-
公开(公告)号：CN111860668B
公开(公告)日：2024-04-02
申请号：CN202010733749.2
申请日：2020-07-27
Applicant: 辽宁工程技术大学
IPC: G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种针对原始3D点云处理的深度卷积网络的点云识别方法，包括：通过FPS算法对原始点云进行采样；使用球域搜索算法对每个采样中心点周围给定半径所形成地球域内的K个邻近点进行查找并分组，进而将原始点云划分成重叠的局部区域；使用点云卷积操作对每个局域内的点集进行精细特征提取，产生更高层次的抽象特征。本发明可以对原始点云直接进行端到端的特征学习，无需任何预处理，并且具有较高的点云识别精度，将图像数据转为点云并使用该方法对其进行识别，性能也基本等效于传统2D卷积网络。
-
公开(公告)号：CN111931851A
公开(公告)日：2020-11-13
申请号：CN202010802820.8
申请日：2020-08-11
Applicant: 辽宁工程技术大学
Abstract: 本发明公开了一种基于一维残差神经网络的风机叶片结冰故障诊断方法，包括：获取风力发电机的SCADA数据和叶片状态数据；通过标记标签、重采样、类间平衡和归一化对SCADA数据进行预处理；对预处理后的数据进行基于叶片结冰物理机制和XGBoost特征重要性计算选取与叶片结冰最相关的特征；构建一维残差神经网络；将特征重要度排序后递增特征维度比较一维残差神经网络模型诊断的准确率；利用测试集进行测试，评估模型的诊断性能。本发明利用一维卷积层自适应的提取特征并做出叶片结冰诊断，加入残差块加深网络的同时解决网络优化的过程中存在梯度消失和梯度爆炸的问题，具有更高的综合性能和泛化能力，具有较高的预测准确度，可以将除冰系统的效率提高到最大值。
-
公开(公告)号：CN111860668A
公开(公告)日：2020-10-30
申请号：CN202010733749.2
申请日：2020-07-27
Applicant: 辽宁工程技术大学
Abstract: 本发明公开了一种针对原始3D点云处理的深度卷积网络的点云识别方法，包括：通过FPS算法对原始点云进行采样；使用球域搜索算法对每个采样中心点周围给定半径所形成地球域内的K个邻近点进行查找并分组，进而将原始点云划分成重叠的局部区域；使用点云卷积操作对每个局域内的点集进行精细特征提取，产生更高层次的抽象特征。本发明可以对原始点云直接进行端到端的特征学习，无需任何预处理，并且具有较高的点云识别精度，将图像数据转为点云并使用该方法对其进行识别，性能也基本等效于传统2D卷积网络。
-
公开(公告)号：CN111931851B
公开(公告)日：2024-08-02
申请号：CN202010802820.8
申请日：2020-08-11
Applicant: 辽宁工程技术大学
IPC: G06F18/214 , G06F18/24 , G06N3/0464 , G06N3/08 , G06N20/20
Abstract: 本发明公开了一种基于一维残差神经网络的风机叶片结冰故障诊断方法，包括：获取风力发电机的SCADA数据和叶片状态数据；通过标记标签、重采样、类间平衡和归一化对SCADA数据进行预处理；对预处理后的数据进行基于叶片结冰物理机制和XGBoost特征重要性计算选取与叶片结冰最相关的特征；构建一维残差神经网络；将特征重要度排序后递增特征维度比较一维残差神经网络模型诊断的准确率；利用测试集进行测试，评估模型的诊断性能。本发明利用一维卷积层自适应的提取特征并做出叶片结冰诊断，加入残差块加深网络的同时解决网络优化的过程中存在梯度消失和梯度爆炸的问题，具有更高的综合性能和泛化能力，具有较高的预测准确度，可以将除冰系统的效率提高到最大值。
-
-
-
Search Results
4
records
(took 0.016 seconds)
