-
公开(公告)号：CN113804997B
公开(公告)日：2023-12-26
申请号：CN202110965856.2
申请日：2021-08-23
Applicant: 西安理工大学
IPC: G01R31/00 , G06N3/048 , G06N3/084 , G06N3/0464
Abstract: 本发明公开了基于双向WaveNet深度学习的电压暂降源定位方法，具体为：首先，利用电能质量监测设备，对观测节点的三相电压的幅值进行采样，并对数据进行预处理，并形成训练数据集和测试数据集；搭建双向WaveNet整体模型结构，并对模型进行训练；最后使用监测到的实际电压幅值数据，经过预处理后获得电压幅值矩阵数据，将电压矩阵数据输入模型中，输出数据即为所需的电压暂降源定位结果。通过采用基于双向WaveNet模型，将时间依赖信息的分析由隐含状态传递转变为提取时间序列中数据连接特征，从而实现提取更长的数据之间的时序关系，进行电压暂降源定位问题分析。
-
公开(公告)号：CN112836584B
公开(公告)日：2023-04-07
申请号：CN202110009486.5
申请日：2021-01-05
Applicant: 西安理工大学
IPC: G06V20/59 , G06V10/764 , G06N3/048 , G06N3/0464 , G06N3/08 , G06V10/82
Abstract: 本发明公开基于深度学习的交通图像安全带分类方法，具体按照以下步骤实施：步骤1、构造数据集，并对数据集进行格式转换，随机分为训练集和测试集；步骤2、搭建具有SE模块的深层稠密残差网络并设计网络各层参数；步骤3、设置训练时需要的损失函数、网络优化算法及所有超参数，损失函数为加入正则化的交叉熵损失函数；步骤4、根据步骤3设置的损失函数、网络优化算法对步骤2构建的具有SE模块的深层稠密残差网络进行训练，得到网络模型；步骤5、对步骤1中的测试集通过步骤4中得到的网络模型权重进行预测，判断汽车驾驶员是否佩戴安全带。该方法能够增加安全带检测的准确度，减少虚警率和漏检率，以获取更高的安全带分类精度。
-
公开(公告)号：CN115493584A
公开(公告)日：2022-12-20
申请号：CN202211171023.X
申请日：2022-09-22
Applicant: 西安理工大学
Abstract: 本发明公开的基于EWT的脉冲星信号去噪方法，具体为：S1、获取脉冲星累积脉冲轮廓x(t)，其中t表示时间变量；S2、对脉冲星累积脉冲轮廓x(t)进行EWT分解；S3、对{emfm(t),m＝1,2,…,M}共M个EMF进行FFT；S4、计算频域特征集合{EMAm,m＝1,2,…,M}；S5、确定高频EMF分量的起始层数K；S6、将第M层EMF分量emfM(t)作为噪声直接剔除；S7、利用小波阈值方法对emfK(t)～emfM‑1(t)进行降噪处理，降噪结果记作S8、利用Savitzky‑Golay平滑滤波方法对emf1(t)～emfK‑1(t)这些低频EMF分量进行降噪处理，降噪结果记作S9、得到去噪后的脉冲星信号该方法能够有效提高脉冲星累积轮廓的信噪比，改善脉冲星累积轮廓的质量。
-
公开(公告)号：CN114613371A
公开(公告)日：2022-06-10
申请号：CN202210108395.1
申请日：2022-01-28
Applicant: 西安理工大学
Abstract: 本发明公开了一种基于双向门控循环神经网络的雏鸡性别鉴别方法，步骤包括：1)将雏禽声纹波形数据进行采样；2)将雏禽声纹波形数据转化为序列形式；3)将序列化后的雏禽声纹数据样本划分为训练集、交叉验证集及测试集；4)构建基于循环神经网络的模型构架；5)对基于循环神经网络的模型构架进行训练；6)使用交叉验证集进行模型过拟合测试；7)使用测试集进行测试；8)应用基于循环神经网络的人工智能模型进行雏禽性别鉴定。对雏禽性别鉴定具有极高的准确率和实时性，降低对操作人员的专业技能要求。
-
公开(公告)号：CN113804997A
公开(公告)日：2021-12-17
申请号：CN202110965856.2
申请日：2021-08-23
Applicant: 西安理工大学
Abstract: 本发明公开了基于双向WaveNet深度学习的电压暂降源定位方法，具体为：首先，利用电能质量监测设备，对观测节点的三相电压的幅值进行采样，并对数据进行预处理，并形成训练数据集和测试数据集；搭建双向WaveNet整体模型结构，并对模型进行训练；最后使用监测到的实际电压幅值数据，经过预处理后获得电压幅值矩阵数据，将电压矩阵数据输入模型中，输出数据即为所需的电压暂降源定位结果。通过采用基于双向WaveNet模型，将时间依赖信息的分析由隐含状态传递转变为提取时间序列中数据连接特征，从而实现提取更长的数据之间的时序关系，进行电压暂降源定位问题分析。
-
Patent Agency Ranking
公开(公告)号：CN108921285B
公开(公告)日：2021-05-25
申请号：CN201810647778.X
申请日：2018-06-22
Applicant: 西安理工大学
IPC: G06N3/04
Abstract: 本发明公开了一种基于双向门控循环神经网络的序列中单一元素分类方法，步骤包括：1)对采集到的时序信号或数据进行人工分类；2)将输入数据集和标签集分别转换为矩阵形式；3)将输入数据集和对应的标签集随机划分为训练集和测试集，其中训练集数据占总样本70％，测试集数据占总样本的30％；4)构建双向门控循环神经网络模型；5)对构建好的双向门控循环神经网络模型进行训练；6)过拟合判断；7)使用训练好的双向门控循环神经网络模型进行序列单一元素的分类，使用Argmax函数从输出层得到最终判断结果，获得对序列中单一元素的正确分类。本发明的方法，对序列数据的识别准确率达99％以上。
-
公开(公告)号：CN108399616A
公开(公告)日：2018-08-14
申请号：CN201810142302.0
申请日：2018-02-11
Applicant: 西安理工大学
Abstract: 本发明公开了一种基于深度残差网络的骨科病病变分类分级方法，具体按照以下步骤实施：步骤1，离线学习，将经过专业分类并做好标记的骨科病病变图像进行预处理，然后进行深度残差神经网络训练；步骤2，在线学习，将经步骤1训练好的深度残差神经网络进行备份后部署到日常诊疗中，同时使用在线学习的训练方法，使深度残差神经网络通过日常的诊疗数据不断的自我修正。本发明的基于深度残差网络的骨科病病变分类分级方法，解决了现有卷积神经网络随着神经网络构架深度的增加，出现精度饱和随后精度下降，且离线学习的方法无法对每天产生的诊疗数据加以利用，因而无法随着诊疗数目的增加进行自我修正的问题。
-
公开(公告)号：CN114545147B
公开(公告)日：2025-03-28
申请号：CN202210025828.7
申请日：2022-01-11
Applicant: 西安理工大学
IPC: G01R31/08 , G06F30/27 , G06N3/0464 , G06N3/048 , G06N3/084 , G06F113/04
Abstract: 本发明公开了一种计及时变拓扑时基于深度学习的电压暂降源定位方法，本发明解决现有方法在面对时变电网拓扑结构时，模型不可用、自适应性差、定位准确率低、算法泛化性能差的问题。通过采用基于1D卷积深度学习模型和迁移学习结合，对电能质量监测设备所采集到的有限个监测节点所对应的三相监测电压进行分析后，获得配电网中具体的电压暂降源所在线路。提高模型在拓扑变化时电压暂降源定位准确率，提高模型自适应能力和泛化性能。
-
公开(公告)号：CN118315827A
公开(公告)日：2024-07-09
申请号：CN202410491192.4
申请日：2024-04-23
Applicant: 西安理工大学
Abstract: 本发明公开多层结构的可调双宽带太赫兹吸收器，包括有M*N个多层结构的可调双宽带太赫兹吸收单元，M*N个多层结构的可调双宽带太赫兹吸收单元呈M*N二维分布，其中M和N都是正整数；每个多层结构的可调双宽带太赫兹吸收单元包括有自上至下依次设置的顶部二氧化钒层、第一介质层、中间二氧化钒层、第二介质层及金属反射层；二氧化钒层、第一介质层、中间二氧化钒层、第二介质层及金属反射层的形状均为正方形，顶部二氧化钒层的边长小于其余层的边长；中间二氧化钒层、第一介质层、第二介质层及金属反射层的边长相等。该太赫兹吸收器在两个频率范围内同时实现高吸收、动态可调谐且结构简单。
-
公开(公告)号：CN114545147A
公开(公告)日：2022-05-27
申请号：CN202210025828.7
申请日：2022-01-11
Applicant: 西安理工大学
IPC: G01R31/08 , G06F30/27 , G06N3/04 , G06N3/08 , G06F113/04
Abstract: 本发明公开了一种计及时变拓扑时基于深度学习的电压暂降源定位方法，本发明解决现有方法在面对时变电网拓扑结构时，模型不可用、自适应性差、定位准确率低、算法泛化性能差的问题。通过采用基于1D卷积深度学习模型和迁移学习结合，对电能质量监测设备所采集到的有限个监测节点所对应的三相监测电压进行分析后，获得配电网中具体的电压暂降源所在线路。提高模型在拓扑变化时电压暂降源定位准确率，提高模型自适应能力和泛化性能。
-
-
-
-
-
-
-
-
-
Search Results
47
records
(took 0.026 seconds)
