-
公开(公告)号：CN115270630A
公开(公告)日：2022-11-01
申请号：CN202210913024.0
申请日：2022-07-31
Applicant: 哈尔滨理工大学
Abstract: 一种不平衡数据下的多任务植物生化参量反演方法及系统，涉及植物叶片物化参量反演技术领域，用以解决现有技术中由于叶片数据样本不平衡、对多个反演参量任务模型特征利用率低而导致的参量反演结果不准确的问题。本发明的技术要点包括：输入端对多维数据标签预处理，控制不同任务的损失比重相似；构建卷积神经网络，不同反演任务共享底层的特征提取层，输出端使用平衡均方误差作为损失函数，对任务损失使用自适应加权，完成模型训练。本发明考虑到了植物物化参量间的相关性，使用多任务模型降低了模型参数的冗余度，并且能够规避实测数据不平衡导致的对丰富样本的过度表示和对稀缺样本的忽略，提升了多维不平衡数据整体的预测准确度。
-
公开(公告)号：CN109726524B
公开(公告)日：2022-11-01
申请号：CN201910162042.8
申请日：2019-03-01
Applicant: 哈尔滨理工大学
IPC: G06F30/20 , G06K9/00 , G06N3/04 , G01M13/04 , G06F119/04
Abstract: 一种基于CNN和LSTM的滚动轴承剩余使用寿命预测方法，涉及滚动轴承寿命预测领域。针对滚动轴承存在性能退化渐变故障和突发故障两种模式下其剩余使用寿命(RUL)预测困难的问题，该方法首先对滚动轴承原始振动信号作FFT变换，然后将预处理所得到的频域幅值信号进行归一化处理后，并将其作为CNN的输入。利用CNN自动提取数据局部抽象信息以挖掘深层特征，避免传统特征提取方法过于依赖专家经验的问题。之后再将深层特征输入到LSTM网络中，构建趋势性量化健康指标，同时确定失效阈值。最后，运用移动平均法进行平滑处理，消除局部振荡，再利用多项式曲线拟合，预测未来失效时刻，实现滚动轴承RUL预测。预测结果能够较好地接近真实寿命值。
-
公开(公告)号：CN114861349A
公开(公告)日：2022-08-05
申请号：CN202210429223.4
申请日：2022-04-22
Applicant: 哈尔滨理工大学
IPC: G06F30/17 , G06F30/27 , G06N3/04 , G06N3/08 , G06F111/04 , G06F111/08
Abstract: 一种基于模型迁移和维纳过程的滚动轴承RUL预测方法，涉及滚动轴承使用寿命预测技术领域，用以解决使用寿命百分比作为标签难以准确描述滚动轴承退化过程以及不同工况情况下轴承寿命预测准确率不高的问题。本发明的技术要点包括：提取某工况下全寿命滚动轴承的各振动统计特征，利用单层NCAE网络与SOM网络构建健康指标模型，使用健康指标对滚动轴承频域幅值序列进行标记；使用源域数据训练结合深度NCAE网络与前馈神经网络FNN的组合网络得到预训练模型；利用目标域数据微调，得到滚动轴承性能退化模型，利用性能退化指标量化值的增量建立维纳过程模型，实现不同工况下滚动轴承的RUL预测。本发明适用于对滚动轴承剩余使用寿命的预测技术中。
-
公开(公告)号：CN109902399B
公开(公告)日：2022-07-19
申请号：CN201910162041.3
申请日：2019-03-01
Applicant: 哈尔滨理工大学
Abstract: 一种基于ATT‑CNN的变工况下滚动轴承故障识别方法，涉及滚动轴承故障识别技术。为了解决现有的变工况下滚动轴承故障识别方法针对复杂分类问题其泛化能力受到一定制约的问题。首先，通过卷积神经网络(CNN)将振动数据映射到非线性空间域，并利用其对输入信号的微小位移、缩放及其他扭曲形式具有不变性的特点，自适应提取变工况下滚动轴承故障特征；其次，提出将注意力机制(ATT)思想融入CNN结构中，进一步提高变工况下轴承振动特征的敏感性；同时通过数据增强方法获得更加丰富多样的训练样本，使得网络得到更充分地学习，提高了鲁棒性。所提出的基于注意力机制CNN(ATT‑CNN)故障诊断模型可实现变工况下的滚动轴承多状态识别与分类，并与其他方法比较，可获得更高的准确率。
-
公开(公告)号：CN112183667B
公开(公告)日：2022-06-14
申请号：CN202011199000.0
申请日：2020-10-31
Applicant: 哈尔滨理工大学
IPC: G06V10/774 , G06V10/26 , G06V10/44 , G06V10/762 , G06V10/80 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08 , G06N20/20
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。
-
Patent Agency Ranking
公开(公告)号：CN113723492A
公开(公告)日：2021-11-30
申请号：CN202110978295.X
申请日：2021-08-25
Applicant: 哈尔滨理工大学
Abstract: 一种改进主动深度学习的高光谱图像半监督分类方法及装置，涉及遥感图像处理技术领域，用以解决现有高光谱图像分类方法中存在的小样本情况下人工标记花费时间过长且分类效果不佳的问题。本发明的技术要点包括：利用有标签样本训练卷积神经网络，并利用卷积神经网络对无标签样本进行类别概率预测；根据预测的类别概率，利用主动学习策略计算获得其中信息量最大的无标签样本；引入随机多图算法对无标签样本进行标记，在伪标签候选池中寻找信息量大的样本作为新样本，将新样本加入训练集，对卷积神经网络的分类模型不断进行微调。本发明在降低标记成本的同时可以提高模型在小样本数据集上的分类性能，可应用于标签样本稀缺的高光谱遥感图像分类之中。
-
公开(公告)号：CN109510699B
公开(公告)日：2021-11-09
申请号：CN201811539746.4
申请日：2018-12-14
Applicant: 哈尔滨理工大学
IPC: H04L9/00
Abstract: 一种六维离散超混沌系统及六维离散超混沌信号发生器，属于混沌信号发生器设计领域。解决现有混沌系统在数字域中抗退化能力差、安全性低以及连续时间混沌系统需要经过离散化才能在FPGA等数字器件中实现等问题。六维离散超混沌系统由六个离散状态方程产生，用于输出六组混沌序列；六维离散超混沌信号发生器包括电源单元、时钟单元、复位单元、用于生成六维离散超混沌系统的FPGA数字电路单元、下载单元和输出端口。由于该混沌信号发生器具有六个较大的正李氏指数，产生的信号非线性程度更大，信号变量的时间序列更加不可预测，并且多个信号变量和系统参数使密钥空间更大，将其应用于保密通信和图像加密领域可以大大增强系统的安全性，提高通信的保密性。
-
公开(公告)号：CN113408430A
公开(公告)日：2021-09-17
申请号：CN202110692364.0
申请日：2021-06-22
Applicant: 哈尔滨理工大学
IPC: G06K9/00 , G06F40/211 , G06F40/30 , G06N3/04 , G06N3/08
Abstract: 本发明是一种基于多级策略和深度强化学习框架的图像中文描述系统及方法，属于计算机视觉和自然语言处理的交叉领域，图像中文描述方法针对图像中文描述中生成语句的连贯性不佳、可读性差、模型训练时间长等问题；基于RNN的模型，语言指标和视觉语义功能集成以进行优化。所提出的框架包括多级策略网络和多级奖励功能两个模块，引入ResNet152网络提取图像全局特征,通过双层门控循环单元网络(GRU)解码生成图像中文描述模型。本文使用AI Challenger全球AI挑战赛图像中文描述数据集进行实验，并针对词级策略网络和语言奖励功能的几种代表性图像文本模型实验结果表明，该框架在各种评估指标上均具有提升。
-
公开(公告)号：CN110346142B
公开(公告)日：2021-06-29
申请号：CN201910680524.2
申请日：2019-07-25
Applicant: 哈尔滨理工大学
IPC: G01M13/045 , G06K9/00 , G06K9/62
Abstract: 一种基于无监督特征对齐的变负载下滚动轴承故障诊断方法，属于滚动轴承故障诊断领域。针对滚动轴承实际工作中缺少某种负载数据，使得源领域数据与目标领域数据属于不同分布以及目标领域样本不含标签的问题。利用变分模态分解结合奇异值分解获取振动信号的时频特征，再结合振动信号时域、频域特征构建多域特征集；引入迁移学习中能够实现无监督领域适应的子空间对齐算法并进行改进，将核映射方法与SA算法相结合。将训练数据和测试数据映射到相同高维空间，在高维空间的子空间进行特征对齐，实现不同负载下源领域特征向目标领域特征对齐。在目标领域无标签的情况下，利用滚动轴承已知负载数据识别出其他负载数据对应的状态，具有较高的故障诊断准确率。
-
公开(公告)号：CN112964469A
公开(公告)日：2021-06-15
申请号：CN202110222369.7
申请日：2021-02-28
Applicant: 哈尔滨理工大学
IPC: G01M13/045 , G06N3/04 , G06N3/08 , G06K9/62
Abstract: 一种迁移学习的变负载下滚动轴承在线故障诊断方法，属于故障诊断技术领域，用以解决现有离线训练方式的深度迁移方法不能有效保证变负载下滚动轴承在线故障诊断中的建模效率和准确率问题。本发明的技术要点包括：首先将原始时域振动信号作STFT处理，构建二维频谱数据集；然后使用源域数据训练源域CNN‑ISVM模型，得到源域分类模型，保存模型参数并将其迁移至目标域CNN‑ISVM训练过程中；最后通过在线数据对目标域CNN‑ISVM模型中的ISVM分类器进行更新修正，实现变负载下滚动轴承多状态在线识别。本发明方法极大地减少了模型训练时间和计算量，具有较高的建模效率，同时具有较高的准确率和良好的泛化性；对滚动轴承在实际工作中故障的在线监测与快速诊断有着重要的指导意义。
-
-
-
-
-
-
-
-
-
Search Results
137
records
(took 0.035 seconds)
