-
公开(公告)号：CN111291898A
公开(公告)日：2020-06-16
申请号：CN202010097148.7
申请日：2020-02-17
Applicant: 哈尔滨工业大学
Abstract: 本发明提出一种多任务稀疏贝叶斯极限学习机回归方法，所述方法包括对于单隐含层神经网络的输入层至隐含层的随机特征提取、输出层权值的多任务稀疏建模及后验估计、多任务稀疏贝叶斯极限学习机参数和超参数快速优化估计等。本发明所述方法采用层次贝叶斯模型对极限学习机输出层权值进行多任务稀疏求解，在保证精度的前提下，裁剪了极限学习机的冗余隐含层神经元，得到了更为紧凑的神经网络，有效的避免了极限学习机的过拟合现象，并能使隐含层神经元个数无须预先确定。从稀疏贝叶斯学习的角度，前端的单隐含层神经网络可以使稀疏贝叶斯学习方法得以应用于非线性问题。
-
公开(公告)号：CN110311685A
公开(公告)日：2019-10-08
申请号：CN201910604340.8
申请日：2019-07-05
Applicant: 哈尔滨工业大学
Abstract: 本发明提出时序贝叶斯压缩采样及信号解压缩重构方法及数据丢失恢复方法，所述方法包括信号压缩采样的测量矩阵的选取、基向量矩阵的设计、信号本身与其在相邻时间段的变化稀疏性的建模、每一时段解压缩重构信号的贝叶斯概率求解、超参数的快速优化估计、基于后验不确定量化进行重构精度的诊断、健康监测无线传感中信号丢失的恢复方法等。本发明所述方法采用层次稀疏贝叶斯学习建模和求解算法，在嵌入信号本身及其随时间变化的两个稀疏性特征，超参数快速求解，较高压缩率下信号重构的鲁棒性及信号重构不确定性量化等方面具有独特的优势，对噪声的鲁棒性也较好。
-
公开(公告)号：CN119643723A
公开(公告)日：2025-03-18
申请号：CN202411671577.5
申请日：2024-11-21
Applicant: 哈尔滨工业大学
IPC: G01N29/44 , G01N29/04 , G06F18/2131 , G06T7/00 , G06T7/73 , G06N3/0475 , G06N3/094 , G06N3/0464
Abstract: 本发明提出一种基于物理信息融合生成对抗神经网络的导波全波场反演方法。所述方法包括损伤波场特征提取、生成对抗网络的网络架构设计和导波波场与损伤几何图像重构方法等。本发明所述方法采用训练完成后生成对抗网络的导波波场生成器输出信号与实际测量信号进行匹配，通过匹配结果对应的随机序列重构导波波场与损伤图像。该方法可灵活应用于各种测点布置方案的工况中，并且重构效率较高，对噪声有一定的鲁棒性。
-
公开(公告)号：CN118839564A
公开(公告)日：2024-10-25
申请号：CN202410950413.X
申请日：2024-07-16
Applicant: 哈尔滨工业大学
IPC: G06F30/23 , G06F30/27 , G06N3/0475 , G06N3/045 , G06N3/096 , G06F18/213 , G06F111/10 , G06F111/04
Abstract: 本发明提出基于少量测点加速度数据和生成对抗网络的结构全自由度振型识别方法。首先，训练生成对抗网络模型，学习结构有限元模型在物理参数各可能数值下的模拟振型大数据集，生成器输入为低维空间中随机采样的向量z，输出为高维的模拟全自由度振型数据φ。其次，基于动力学知识建立振型与监测数据的映射关系，构建优化目标函数。最后，训练好的生成器G通过相对低维的向量z表示结构全自由度振型的特征，通过直接在z空间搜寻获得最优全自由度振型#imgabs0#该方法将生成器作为待识别振型φ的物理模型驱动约束项，从有限元模拟数据中自动学习振型识别有关的物理信息来改善全自由度模态识别反演问题的不适定性。
-
公开(公告)号：CN118072213B
公开(公告)日：2024-09-06
申请号：CN202410065587.8
申请日：2024-01-17
Applicant: 哈尔滨工业大学
Abstract: 本发明提出一种基于图神经网络推断概率图模型的结构损伤识别方法。本发明所述方法针对基于计算机视觉技术得到的稠密结构数据集，建立无向图模型来考虑数据之间的相关性，该模型的结构与所测量结构上的传感器网络相对应，模型参数依据测量数据的损伤敏感特征之间的相关性进行学习。然后，采用图神经网络进行无向图模型的推断，图神经网络依据随机生成的图模型进行训练，以交叉熵作为损失函数进行优化。最后，将学到的无向图模型参数输入训练好的图神经网络中，得到每个测点处结构构件的损伤概率。本发明所提出的方法考虑了结构测量数据间的相关性，并且能结合计算机视觉技术，以更低成本且更鲁棒的方式实现结构损伤识别。
-
Patent Agency Ranking
公开(公告)号：CN117454552B
公开(公告)日：2024-05-31
申请号：CN202311248544.5
申请日：2023-09-26
Applicant: 哈尔滨工业大学
IPC: G06F30/18 , G06F30/13 , G06F30/27 , G06N7/01 , G06F111/08
Abstract: 本发明提出一种基于贝叶斯网络的复杂路网震害分析方法。所述方法包括完整的复杂路网贝叶斯网络建模流程、贝叶斯网络推理分析流程以及复杂路网规模上限判定流程等。本发明所述方法将复杂路网的拓扑关系映射到合适大小的矩形方格网中，再利用遍历算法输出所有可能的路径，并基于拓扑关系进行贝叶斯网络结构建模和参数建模。再通过讨论路网震害的后验概率问题来进行路网失效概率分析、震后关键路段分析和震后应急救援路径选择分析，形成了从建模到分析的完整复杂路网贝叶斯网络应用方法。最后，对所研究区域路网进行路网规模上限判定，得到针对该区域的可迁移性较强的贝叶斯网络模型。
-
公开(公告)号：CN115700494B
公开(公告)日：2023-06-30
申请号：CN202211127267.8
申请日：2022-09-16
Applicant: 哈尔滨工业大学 , 中铁第四勘察设计院集团有限公司 , 中国铁建股份有限公司
IPC: G06F16/215 , G06N3/042 , G06N3/047 , G06N3/048 , G06N3/0495 , G06N3/0985 , G06N5/04
Abstract: 本发明提出一种基于贝叶斯推理的轨道交通监测数据清洗方法及系统。所述方法包括稀疏贝叶斯极限学习机模型的训练、根据模型划分数据集实现异常概率的计算、异常值的迭代求解识别等。本发明所述方法通过训练好的稀疏贝叶斯极限学习机模型为基准，并通过计算数据点的预测误差划分规律数据集和可疑数据集，进而计算可疑数据集中数据点的异常概率来更新数据集，最终不断迭代识别异常值。本发明所述方法通过计算数据点的异常概率，可以做到量化数据点的异常程度，通过循环往复不断迭代从而达到数据清洗的目的，能够为轨道交通结构健康监测领域提供一种有效的数据预处理手段。
-
公开(公告)号：CN116165274A
公开(公告)日：2023-05-26
申请号：CN202310129979.1
申请日：2023-02-17
Applicant: 哈尔滨工业大学
IPC: G01N29/04 , G01N29/44 , G06F18/2135 , G06F18/2136 , G06F17/18
Abstract: 本发明提出基于贝叶斯全局稀疏概率主成分分析的城市轨道损伤识别方法。所述方法首先预处理对齐过车振动数据，使其全局特征更加明显，便于主成分分析识别，然后采用贝叶斯全局稀疏概率主成分分析求解全局稀疏模式，即选择哪些数据与全局特征相关。由于损伤特征的非全局性，全局稀疏模式是一个损伤敏感指标，可将与全局特征相关的数据判别为无损状态，其余数据对应可能发生的轨道损伤，从而实现本发明无监督轨道损伤识别的目标。本发明无需高成本的损伤诊断数据标注，且具有全局性、实时性等优点，能够及时发现、有效检测隐蔽或不明显损伤，为探索实现全时全域轨道智能诊断和评估提供了新途径，对城市轨道运维具有很好的参考价值。
-
公开(公告)号：CN115618209A
公开(公告)日：2023-01-17
申请号：CN202211130830.7
申请日：2022-09-16
Applicant: 哈尔滨工业大学 , 中铁第四勘察设计院集团有限公司 , 中国铁建股份有限公司
IPC: G06F18/20 , G06F18/214 , G06N20/00 , G06Q10/063 , G06Q50/30 , B61L23/06
Abstract: 本发明提出基于稀疏极限学习机和假设检验的铁路轨道状态评估方法。本发明所述方法应用于某小半径曲线铁路轨道结构的长期监测数据分析中。通过结构温度场和多个测点的应变、位移响应长期监测数据训练了稀疏贝叶斯极限学习机概率预测模型，获得了结构温度场和应变及相对位移的预测关系，实现了基于温度监测数据对结构响应的可靠预测。采用贝叶斯假设检验方法对比了后续结构响应的稀疏贝叶斯极限学习机概率预测结果和实际监测数据，实现了轨道结构服役状态的有效评估。此方法考虑了监测数据采集误差和质量不统一引起的结构响应预测结果的不确定性，在概率统计意义上实现了轨道结构状态评估，有效地提升了其鲁棒性。
-
公开(公告)号：CN112381060B
公开(公告)日：2022-05-20
申请号：CN202011405061.8
申请日：2020-12-04
Applicant: 哈尔滨工业大学
IPC: G06V20/13 , G06V10/26 , G06V10/774 , G06V10/764 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明提出一种基于深度学习的建筑物地震破坏等级分类方法，涉及地震工程领域，首先，基于区域内单体建筑的拍摄，获得其地震破坏和损伤图像，然后通过基于深度学习的图像分割神经网络快速准确地对所摄图像中的建筑物实行分割，即将受震建筑物从复杂图像背景中进行提取；而后通过基于深度学习的图像分类神经网络对分割出的建筑物进行受震损伤分类。本发明可以快速高效地对受震区域内的建筑进行准确地损伤分类，基于深度学习的图像分类方法，可以利用深度神经网络的计算能力以及快速的决策能力，代替现场人工评估，大幅度减少时间和精力耗费，在保证准确率的情况下对大范围的受震区域内建筑是否倒塌进行高效判断。
-
-
-
-
-
-
-
-
-
Search Results
67
records
(took 0.028 seconds)
