分表、第二特征重要度评分表；计算第一特征重要度评分表的准确度ACC1、第二特征重要度评分表的准确度ACC2；采用E‑alpha加权规则将第一特征重要度评分表、第二特征重要度评分表进行加权融合，得到最终的总评分表；根据总评分表得到最终生物网络结构。本发明有效提高了生物网络推理的准确度以及稳定性。
-
公开(公告)号：CN109409522A
公开(公告)日：2019-03-01
申请号：CN201810998945.5
申请日：2018-08-29
Applicant: 浙江大学
Abstract: 本发明公开了一种基于集成学习的生物网络推理算法。它包括：针对n个基因组成的生物网络推理问题，将n基因*m时序微阵列表达数据集作为训练样本，计算每个基因对应的训练集；采用随机森林算法、梯度提升树算法分别计算每个调控因子与目标基因对的特征重要度得分，分别给出对应的第一特征重要度评分表、第二特征重要度评分表；计算第一特征重要度评分表的准确度ACC1、第二特征重要度评分表的准确度ACC2；采用E-alpha加权规则将第一特征重要度评分表、第二特征重要度评分表进行加权融合，得到最终的总评分表；根据总评分表得到最终生物网络结构。本发明有效提高了生物网络推理的准确度以及稳定性。
-
公开(公告)号：CN110147648B
公开(公告)日：2022-06-17
申请号：CN201910535551.0
申请日：2019-06-20
Applicant: 浙江大学
Abstract: 本发明公开了一种基于独立成分分析和稀疏去噪自编码器的汽车传感器故障检测方法。该方法首先使用独立成分分析获得过程数据中的非高斯信息，得到独立成分分量，使用稀疏去噪自编码器提取主要独立成分计算I2指标；在残差空间使用稀疏去噪自编码器获得运行数据的高斯信息计算H2指标。最后使用故障误报率（FAR）和误检率(MDR)指标分析故障检测效果。相比于其他方法，本发明通过将独立成分分析和稀疏降噪自编码器结合，在非高斯部分使用稀疏去噪自编码器提取主元，去除不必要信号的干扰；在残差空间使用稀疏去噪自编码器提取数据中的高斯信息，提高过程监控系统的鲁棒性，增强对非线性数据的处理能力，提高故障诊断的准确率。
-
公开(公告)号：CN110147648A
公开(公告)日：2019-08-20
申请号：CN201910535551.0
申请日：2019-06-20
Applicant: 浙江大学
Abstract: 本发明公开了一种基于独立成分分析和稀疏去噪自编码器的汽车传感器故障检测方法。该方法首先使用独立成分分析获得过程数据中的非高斯信息，得到独立成分分量，使用稀疏去噪自编码器提取主要独立成分计算I2指标；在残差空间使用稀疏去噪自编码器获得运行数据的高斯信息计算H2指标。最后使用故障误报率（FAR）和误检率(MDR)指标分析故障检测效果。相比于其他方法，本发明通过将独立成分分析和稀疏降噪自编码器结合，在非高斯部分使用稀疏去噪自编码器提取主元，去除不必要信号的干扰；在残差空间使用稀疏去噪自编码器提取数据中的高斯信息，提高过程监控系统的鲁棒性，增强对非线性数据的处理能力，提高故障诊断的准确率。
-
-
-
-
Search Results
5
records
(took 0.014 seconds)
