-
公开(公告)号：CN112183667A
公开(公告)日：2021-01-05
申请号：CN202011199000.0
申请日：2020-10-31
Applicant: 哈尔滨理工大学
Abstract: 一种协同深度学习的绝缘子故障检测方法，属于绝缘子故障检测技术领域，用以解决由于航拍图像中绝缘子背景复杂导致绝缘子故障区域的定位及检测精度受到影响的问题。本发明的技术要点在于，以跳跃结构构建FCN‑8s模型，基于FCN算法完成绝缘子图像分割，有效完成了滤除背景的目的；使用随机性更小的K‑means++聚类算法对绝缘子数据集聚类分析，优化YOLOv3算法的初始锚点框参数，进一步提高目标检测模型的定位及检测精度；本发明构建协同FCN和YOLOv3算法的绝缘子故障检测模型，经实验对比，相比于原始YOLOv3算法有效降低了误检与漏检概率，所对比的各项评价指标均有显著提升，有助于工程上综合安全性和经济性的因素考虑做出合理应对。
-
公开(公告)号：CN111414481A
公开(公告)日：2020-07-14
申请号：CN202010197034.X
申请日：2020-03-19
Applicant: 哈尔滨理工大学
Abstract: 本发明提供了一种基于拼音和BERT嵌入的中文语义匹配方法，包括：构建包括数据预处理模块、BERT嵌入层模块、池化层模块和分类器模块的语义匹配模型，并对语义匹配模型进行训练，以利用训练好的语义匹配模型对待匹配语句进行中文语义匹配；数据预处理模块对待匹配的两个中文语句中的每个字进行拼音转换以及拼音切分，得到对应的拼音序列；BERT嵌入层模块根据所得拼音序列的上下文为其中每个拼音进行嵌入向量生成，得到嵌入向量序列；池化层模块将嵌入向量序列聚合成用于分类的一维语义表征向量；分类器模块根据一维语义表征向量进行分类，得到对应于两个中文语句之间语义关系的预测结果。上述方法能够大幅降低预训练所需数据量保证较好的效果。
-
公开(公告)号：CN108322622B
公开(公告)日：2020-05-08
申请号：CN201810154447.2
申请日：2018-02-23
Applicant: 哈尔滨理工大学
IPC: H04N1/32
Abstract: 一种基于2D‑VMD和八维超混沌系统的彩色数字图像加密方法，属于信息安全技术领域。解决了现有的彩色数字图像加密方法存在安全性差、密钥空间小，容易被破解的问题。技术要点：分离彩色明文图像的红、绿、蓝分量；随机选取系统的初始值，利用彩色明文图像更新并计算得到八维超混沌系统的参数和初始值，对超混沌系统进行迭代，产生两个随机性强的密钥序列；采用2D‑VMD方法分别分解红、绿、蓝分量，用得到的两个密钥序列分别对分解后得到的子图像先后进行像素位置置乱和像素值扩散加密，最后得到相应分解层数的彩色密文图像，然后再解密。与现有的加密方法相比，本发明提供的彩色图像加密算法密钥空间有显著提升，可以有效抵抗多种攻击。
-
公开(公告)号：CN110941928A
公开(公告)日：2020-03-31
申请号：CN201911178691.3
申请日：2019-11-26
Applicant: 哈尔滨理工大学
IPC: G06F30/27 , G06N3/04 , G06N3/08 , G06F119/04
Abstract: 一种基于dropout-SAE和Bi-LSTM的滚动轴承RUL预测方法，属于轴承运行状态的预测领域。本发明为了解决现有的滚动轴承RUL预测方法存在模型训练时间较长且预测准确率较低的问题。本发明提出一种改进的SAE，即dropout-SAE对滚动轴承振动信号进行无监督的深层特征自适应提取，该网络应用一种新的Tan激活函数替代原有的sigmoid激活函数，并采用dropout方法实现其稀疏性；同时，考虑到滚动轴承剩余使用寿命预测方法一般仅考虑过去信息而忽略未来信息，提出引入双向长短时记忆网络作为滚动轴承RUL的预测模型。在2个轴承数据集上的实验结果均表明，所提预测方法不仅可以提高模型的收敛速度而且具有较高的准确率。
-
公开(公告)号：CN110297902A
公开(公告)日：2019-10-01
申请号：CN201910428969.1
申请日：2019-05-22
Applicant: 哈尔滨理工大学
Abstract: 一种基于多任务深度学习的商品评价分析方法，属于自然语言处理领域。本发明提供了一种能够实现多任务深度学习、稳定性好、准确性高的商品评价分析方法。本发明中，对文本数据集进行预处理，划分为训练集和测试集后去除停用词后，使用word2vec词向量模型将中文词语表征为词向量；输入到双通道LSTM网络中共享权重，利用样本对pair-wise损失函数在神经网络的中间层进行特征约束，经过梯度下降法进行学习；利用softmax分类损失函数实现情感极性分析，pari-wise损失函数学习特征分布，将softmax分类损失函数和pair-wise损失函数结合对进行优化。本发明主要用于分析处理商品评价语言。
-
Patent Agency Ranking
公开(公告)号：CN109508635A
公开(公告)日：2019-03-22
申请号：CN201811167453.8
申请日：2018-10-08
Applicant: 哈尔滨理工大学
Abstract: 一种基于TensorFlow结合多层CNN网络的交通灯识别方法属于计算机视觉与机器学习领域；准备交通信号识别公开数据集图像、标签及视频数据集；利用OpenCV对TensorFlow和交通信号识别公开数据集中的图像改变大小并输出其RGB三个通道的归一化数值；对坐标标签依据图形的变换规则进行变换并归一化处理；根据标签索引提取出含有交通灯信息的图片并使其与标签一一对应；将图片和标签送入CNN网络进行训练并保存模型；使本发明有效的解决了标注的准确度不高和识别速度慢的技术问题。
-
公开(公告)号：CN106644481B
公开(公告)日：2018-10-30
申请号：CN201611230706.2
申请日：2016-12-27
Applicant: 哈尔滨理工大学
IPC: G01M13/04
Abstract: 基于数学形态学和IFOA‑SVR的滚动轴承可靠度预测方法，涉及滚动轴承可靠度预测技术领域。为保证预测精度同时增加预测步长而提出的预测方法。该方法首先提取振动信号的包络信号，计算该包络信号的数学形态学分形维数，将其作为滚动轴承性能退化状态特征；其次，利用IFOA对SVR中的参数C，g以及ε同时进行寻优，建立预测模型。同时，利用极大似然估计结合IFOA建立威布尔比例故障率模型，进而得到可靠度模型；最后，将退化状态特征作为IFOA‑SVR预测模型的输入，采用长期迭代预测法获取特征预测结果，并将该结果嵌入到可靠度模型中，从而预测出轴承运行状态的可靠度。实验表明，利用所提方法在保证预测精度的前提下增加预测步长。
-
公开(公告)号：CN108414226A
公开(公告)日：2018-08-17
申请号：CN201711428476.5
申请日：2017-12-25
Applicant: 哈尔滨理工大学
IPC: G01M13/04
CPC classification number: G01M13/045
Abstract: 基于特征迁移学习的变工况下滚动轴承故障诊断方法，涉及故障诊断领域，是针对滚动轴承尤其是变工况条件下诊断准确率低的问题而提出的。该方法利用VMD对滚动轴承各状态振动信号进行分解，得到一系列固有模态函数，对其构成的矩阵进行奇异值分解求奇异值及奇异值熵，再结合振动信号的时域、频域特征构造多特征集。同时引入半监督迁移成分分析方法，并对其核函数进行多核构造，将不同工况样本特征共同映射到一个共享再生核Hilbert空间，进而提高数据类内紧凑性和类间区分性。采用最大均值差异嵌入法选择更有效的数据作为源域，将源域特征样本输入SVM进行训练，测试映射后的目标域特征样本。在变工况下滚动轴承多状态分类中具有更高的准确率。
-
公开(公告)号：CN104618091A
公开(公告)日：2015-05-13
申请号：CN201510084754.4
申请日：2015-02-16
Applicant: 哈尔滨理工大学
Abstract: 双混沌系统动态密钥与RSA联合的流媒体保密通信方法，它涉及通信加密技术领域。解决流媒体通信在网络传输过程中未对根密钥进行有效地保护，存在一定的安全隐患，保密性差的问题。将混沌系统参数、混沌序列生成过程中的迭代步长与预先迭代次数作为动态参数，每次通信前随机生成满足条件的值并组成根密钥，并使用RSA算法对根密钥进行保密同步。根密钥的不同使得每次加、解密所使用的混沌密钥序列也不尽相同。同时，混沌密钥序列由两种超混沌序列交织组合而成，使得混沌密钥序列更为复杂。本发明减少混沌密钥序列生成时间，提高加密速度。通过C语言编写的软件在局域网内进行测试，结果表明：该方法既满足流媒体通信的安全性也满足其对实时性的要求。
-
公开(公告)号：CN119848500A
公开(公告)日：2025-04-18
申请号：CN202411769840.4
申请日：2024-12-04
Applicant: 哈尔滨理工大学
IPC: G06F18/213 , G06F18/241 , G06F40/205 , G06N3/088
Abstract: 本发明公开了基于对比分解特征多任务网络的多模态情感分析方法，属于多模态情感分析技术领域。解决了现有技术中传统的多模态情感分析方法难以实现不同样本模态间信息交互、多模态情感数据集中单模态标签普遍缺失或人工标注不准确的问题；本发明构建多模态情感分析模型，将待处理数据集输入多模态情感分析模型进行特征提取并分解，整合得到的六个分解特征；根据多模态情感预测损失、对比学习损失和单模态情感预测损失，完成多模态情感分析任务、对比学习优化任务和单模态情感分析任务；对多模态情感分析模型进行双层损失优化，构建多任务损失函数，输出多模态情感分析结果。本发明提升了多模态情感分析模型的准确性，可以应用于多模态情感分类。
-
-
-
-
-
-
-
-
-
Search Results
102
records
(took 0.025 seconds)
