-
公开(公告)号：CN113763404B
公开(公告)日：2023-06-06
申请号：CN202111053563.3
申请日：2021-09-24
Applicant: 湖南工业大学
Abstract: 一种基于优化标记和边缘约束分水岭算法的泡沫图像分割，首先对泡沫图像使用多尺度Retinex算法进行图像对比度增强，然后将增强后的图像进行双边滤波，去除掉泡沫图像上的纹理噪声；其次使用形态学处理去除亮边和白点噪声，使用模糊C均值算法、形态学重构法和自适应阈值法提取处理后的泡沫图像的前景标记，然后对三种算法提取出来的前景标记进行组合优化，得到组合前景标记；再使用高斯拉普拉斯算子和形态学算法提取预处理泡沫图像的边缘，并将两种算法提取的边缘进行融合，采用阈值法提取边缘二值图像；最后为梯度图设置种子点和边界约束，并在前景标记的基础上使用分水岭算法，实现泡沫图像的精确分割。本发明利用了优化标记和边缘约束来改进分水岭算法，提高了泡沫图像分割的准确度。
-
公开(公告)号：CN113763404A
公开(公告)日：2021-12-07
申请号：CN202111053563.3
申请日：2021-09-24
Applicant: 湖南工业大学
Abstract: 一种基于优化标记和边缘约束分水岭算法的泡沫图像分割，首先对泡沫图像使用多尺度Retinex算法进行图像对比度增强，然后将增强后的图像进行双边滤波，去除掉泡沫图像上的纹理噪声；其次使用形态学处理去除亮边和白点噪声，使用模糊C均值算法、形态学重构法和自适应阈值法提取处理后的泡沫图像的前景标记，然后对三种算法提取出来的前景标记进行组合优化，得到组合前景标记；再使用高斯拉普拉斯算子和形态学算法提取预处理泡沫图像的边缘，并将两种算法提取的边缘进行融合，采用阈值法提取边缘二值图像；最后为梯度图设置种子点和边界约束，并在前景标记的基础上使用分水岭算法，实现泡沫图像的精确分割。本发明利用了优化标记和边缘约束来改进分水岭算法，提高了泡沫图像分割的准确度。
-
公开(公告)号：CN113743016A
公开(公告)日：2021-12-03
申请号：CN202111053448.6
申请日：2021-09-09
Applicant: 湖南工业大学
IPC: G06F30/27 , G06F119/04
Abstract: 一种基于改进的堆叠式稀疏自编码器(SSAE)和注意力回声状态网络(Atten‑ESN)的发动机剩余使用寿命预测方法，首先采用3sigma准则去除原始噪声获得高质量的原始数据并实现数据重构，利用改进的SSAE提取发动机每个周期的特征并进行特征降维，其中在编码器中采用BN层与Dropout层解决梯度消失以及过拟合问题，然后将提取的发动机特征构建成HI值，获得表征发动机退化趋势的HI曲线，最后在ESN网络中引入注意力机制，自适应处理不同类型的特征并优化网络参数，最终得到RUL值，实现涡扇发动机的剩余使用寿命预测。本发明采用特征提取加网络预测结构的组合模型进行剩余使用寿命预测，提高了预测精度。摘要附图如图1。
-
公开(公告)号：CN113743016B
公开(公告)日：2023-06-30
申请号：CN202111053448.6
申请日：2021-09-09
Applicant: 湖南工业大学
IPC: G06F30/27 , G06F119/04
Abstract: 一种基于改进的堆叠式稀疏自编码器(SSAE)和注意力回声状态网络(Atten‑ESN)的发动机剩余寿命预测方法，首先采用3sigma准则去除原始噪声获得高质量的原始数据并实现数据重构，利用改进的SSAE提取发动机每个周期的特征并进行特征降维，其中在编码器中采用BN层与Dropout层解决梯度消失以及过拟合问题，然后将提取的发动机特征构建成HI值，获得表征发动机退化趋势的HI曲线，最后在ESN网络中引入注意力机制，自适应处理不同类型的特征并优化网络参数，最终得到RUL值，实现涡扇发动机的剩余寿命预测。本发明采用特征提取加网络预测结构的组合模型进行剩余寿命预测，提高了预测精度。摘要附图如图1。
-
公开(公告)号：CN112580263B
公开(公告)日：2022-05-10
申请号：CN202011555334.7
申请日：2020-12-24
Applicant: 湖南工业大学
IPC: G06F30/27 , G06F30/17 , G06N3/04 , G06N3/08 , G06F119/04
Abstract: 一种基于时空特征融合的发动机剩余使用寿命预测方法，首先获取到原始的随时间变化的传感器数据，通过数据选择及归一化处理后得到特征数据，将特征数据分别输入到一维全卷积层神经网络和LSTM神经网络中，利用一维全卷积层神经网络实现数据集空间特征信息的提取，利用LSTM神经网络实现数据集时间序列特征信息的提取，得到该两类特征后，采用时空特征融合算法，对其进行特征融合，再将融合特征输入到最大池化的一维卷积神经网络进行特征二次提取，实现涡扇发动机的剩余使用寿命预测。本发明采用时空特征融合的多神经网络组合模型进行剩余使用寿命预测，提高了预测精度。
-
Patent Agency Ranking
公开(公告)号：CN113722833A
公开(公告)日：2021-11-30
申请号：CN202111053571.8
申请日：2021-09-09
Applicant: 湖南工业大学
Abstract: 基于双通道长短时记忆神经网络的涡轮发动机剩余使用寿命预测方法，首先测量监测发动机状态的传感器数据指标的可变性，获取具有可变性的传感器数据指标，然后利用双通道长短时记忆神经网络处理数据指标和数据指标的差值，并设计一种卷积神经网络模块提取长短时记忆神经网络序列输出结果的局部时间特征，之后，将局部时间特征用于两层全连接神经网络的输入，预测发动机的剩余使用寿命，最后，使用上一个时刻的预测值作为一个对当前时刻预测结果的缓冲，平滑校准当前的预测值。本发明有效降低了故障噪声的干扰，提高了长短时记忆神经网络处理时间序列的能力，并最终提升了拟合剩余使用寿命的精确度。
-
公开(公告)号：CN112580263A
公开(公告)日：2021-03-30
申请号：CN202011555334.7
申请日：2020-12-24
Applicant: 湖南工业大学
IPC: G06F30/27 , G06F30/17 , G06N3/04 , G06N3/08 , G06F119/04
Abstract: 一种基于时空特征融合的发动机剩余使用寿命预测方法，首先获取到原始的随时间变化的传感器数据，通过数据选择及归一化处理后得到特征数据，将特征数据分别输入到一维全卷积层神经网络和LSTM神经网络中，利用一维全卷积层神经网络实现数据集空间特征信息的提取，利用LSTM神经网络实现数据集时间序列特征信息的提取，得到该两类特征后，采用时空特征融合算法，对其进行特征融合，再将融合特征输入到最大池化的一维卷积神经网络进行特征二次提取，实现涡扇发动机的剩余使用寿命预测。本发明采用时空特征融合的多神经网络组合模型进行剩余使用寿命预测，提高了预测精度。
-
公开(公告)号：CN113722833B
公开(公告)日：2023-06-06
申请号：CN202111053571.8
申请日：2021-09-09
Applicant: 湖南工业大学
IPC: G06F30/15 , G06F30/27 , G06N3/04 , G06Q10/04 , G06F18/214 , G06N3/0464 , G06N3/045 , G06N3/0442 , G06F119/04
Abstract: 基于双通道长短时记忆神经网络的涡轮发动机剩余使用寿命预测方法，首先测量监测发动机状态的传感器数据指标的可变性，获取具有可变性的传感器数据指标，然后利用双通道长短时记忆神经网络处理数据指标和数据指标的差值，并设计一种卷积神经网络模块提取长短时记忆神经网络序列输出结果的局部时间特征，之后，将局部时间特征用于两层全连接神经网络的输入，预测发动机的剩余使用寿命，最后，使用上一个时刻的预测值作为一个对当前时刻预测结果的缓冲，平滑校准当前的预测值。本发明有效降低了故障噪声的干扰，提高了长短时记忆神经网络处理时间序列的能力，并最终提升了拟合剩余使用寿命的精确度。
-
公开(公告)号：CN110928683B
公开(公告)日：2022-01-28
申请号：CN201911112202.4
申请日：2019-11-14
Applicant: 湖南工业大学
IPC: G06F9/50
Abstract: 基于两类密集型虚拟机边缘计算资源分配方法，综合考虑了边缘服务器中IO密集型和CPU密集型虚拟机对资源分配的要求，将虚拟机状态、上传数据类型权重和系统加速比、任务完成时间等分别引入两类虚拟机资源分配计算算法中，动态生成IO密集型虚拟机优先级队列和CPU密集型虚拟机所需CPU核心数，可以实现边缘服务器资源的合理分配，从而有效降低了由于密集计算和高资源消耗等对成本和时延造成的影响。克服了传统启发式方法和代价函数等对优先级的设置人为因素影响较大而不利于边缘服务器进行资源分配的问题，最终提高了资源分配的效率。
-
公开(公告)号：CN110928683A
公开(公告)日：2020-03-27
申请号：CN201911112202.4
申请日：2019-11-14
Applicant: 湖南工业大学
IPC: G06F9/50
Abstract: 基于两类密集型虚拟机边缘计算资源分配方法，综合考虑了边缘服务器中IO密集型和CPU密集型虚拟机对资源分配的要求，将虚拟机状态、上传数据类型权重和系统加速比、任务完成时间等分别引入两类虚拟机资源分配计算算法中，动态生成IO密集型虚拟机优先级队列和CPU密集型虚拟机所需CPU核心数，可以实现边缘服务器资源的合理分配，从而有效降低了由于密集计算和高资源消耗等对成本和时延造成的影响。克服了传统启发式方法和代价函数等对优先级的设置人为因素影响较大而不利于边缘服务器进行资源分配的问题，最终提高了资源分配的效率。
-
-
-
-
-
-
-
-
-
Search Results
10
records
(took 0.022 seconds)
