-
公开(公告)号：CN113807444B
公开(公告)日：2024-08-23
申请号：CN202111107279.X
申请日：2021-09-22
Applicant: 湖南工业大学
IPC: G06F18/241 , G06F18/25 , G06N3/0464 , G06N3/0455 , G06N3/094 , G06N3/0442 , G06N5/04
Abstract: 本发明提供一种基于约束对抗卷积自编码记忆融合网络的故障诊断方法，包括以下步骤：S1、建立数据融合故障检测框架；S2、采集数据集并对数据进行预处理S3、将处理好的振动、电流数据输入到卷积自编码并进行训练，以获取两个模态的独立特征；S4、将两个卷积自编码器的编码输出经过SE模块进行注意力加权以及梯度反转层后，输入到模态鉴别器进行训练以获取模态不变性；S5、将SE(挤压激励)模块输出进行特征拼接后输入到长短记忆神经网络(LSTM)进行融合并将其输出用于推断网络(Inf)。本发明通过设计了一种基于约束对抗卷积自编码记忆融合网络，能够在有效地捕获各模态(振动、电流)不变性来减少模态分布差异性的同时融合多模态数据用于故障诊断任务。
-
Patent Agency Ranking
公开(公告)号：CN113837265B
公开(公告)日：2024-08-27
申请号：CN202111106277.9
申请日：2021-09-22
Applicant: 湖南工业大学
IPC: G06F18/25 , G06F18/214 , G06F40/30 , G06N3/045 , G06N3/0985
Abstract: 本发明提供一种基于联合域分离表示分层图融合网络的多模态情感分析方法，包括以下步骤：S1、建立多模态情感分析框架；S2、对多模态数据(文本、视频、音频)进行手工特征提取；S3、将处理好的数据输入到联合域分离网络中，获取联合域分离表示特征；S4、将各模态的联合域分离表示输入到分层图融合网络(HGFN)，以获取可解释的融合表示；S5、融合表示输入预测网络中以进行情感预测；S6、结合网格搜索寻优算法，使用新的联合损失函数训练网络，以获取最优的模型。本发明设计了一种基于多模态联合域分离表示分层图融合神经网络，能够在有效地、可解释地融合各模态的信息，并用于指导情感分析。
-
公开(公告)号：CN113807444A
公开(公告)日：2021-12-17
申请号：CN202111107279.X
申请日：2021-09-22
Applicant: 湖南工业大学
Abstract: 本发明提供一种基于约束对抗卷积自编码记忆融合网络的故障诊断方法，包括以下步骤：S1、建立数据融合故障检测框架；S2、采集数据集并对数据进行预处理S3、将处理好的振动、电流数据输入到卷积自编码并进行训练，以获取两个模态的独立特征；S4、将两个卷积自编码器的编码输出经过SE模块进行注意力加权以及梯度反转层后，输入到模态鉴别器进行训练以获取模态不变性；S5、将SE(挤压激励)模块输出进行特征拼接后输入到长短记忆神经网络(LSTM)进行融合并将其输出用于推断网络(Inf)。本发明通过设计了一种基于约束对抗卷积自编码记忆融合网络，能够在有效地捕获各模态(振动、电流)不变性来减少模态分布差异性的同时融合多模态数据用于故障诊断任务。
-
公开(公告)号：CN113780230B
公开(公告)日：2024-08-23
申请号：CN202111107244.6
申请日：2021-09-22
Applicant: 湖南工业大学
IPC: G06F18/213 , G06F18/25 , G06F18/214 , G06N3/0455 , G06N3/0464 , G06N3/0442 , G06N3/0985 , G06N3/048
Abstract: 本发明提供一种基于不变时空注意融合网络的不平衡故障诊断方法，包括以下步骤：S1、建立不平衡数据故障检测框架；S2、采集数据集并对数据进行预处理S3、将处理好的类别平衡的振动、电流数据分别输入到参数不同卷积自编码器并进行预训练；S4、将类别不平衡的振动、电流依次输入预训练CAE、卷积注意模块、长短记忆网络以获取不变时空注意特征；S5、将两个模态的不变时空注意特征拼接后输入推断网络以进行推断表示；S6、结合网格搜索寻优算法，以基于焦损失函数的联合损失训练网络，以获取最优的不变时空注意融合网络。本发明通过设计了一种不变时空注意融合网络，能够在有效地捕捉各模态时空特征注意特征的同时，解决样本类别不平衡情况下的故障诊断问题。
-
公开(公告)号：CN113837265A
公开(公告)日：2021-12-24
申请号：CN202111106277.9
申请日：2021-09-22
Applicant: 湖南工业大学
Abstract: 本发明提供一种基于联合域分离表示分层图融合网络的多模态情感分析方法，包括以下步骤：S1、建立多模态情感分析框架；S2、对多模态数据(文本、视频、音频)进行手工特征提取；S3、将处理好的数据输入到联合域分离网络中，获取联合域分离表示特征；S4、将各模态的联合域分离表示输入到分层图融合网络(HGFN)，以获取可解释的融合表示；S5、融合表示输入预测网络中以进行情感预测；S6、结合网格搜索寻优算法，使用新的联合损失函数训练网络，以获取最优的模型。本发明设计了一种基于多模态联合域分离表示分层图融合神经网络，能够在有效地、可解释地融合各模态的信息，并用于指导情感分析。
-
公开(公告)号：CN113780230A
公开(公告)日：2021-12-10
申请号：CN202111107244.6
申请日：2021-09-22
Applicant: 湖南工业大学
Abstract: 本发明提供一种基于不变时空注意融合网络的不平衡故障诊断方法，包括以下步骤：S1、建立不平衡数据故障检测框架；S2、采集数据集并对数据进行预处理S3、将处理好的类别平衡的振动、电流数据分别输入到参数不同卷积自编码器并进行预训练；S4、将类别不平衡的振动、电流依次输入预训练CAE、卷积注意模块、长短记忆网络以获取不变时空注意特征；S5、将两个模态的不变时空注意特征拼接后输入推断网络以进行推断表示；S6、结合网格搜索寻优算法，以基于焦损失函数的联合损失训练网络，以获取最优的不变时空注意融合网络。本发明通过设计了一种不变时空注意融合网络，能够在有效地捕捉各模态时空特征注意特征的同时，解决样本类别不平衡情况下的故障诊断问题。
-
-
-
-
-
Search Results
6
records
(took 0.02 seconds)
