-
公开(公告)号：CN114978827B
公开(公告)日：2024-05-10
申请号：CN202210428506.7
申请日：2022-04-22
Applicant: 深圳市人工智能与机器人研究院 , 电子科技大学
IPC: H04L27/00 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于星座图相位异众比率校正频偏的调制识别方法，包括根据所述调制数据得到有相同星座图序列特征的训练数据集和测试数据集，并进行数据预处理；将预处理后的测试数据集进行校正载波频率偏移处理，再根据校正频偏的星座图序列特征得到星座数据，并根据所述星座数据分别绘制训练数据集和测试数据集星座图；通过图像识别分类方法对所述训练数据集星座图进行训练得到识别分类模型；通过识别分类模型对所述测试数据集星座图进行调制识别分类。本发明针对调制信号的调制识别，考虑了载波频率的偏移问题，通过最小化星座图的相位异众比率校正星座图的频偏，并用图像识别分类方法对校正星座图进行训练，有效地提升调制识别的准确率。
-
公开(公告)号：CN112285565A
公开(公告)日：2021-01-29
申请号：CN202010995246.2
申请日：2020-09-21
Applicant: 电子科技大学
IPC: G01R31/367 , G01R31/392
Abstract: 本发明公开了一种基于RKHS域匹配的迁移学习预测电池SOH方法，通过提取两个电池的特征，利用域匹配算法对两个特征空间进行调整，使两个特征空间的条件分布和边缘分布相匹配，从而完成一阶统计量的匹配；再将特征空间通过核函数映射到可再生希尔伯特空间，实现高阶统计量的匹配；然后通过调整样本权重使得两个空间相关的样本权重变大，不相关的样本权重变小；这样通过域匹配方式可以利用一个电池数据做训练，用普通的机器学习算法来预测另一个电池的SOH，从而具有适用性高，预测精度高，实现简单等优点。
-
公开(公告)号：CN116643191A
公开(公告)日：2023-08-25
申请号：CN202310573220.2
申请日：2023-05-19
Applicant: 电子科技大学
IPC: G01R31/392 , G06F18/15 , G06F18/213 , G06F18/2135 , G06F18/214 , G06N3/0499 , G06N3/084 , G01R31/367
Abstract: 本发明公开了一种融合经验模型的数据驱动锂电池SOH估计方法，通过使用少量带标签的样本，利用三种不同的经验子模型对电池充电循环次数和SOH分别拟合出线性关系曲线，将三种关系曲线依据各自对电池实际SOH的拟合程度组合成最终的经验模型，把最终经验模型预测出的SOH代替电池实际SOH嵌入人工神经网络的损失函数中，计算出经验损失，再加上人工经验得出的单调损失，辅助网络进行训练；这样通过机理嵌入的方式可以解决带标签样本较少的小样本环境下对神经网络进行训练的问题，实现接近无监督的神经网络学习，从而具有适用性广、预测精度高、数据依赖低等优点。
-
公开(公告)号：CN113470316B
公开(公告)日：2022-03-25
申请号：CN202110563906.4
申请日：2021-05-24
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于自编码单分类模型的泥石流监测预警方法，通过传感器连续采集多组某复杂山区在某正常无灾害时间段下的特征数据，分别构成训练集与测试集；再将训练集与测试集进行预处理，将处理后的训练集输入至构建的自编码单分类模型并训练，然后将测试集输入至训练完成的自编码单分类模型，进而确定异常判断阙值；最后结合异常判断阙值，通过训练完成的自编码单分类模型进行泥石流监测预警。
-
公开(公告)号：CN112285565B
公开(公告)日：2021-07-13
申请号：CN202010995246.2
申请日：2020-09-21
Applicant: 电子科技大学
IPC: G01R31/367 , G01R31/392
Abstract: 本发明公开了一种基于RKHS域匹配的迁移学习预测电池SOH方法，通过提取两个电池的特征，利用域匹配算法对两个特征空间进行调整，使两个特征空间的条件分布和边缘分布相匹配，从而完成一阶统计量的匹配；再将特征空间通过核函数映射到可再生希尔伯特空间，实现高阶统计量的匹配；然后通过调整样本权重使得两个空间相关的样本权重变大，不相关的样本权重变小；这样通过域匹配方式可以利用一个电池数据做训练，用普通的机器学习算法来预测另一个电池的SOH，从而具有适用性高，预测精度高，实现简单等优点。
-
Patent Agency Ranking
公开(公告)号：CN112327165A
公开(公告)日：2021-02-05
申请号：CN202010994429.2
申请日：2020-09-21
Applicant: 电子科技大学
IPC: G01R31/367 , G01R31/392
Abstract: 本发明公开了一种基于无监督迁移学习的电池SOH预测方法，通过提取两个电池的特征，用域匹配算法对两个特征空间进行调整，使两个特征空间的条件分布和边缘分布相匹配，并且通过调整样本权重使得两个空间相关的样本权重变大，不相关的样本权重变小；这样通过域匹配方式可以利用一个电池数据做训练，用普通的机器学习算法来预测另一个电池的SOH，从而具有适用性高，预测精度高，实现简单等优点。
-
公开(公告)号：CN114978827A
公开(公告)日：2022-08-30
申请号：CN202210428506.7
申请日：2022-04-22
Applicant: 深圳市人工智能与机器人研究院 , 电子科技大学
IPC: H04L27/00 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于星座图相位异众比率校正频偏的调制识别方法，包括根据所述调制数据得到有相同星座图序列特征的训练数据集和测试数据集，并进行数据预处理；将预处理后的测试数据集进行校正载波频率偏移处理，再根据校正频偏的星座图序列特征得到星座数据，并根据所述星座数据分别绘制训练数据集和测试数据集星座图；通过图像识别分类方法对所述训练数据集星座图进行训练得到识别分类模型；通过识别分类模型对所述测试数据集星座图进行调制识别分类。本发明针对调制信号的调制识别，考虑了载波频率的偏移问题，通过最小化星座图的相位异众比率校正星座图的频偏，并用图像识别分类方法对校正星座图进行训练，有效地提升调制识别的准确率。
-
公开(公告)号：CN112327165B
公开(公告)日：2021-07-13
申请号：CN202010994429.2
申请日：2020-09-21
Applicant: 电子科技大学
IPC: G01R31/367 , G01R31/392
Abstract: 本发明公开了一种基于无监督迁移学习的电池SOH预测方法，通过提取两个电池的特征，用域匹配算法对两个特征空间进行调整，使两个特征空间的条件分布和边缘分布相匹配，并且通过调整样本权重使得两个空间相关的样本权重变大，不相关的样本权重变小；这样通过域匹配方式可以利用一个电池数据做训练，用普通的机器学习算法来预测另一个电池的SOH，从而具有适用性高，预测精度高，实现简单等优点。
-
公开(公告)号：CN113094985A
公开(公告)日：2021-07-09
申请号：CN202110346401.2
申请日：2021-03-31
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于交叉流形嵌入迁移学习的电池SOH预测方法，将电池的一次充放电过程所提取的特征与SOH值作为一个循环的样本点，而辅助电池每一次循环提取的源域数据集和新电池前t次循环提取的目标域数据集在特征空间中被视为两个不同的流形。将新电池的目标域数据作为辅助电池的源域数据的锚点集，对于每一个源域样本点，在锚点集中找到关于SOH值的K个近邻点，求解最优权重使得源域样本点能够映射到K个近邻所在的流形，再根据最优权重与K个近邻的特征将源域样本点的特征进行映射。由此将源域数据集嵌入目标域流形中，从而在不丢失特征维度的情况下实现低维数据的特征迁移，由此提高机器学习方法的跨场景泛化性能。
-
公开(公告)号：CN113094985B
公开(公告)日：2022-06-14
申请号：CN202110346401.2
申请日：2021-03-31
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于交叉流形嵌入迁移学习的电池SOH预测方法，将电池的一次充放电过程所提取的特征与SOH值作为一个循环的样本点，而辅助电池每一次循环提取的源域数据集和新电池前t次循环提取的目标域数据集在特征空间中被视为两个不同的流形。将新电池的目标域数据作为辅助电池的源域数据的锚点集，对于每一个源域样本点，在锚点集中找到关于SOH值的K个近邻点，求解最优权重使得源域样本点能够映射到K个近邻所在的流形，再根据最优权重与K个近邻的特征将源域样本点的特征进行映射。由此将源域数据集嵌入目标域流形中，从而在不丢失特征维度的情况下实现低维数据的特征迁移，由此提高机器学习方法的跨场景泛化性能。
-
-
-
-
-
-
-
-
-
Search Results
11
records
(took 0.025 seconds)
