一种声源位置估计方法、可读存储介质及计算机设备

    公开(公告)号:CN110146846B

    公开(公告)日:2021-04-13

    申请号:CN201910493374.4

    申请日:2019-06-06

    Abstract: 本公开提供了一种声源位置估计方法、可读存储介质及计算机设备,单矢量水听器接收海洋中的声源发出的多通道信号;通过固定窗‑动态窗的联合滑动,将接收到的多通道信号融合为瞬时单通道声强信号,并划分为包含足够信息量的信号段,在保证信息量的前提下,减少数据量,提高运算速度;利用最大期望算法进行信号的自补足,同时通过扩大各信号段之间的距离,提高了信号段之间的分辨率,而且一定程度上补充了上一步截取损失的信息;通过循环神经网络利用自补足后的等长信号进行声源位置的估计;本公开所述的声源估计方法仅需采用单矢量水听器采集信号,不仅简化了布置难度和使用成本,还扩大了适用范围。

    一种声源位置估计方法、可读存储介质及计算机设备

    公开(公告)号:CN110146846A

    公开(公告)日:2019-08-20

    申请号:CN201910493374.4

    申请日:2019-06-06

    Abstract: 本公开提供了一种声源位置估计方法、可读存储介质及计算机设备,单矢量水听器接收海洋中的声源发出的多通道信号;通过固定窗-动态窗的联合滑动,将接收到的多通道信号融合为瞬时单通道声强信号,并划分为包含足够信息量的信号段,在保证信息量的前提下,减少数据量,提高运算速度;利用最大期望算法进行信号的自补足,同时通过扩大各信号段之间的距离,提高了信号段之间的分辨率,而且一定程度上补充了上一步截取损失的信息;通过循环神经网络利用自补足后的等长信号进行声源位置的估计;本公开所述的声源估计方法仅需采用单矢量水听器采集信号,不仅简化了布置难度和使用成本,还扩大了适用范围。

    一种基于多源数据融合的复杂装备数字孪生建模方法

    公开(公告)号:CN116341396A

    公开(公告)日:2023-06-27

    申请号:CN202310617682.X

    申请日:2023-05-30

    Inventor: 闫岩 孙显彬 陈敖

    Abstract: 本发明涉及数字孪生建模领域,尤其为一种基于多源数据融合的复杂装备数字孪生建模方法,包括如下步骤:S1:通过收集设备对复杂装备进行多源数据收集,获得多源数据;S2:对多源数据进行数据预处理和多源数据融合,获得处理后数据;S3:对处理后数据进行数据工业大数据标签和特征选择以及特征降维,获得输入数据;S4:使用循环神经网络对输入数据进行模型训练获得数字孪生模型。本发明通过多源数据融合技术和特征选择以及特征降维数据提高数据质量,同时通过K‑means算法对数据进行标签处理在后续循环神经网络使用过程中更为便捷,同时通过循环神经网络进行模型训练获得数字孪生建模模型,降低了建模难度同时提高了建模的准确性。

    适用于状态监测与故障诊断的轮腿复合式机器人及方法

    公开(公告)号:CN109572854A

    公开(公告)日:2019-04-05

    申请号:CN201910054295.3

    申请日:2019-01-21

    Abstract: 本公开提供了一种适用于状态监测与故障诊断的轮腿复合式机器人及方法。其中,适用于状态监测与故障诊断的轮腿复合式机器人包括基体,所述基体包括基座,所述基座上安装有旋转台和丝杠,所述丝杠上穿设有滑块;所述滑块通过驱动电机与控制器相连;行走机构,所述行走机构包括若干个结构相同的轮腿机构;检测机构,所述检测机构包括下臂,所述下臂固定在旋转台上,所述下臂与中臂连接,中臂与上臂连接,上臂与指节连接;所述指节上安装有传感器模块。

    一种基于多源数据融合的复杂装备数字孪生建模方法

    公开(公告)号:CN116341396B

    公开(公告)日:2023-08-11

    申请号:CN202310617682.X

    申请日:2023-05-30

    Inventor: 闫岩 孙显彬 陈敖

    Abstract: 本发明涉及数字孪生建模领域,尤其为一种基于多源数据融合的复杂装备数字孪生建模方法,包括如下步骤:S1:通过收集设备对复杂装备进行多源数据收集,获得多源数据;S2:对多源数据进行数据预处理和多源数据融合,获得处理后数据;S3:对处理后数据进行数据工业大数据标签和特征选择以及特征降维,获得输入数据;S4:使用循环神经网络对输入数据进行模型训练获得数字孪生模型。本发明通过多源数据融合技术和特征选择以及特征降维数据提高数据质量,同时通过K‑means算法对数据进行标签处理在后续循环神经网络使用过程中更为便捷,同时通过循环神经网络进行模型训练获得数字孪生建模模型,降低了建模难度同时提高了建模的准确性。

    一种基于深度学习的虚拟装配缺陷检测方法

    公开(公告)号:CN116385442A

    公开(公告)日:2023-07-04

    申请号:CN202310657878.1

    申请日:2023-06-06

    Abstract: 本发明涉及缺陷检测技术领域,尤其为一种基于深度学习的虚拟装配缺陷检测方法,包括如下步骤:S1:通过检测装置,获取虚拟装配过程的图像信息;S2:提取虚拟装配过程的图像信息,并对虚拟装配过程的图像信息进行预处理;S3:以预处理信息为原始信息构建并训练深度学习网络,获得深度学习模型;S4:将深度学习模型部署到系统中进行应用当虚拟装配缺陷存在时进行自动预警。本发明对预处理的数据进行图像增强获得更多原始数据作为模型训练的输入值,当计算机进行虚拟装配仿真试验时,不需要对数据进行收集计算机就能自己收集数据,并传送至模型当中自动检测,当检测结果出现异常时系统就会自动产生预警。

Patent Agency Ranking