-
公开(公告)号：CN113870197B
公开(公告)日：2025-04-29
申请号：CN202111065587.0
申请日：2021-09-10
Applicant: 贵州大学
Abstract: 本发明公开了一种基于小波多层分解的齿轮裂纹检测方法，该方法采用离线检测的方法，即定期对工作齿轮进行图像采集，然后对采集到的图像应用小波算法加之图像处理技术分析齿轮裂纹的特性，重点针对齿轮局部裂纹检测，在对图像进行小波分解的时候，为了能更清晰的看到缺陷，对其进行了子图的融合，最后用直方图阈值的方法进行了分割，最终清晰的得到了齿轮的缺陷，本发明确保及时准确地检测并控制齿轮的损坏状态，从而减少或避免加工过程中的故障发生，更好地保证加工质量，减少工件报废，提高生产效率。
-
公开(公告)号：CN119885038A
公开(公告)日：2025-04-25
申请号：CN202510352273.0
申请日：2025-03-25
Applicant: 贵州大学
IPC: G06F18/2433 , G06N3/0455
Abstract: 一种基于重构模型的多变量飞行数据异常检测和定位方法，包括以下步骤：数据预处理步骤：收集无人机飞行数据，将原始输入数据按预设比例划分为训练集和测试集，对数据进行归一化处理；模型构建步骤：构建基于DCANNs的神经网络重构模型；自动编码器模块通过编码器将输入数据压缩为潜在变量再由解码器将z解码回原始数据空间获得重建数据；自适应异常检测步骤：利用训练集重构残差计算异常阈值，通过比较测试集的异常分数与阈值实现异常检测；异常定位步骤：通过计算和分析残差的统计特征定位异常参数；本发明的目的解决了传统深度学习模型特征提取不充分、固定统计阈值无法适应飞行数据动态变化以及异常参数具体来源无法定位的问题。
-
公开(公告)号：CN119536245A
公开(公告)日：2025-02-28
申请号：CN202411240485.1
申请日：2024-09-05
Applicant: 贵州大学 , 贵州省烟草公司贵阳市公司
IPC: G05D1/43 , G05D1/246 , G05D1/633 , G05D1/644 , G05D109/10
Abstract: 本发明公开了基于多策略改进哈里斯鹰算法的机器人路径规划方法，该方法包括：设置初始参数；使用混沌初始化策略，引入Tent混沌映射初始化种群；使用模糊能量策略计算猎物逃逸能量；根据逃逸能量选择探索阶段或开发阶段；当|E|≥1时，个体进入探索阶段，|E|＜1时，个体进入开发阶段；使用正余弦扰动方法尝试跳出局部最优解；判断是否达到最大迭代次数，若满足则输出最优路径，否则返回猎物逃逸能量计算步骤；构建机器人在位置空间的路径轨迹图与适应度曲线图。本发明旨在解决机器人在进行路径规划时面临的路径不平滑、收敛速度慢、易陷入死区等问题。
-
公开(公告)号：CN119292754B
公开(公告)日：2025-02-25
申请号：CN202411826503.4
申请日：2024-12-12
Applicant: 贵州大学
Abstract: 本发明提出了一种基于改进徒步旅行优化算法的云计算任务调度方法；所述方法包括以下步骤：S1、收集任务所需和虚拟机所具备的计算资源向量、负载成本向量及资源带宽向量，然后建立总成本函数；S2、利用改进徒步旅行算法对目标函数进行优化，得到最优个体；S3、将S2中获取的最优个体映射到二进制的调度矩阵，通过调度矩阵得到任务调度策略，从而进行任务调度；本项发明旨在缩减系统在进行任务调度时的任务执行时长，并提升最优解的精确度，从而优化处理大规模任务调度时的性能。此外，它还显著提升了云计算任务调度的合理性，确保资源得以最大化利用，有效解决了云计算任务调度过程中可能出现的资源浪费及业务性能下滑的问题。
-
公开(公告)号：CN119492802A
公开(公告)日：2025-02-21
申请号：CN202510074227.9
申请日：2025-01-17
Applicant: 贵州大学
IPC: G01N29/04 , G01N29/44 , G06F18/214 , G06F18/21 , G06F18/25 , G06N3/0464 , G06F18/213
Abstract: 本发明涉及航空复合材料结构监测领域，具体涉及一种基于导波的航空复合材料无基线多模态损伤检测方法。包括：步骤一，采集航空复合材料带有若干种损伤的导波信号，将导波信号分为训练集、验证集和测试集；步骤二，基于状态空间模型的曼巴技术和卷积神经网络，设计多模态损伤检测模型的GW分支和CWT分支进行特征提取；步骤三，将GW分支及CWT分支提取到的特征进行融合，得到多维损伤特征并映射至分类空间；步骤四，采用交叉熵损失函数作为多模态损伤检测模型的目标函数，衡量样本属于某一类别的预测得分与真实概率间的差异，进行分类任务。步骤五，利用验证集调节最优超参数和网络结构寻找最佳模型，使用测试集验证模型的损伤检测效果，输出性能指标。
-
Patent Agency Ranking
公开(公告)号：CN119475198A
公开(公告)日：2025-02-18
申请号：CN202510053041.5
申请日：2025-01-14
Applicant: 贵州大学
IPC: G06F18/2433 , G06N3/0464 , G06F18/213 , G06F18/27 , G06N3/084
Abstract: 本发明涉及无人机检测技术领域，具体涉及了一种无人机飞行数据高精度异常检测和数据恢复方法。包括以下步骤：S1、构建基于TCN‑KANs的多元回归模型，所述TCN‑KANs模型包括输入层、三个残差块以及一个KAN层，其中残差块通过卷积层以及残差连接提取特征，并对输入特征进行非线性变化，提取潜在模式并生成最终输出，KAN层作为TCN‑KANs最终的输出层；S2、最小化预测值和真实值之间的误差；S3、根据模型的预测结果计算残差，对残差进行平滑处理后，通过对残差的统计特性进行分析确定异常阈值；S4、无人机的飞行实时监控以及操作控制时，通过模型在检测到异常后生成恢复值进行数据恢复。
-
公开(公告)号：CN119292754A
公开(公告)日：2025-01-10
申请号：CN202411826503.4
申请日：2024-12-12
Applicant: 贵州大学
Abstract: 本发明提出了一种基于改进徒步旅行优化算法的云计算任务调度方法；所述方法包括以下步骤：S1、收集任务所需和虚拟机所具备的计算资源向量、负载成本向量及资源带宽向量，然后建立总成本函数；S2、利用改进徒步旅行算法对目标函数进行优化，得到最优个体；S3、将S2中获取的最优个体映射到二进制的调度矩阵，通过调度矩阵得到任务调度策略，从而进行任务调度；本项发明旨在缩减系统在进行任务调度时的任务执行时长，并提升最优解的精确度，从而优化处理大规模任务调度时的性能。此外，它还显著提升了云计算任务调度的合理性，确保资源得以最大化利用，有效解决了云计算任务调度过程中可能出现的资源浪费及业务性能下滑的问题。
-
公开(公告)号：CN119003135B
公开(公告)日：2024-12-27
申请号：CN202411467773.0
申请日：2024-10-21
Applicant: 贵州大学
Abstract: 本发明提出了一种高精度的人工神经网络优化算法的云任务模型方法，包括：步骤1:初始化；步骤2:初始化完成后，开始基于SCVNNA的最优解搜索过程；步骤3:个体的全局探索和局部开发行为将取决于当前差异调整算子z的值，如果z大于0到1之间的随机数，那么将执行差异调整种群更新它们的位置；步骤4:一旦达到最大迭代次数，搜索过程停止，将个体的位置转换为决策变量，并作为最佳的云计算任务调度方案。本发明具有显著的优点，包括提升任务调度的精度和计算效率，显著减少资源的空闲和浪费。同时，该方案通过全局探索与局部优化相结合，提高了系统的鲁棒性和优化效果，适用于大规模云计算任务的高效调度和管理。
-
公开(公告)号：CN118468454A
公开(公告)日：2024-08-09
申请号：CN202410925609.3
申请日：2024-07-11
Applicant: 贵州大学
IPC: G06F30/15 , G06F18/2411 , G06F18/214
Abstract: 本发明涉及无人机异常检测技术领域，公开了一种无人机执行器数据异常程度检测与关键参数识别方法，构建SCAE无监督混合模型；获取无人机执行器数据并进行数据预处理，得到训练数据集、验证数据集和测试数据集；利用预处理后的训练数据集对模型进行训练，得到CAE模型；将验证数据集输入至CAE模型得到阈值；将不同异常程度的异常数据分别注入测试数据集，分别形成相应的待测数据；将待测数据输入至CAE模型，得到预测结果，计算待测数据残差，通过比较待测数据残差和阈值进行不同异常程度下的异常检测；根据待测数据残差，计算无人机执行器各参数的异常贡献度，进行造成异常的关键参数识别；实现无人机执行器数据不同异常程度下的异常检测与关键参数识别。
-
公开(公告)号：CN118094447B
公开(公告)日：2024-07-02
申请号：CN202410496071.9
申请日：2024-04-24
Applicant: 贵州大学
IPC: G06F18/2433 , G06F18/15 , G06F18/213 , G06F18/22 , G06F18/27 , G06N3/0464 , G06N3/0442 , G06N3/0455 , G06N3/084 , G07C5/08 , G06N3/048 , G06F123/02
Abstract: 本发明涉及无人机异常检测技术领域，公开了一种基于编码‑解码的无人机飞行数据自适应异常检测方法，包括数据重建和自适应异常检测；数据重建包括模型架构建立和模型训练；模型架构建立采用一维CNN‑BiLSTM作为特征提取器，捕捉时间特征和局部特征的基本特征数据，并引入注意力机制选择和加权基本特征数据；模型架构建立包括编码和解码；自适应异常检测包括对残差序列进行建模，并以此匹配SVR模型输入，对SVR模型进行评估测试。本发明通过一维CNN和BiLSTM，并结合注意力机制，使模型能够更好地理解数据的特征，实现更精确的数据表示，以此建立精准的数据重构模型。同时，采用自适应阈值，更好满足数据动态变化条件下的自适应异常检测。
-
-
-
-
-
-
-
-
-
Search Results
480
records
(took 0.026 seconds)
