-
公开(公告)号：CN114494474B
公开(公告)日：2022-09-20
申请号：CN202210051928.7
申请日：2022-01-17
Applicant: 广东石油化工学院
Abstract: 本发明公开了一种人与合法设备通用验证码的生成方法、验证方法及装置，包括：生成验证码的第一背景图片，并存储相应的生成时间；对所述生成时间采用编码规则进行编码，获得生成时间对应的编码数据；将第一背景图片中划分出多个时间区域图片，并对时间区域图片预处理，获得第二背景图片；对第二背景图片进行区域划分，获得验证码字符区域图片，并在验证码字符区域图片内，随机生成验证码字符，并在验证码字符区域图片内，随机生成验证码字符，再对验证码字符添加干扰规则，获得人与合法设备通用验证码，实现人与合法设备通用的验证。本发明生成的验证码，不但能够实现人与合法设备之间通用，而且还能使得设备的识别速度更快，认证效率高。
-
公开(公告)号：CN114169459A
公开(公告)日：2022-03-11
申请号：CN202111522291.7
申请日：2021-12-13
Applicant: 广东石油化工学院
Abstract: 本发明公开了一种基于半监督贝叶斯正则化混合Student’s t模型的鲁棒软测量方法，属于工业过程预测和控制技术领域。该方法在有监督混合Student’s t模型的基础上，设计了半监督的混合Student’s t模型结构，并将质量变量和辅助变量之间的回归系数贝叶斯化，通过变分贝叶斯期望最大化算法来更新模型参数，进而实现软测量模型的建立。本发明不仅能够有效的解决有标签样本稀少导致的软测量建模不准的问题，还能够在一定程度上缓解了过拟合，提高了模型的预测精度。
-
公开(公告)号：CN112288126A
公开(公告)日：2021-01-29
申请号：CN202010941303.9
申请日：2020-09-09
Applicant: 广东石油化工学院
IPC: G06Q10/04 , G06Q10/06 , G06Q50/04 , G06N3/04 , G06N3/08 , G08B29/18 , H04L29/08 , G01D21/02 , G16Y10/25 , G16Y20/10 , G16Y20/20 , G16Y40/10 , G16Y40/20 , G16Y40/50
Abstract: 本发明公开了一种采样数据异常变化在线监测与诊断方法，本发明属于生产过程安全监控技术领域；本发明以生产过程的传感器采样数据异常变化和过程故障为对象，建立了一组实时监测和诊断异常变化的方法。解决该问题的技术方案要点包括：通过对历史数据的统计学习，形成强容错的安全变化轴线；计算实测数据与安全变化轴线之间差值，形成残差序列；计算出残差序列的容错均值和容错方差；利用“3σ‑准则”，形成{‑1，0，1}序列；利用{‑1，0，1}的各态游程，实现对异常变化的监测与诊断；本发明在生产过程安全监控领域有重要应用价值，能购便利地实现对石油化工等复杂生产过程工况的监测监控。
-
公开(公告)号：CN119167796A
公开(公告)日：2024-12-20
申请号：CN202411639733.X
申请日：2024-11-18
Applicant: 广东石油化工学院
IPC: G06F30/27 , C10G9/20 , G06F30/28 , G06N3/0464 , G06F113/08 , G06F119/08 , G06F119/14
Abstract: 本发明公开了管式裂解炉的一种炉管结焦感知与预测方法及系统，包括：构建裂解炉数字孪生体；对裂解炉与裂解炉数字孪生体之间的虚‑实空间数据进行交互；基于交互的虚‑实空间数据，结合多源数据深度学习，重构裂解炉管内温度场、压力场和流量场时‑空动态变化过程，实现炉管结焦统计推断和趋势预测的炉管清焦或烧焦最佳时机预测。本发明对于保障石化生产安全具有重要意义。
-
公开(公告)号：CN116382103B
公开(公告)日：2023-08-25
申请号：CN202310664317.4
申请日：2023-06-07
IPC: G05B13/04 , G06F18/2433
Abstract: 本发明公开一种生产过程间歇故障及趋势畸变的监测与辨识方法，包括：通过采样数据对周期递进混合多项式模型中的参量进行最优辨识，生成最优模型系数参量；基于最优模型系数参量，计算故障监测门限，并根据故障监测门限生成残差特性的示性函数，通过对生成过程中实时采样数据的示性函数计算，判定是否发生故障，并当系统发生故障时，生成对应的故障幅度辨识结果，以实现间歇故障的监测与辨识；构建门限控制函数，并基于门限控制函数通过最优递推辨识算法对实时采样数据进行计算，获取估值序列，对估值序列构建系数偏离指数，对系数偏离指数进行判断，生成趋势畸变辨识结果，以实现趋势畸变的检测与辨识。
-
Patent Agency Ranking
公开(公告)号：CN116610862A
公开(公告)日：2023-08-18
申请号：CN202310653948.6
申请日：2023-06-05
Applicant: 广东石油化工学院
IPC: G06F16/9535 , G06F16/901 , G06F18/25
Abstract: 本发明涉及一种可融合多种图结构信息并具有可解释性的推荐方法。将缺失的真实评分矩阵作为推荐模型的输入，通过双分支残差图注意力模块轻松且有效地从用户图和物品图中提取隐特征信息；然后，通过应用非线性变换操作来捕获多尺度隐特征矩阵，以降低维度选择的成本；再次，基于提取到的用户隐特征以及物品隐特征，通过混合融合图注意力模块从用户‑物品交互图中捕获用户隐藏的个性化信息，并通过融合操作进一步细化用户和物品的隐特征；最后，利用几何分解正则化损失来优化整个推荐模型。本发明能够充分利用真实推荐场景中的多种图结构，而且能生成更加准确、具可解释性的推荐。
-
公开(公告)号：CN116610861A
公开(公告)日：2023-08-18
申请号：CN202310653945.2
申请日：2023-06-05
Applicant: 广东石油化工学院
IPC: G06F16/9535 , G06N3/042 , G06N3/048 , G06N3/08
Abstract: 本发明涉及一种基于图结构重构的深度动态图关注推荐方法。根据初始的用户图、物品图以及用户‑物品交互图重新构建动态且平衡的用户影响关系图、物品影响关系图、用户偏好关系图以及物品偏好关系图；将真实评分矩阵作为推荐模型的输入，结合重构的多种图结构建立相应的相似度矩阵，并利用深度特征聚合、自适应特征融合获取重构的图结构中的高阶特征信息；将每个分支获取的两种隐特征进行平均拼接操作，然后经过一个嵌入了跳跃连接的前馈神经网络，由此获得用户和物品丰富的隐特征；通过目标函数优化整个推荐模型。本发明能够有效缓解初始图结构固定且不平衡的局限性，而且能够探索到图结构中的高阶隐特征，生成更加精确的推荐。
-
公开(公告)号：CN116488612A
公开(公告)日：2023-07-25
申请号：CN202310548400.5
申请日：2023-05-16
Applicant: 广东石油化工学院
IPC: H03H17/02
Abstract: 本发明公开了非高斯非线性列车运行状态估计的并行卡尔曼滤波组方法，所述方法为对概率密度函数进行多模态高斯分解，并将局部状态模型用高阶多项式表示，建立扩维状态模型；通过更新状态扩维模型的均值与方差，求解粒子滤波后验概率密度分布函数，得到全局估计结果；建立一种新的参数缩减准则，解决参数爆炸的问题；通过对列车多模式运行状态进行仿真验证。本发明采用上述非高斯非线性列车运行状态估计的并行卡尔曼滤波组方法，提升了滤波方法的非线性逼近能力，可以对非高斯非线性系统达到任意阶精度近似逼近，对列车实时状态进行准确估计，针对参数组合爆炸解决方法，建立了一种新的参数缩减准则，并有效进行权重、均值等参数的重新辨识。
-
公开(公告)号：CN116484073A
公开(公告)日：2023-07-25
申请号：CN202310424709.3
申请日：2023-04-20
Applicant: 广东石油化工学院
IPC: G06F16/906 , G06F16/901 , G06N3/0499 , G06N3/048 , G06N3/08 , G06F18/24
Abstract: 本申请属于图结构数据处理领域，特别涉及一种基于混合正则图神经网络的节点分类方法。本发明的目的是提供一种基于混合正则图神经网络的节点分类方法。此方法从图信号重构的角度出发，受稀疏表示方法的启发，根据优化函数分别求解字典以及稀疏表示系数，最终两者相乘得到高质量的节点表示。具体来说，该方法的求解过程使用的是算法展开的思想。该方法中，数据驱动与模型驱动同时被运用。先根据数据驱动的字典学习网络求解出字典，然后根据模型驱动的不动点迭代算法求解相应的表示。之后，在多次两种驱动方式交替迭代之后，易于分类的优质节点表示被计算得出。最终，经过一个分类器，图数据中的节点可以被精准分类。
-
公开(公告)号：CN116385304A
公开(公告)日：2023-07-04
申请号：CN202310369988.8
申请日：2023-04-10
Applicant: 广东石油化工学院
IPC: G06T5/00 , G06N3/0464 , G06N3/08
Abstract: 本发明属于计算机视觉领域，特别涉及一种基于算法展开的图像去噪方法。本发明将低秩矩阵恢复中的截断核范数方法和图像去噪相结合，并将其作为整体框架，将迭代算法的一次完整迭代作为深度展开网络的一个阶段；其次，用所构建的神经网络，即A‑net和B‑net来学习迭代算法中所需的奇异值算子，解决奇异值分解SVD和奇异值阈值算法SVT在迭代算法中计算代价较高的问题，然后，将观测到的含有噪声的图像和已知噪声作为深度展开网络的输入，从第二个阶段开始，输入为上一阶段的输出，以此将多个阶段连接起来，形成一个端到端的可训练深度展开网络，最后得到去掉噪声的干净图像。
-
-
-
-
-
-
-
-
-
Search Results
78
records
(took 0.042 seconds)
