-
公开(公告)号：CN118151627B
公开(公告)日：2024-11-29
申请号：CN202410220859.7
申请日：2024-02-28
Applicant: 兰州理工大学
IPC: G05B23/02
Abstract: 本发明公开了一种基于自适应随机配置网络的间歇过程故障预测方法，利用慢特征分析提取间歇过程动态特征，建立模型更新指标，实现模型失配判断。利用邻域保持嵌入提取过程数据特征，构建过程监控时间序列，利用优化后的随机配置网络完成过程监控时间序列的趋势预测；当监测模型不匹配且需要更新时，使用在线数据的正常时域样本创建更新的数据集，并使用神经网络增量策略更新模型以适应动态时变特性，提高了故障预测的性能。实时监测复杂间歇过程的故障状态，准确预测故障趋势。
-
公开(公告)号：CN117132472B
公开(公告)日：2024-05-31
申请号：CN202311290723.5
申请日：2023-10-08
Applicant: 兰州理工大学
IPC: G06T3/4053 , G06T3/4046 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了基于前向‑反向可分离自注意力的图像超分辨率重建方法，属于图像处理技术领域，包括；将获取的目标低分辨率图像输入至训练好的前向‑反向可分离自注意力网络模型中，输出对应的高分辨率图像；网络模型包括：浅层提取模块用于对输入的目标低分辨率图像进行初始特征提取；多个深层提取模块用于对初始特征进行多尺度特征提取，获得前向‑反向可分离自注意力网络模型的输出特征；上采样模块用于对输出特征进行上采样处理，获得上采样特征图；重建模块用于对上采样特征图进行处理，获得目标低分辨率图像对应的高分辨率图像；该方法其既可以多尺度提取不同的结构信息，又可提取重要信息，增强特征选择能力，提高了图像超分辨率重建精度。
-
公开(公告)号：CN116632834A
公开(公告)日：2023-08-22
申请号：CN202310682030.4
申请日：2023-06-09
Applicant: 兰州理工大学
Inventor： 赵小强 , 顾鹏 , 强睿儒 , 张亚洲 , 脱奔奔 , 张秀敏 , 徐蓉蓉 , 王彤 , 刘凯 , 王泽 , 姚青磊 , 乔慧 , 李希尧 , 柴靖轩 , 程伟 , 柳勇勇 , 宋昭漾 , 梁浩鹏 , 牟淼 , 张妍
IPC: H02J3/00 , G06N3/0464 , G06N3/08 , G06N3/006
Abstract: 本发明公开了一种基于SSA‑BiGRU‑Attention的短期电力负荷预测方法，属于电力系统短期负荷预测技术领域，包括如下步骤：S1：采集电力负荷的相关数据，对其样本数据进行数据清洗和归一化处理；S2：构建BiGRU‑Attention短期电力负荷预测模型，将处理后的数据输入到BiGRU网络，充分提取负荷数据的时空特性；本发明解决了现有选取超参数预测精度不高、耗费时间长的问题，本发明采用BiGRU神经网络建立双向时间序列特征，结合Attention对BiGRU网络隐藏层的不同状态分配不同的权重，结果表明引入Attention对输入信息进行权重分配后，对比同权重输入信息预测准确度有提升。
-
-
公开(公告)号：CN111949012A
公开(公告)日：2020-11-17
申请号：CN202010943683.X
申请日：2020-09-09
Applicant: 兰州理工大学
IPC: G05B23/02
Abstract: 本发明提供了一种基于双权重多邻域保持嵌入算法的间歇过程故障检测方法，包括如下步骤：(1)采集多个批次正常工况下的间歇过程数据，构成三维训练数据X；(2)将采集到的三维训练数据X展开为二维数据并进行标准化处理；(3)建立双权重多邻域保持嵌入模型，求取映射变换矩阵A，根据Y＝ATX，得到降维数据矩阵Y；(4)建立正常数据下霍特林统计模型T2和平方预测误差统计模型SPE的统计量，并求取其控制限；(5)采集在线的间歇过程数据，构成测试数据Xtest并对其展开并标准化处理；(6)将测试数据通过映射变换矩阵A进行投影，得到其降维数据矩阵Ytest；(7)求取测试数据的霍特林统计模型统计量T2和平方预测误差统计模型统计量SPE，判断有无故障发生。
-
Patent Agency Ranking
公开(公告)号：CN116916410B
公开(公告)日：2025-02-28
申请号：CN202310971760.6
申请日：2023-08-03
Applicant: 兰州理工大学
IPC: H04W40/22 , H04W40/12 , H04W40/16 , G06N3/0455 , G06F18/232 , G06F18/22
Abstract: 本发明公开了一种基于变分自编码器的无线通信网络中继选择方法，包括以下步骤：采集数据集、建立变分自编码器模型、通过将采样数据集输入VAE模型，得到编码后的数据集和解码后的数据集以及重要性采样选择最优中继节点；本发明能够更准确地评估中继节点的性能，并选择最优的中继节点进行信号转发，从而提高网络的性能和可靠性。
-
公开(公告)号：CN117516925A
公开(公告)日：2024-02-06
申请号：CN202311526466.0
申请日：2023-11-16
Applicant: 兰州理工大学
IPC: G01M13/021 , G06F18/24 , G06N3/0455 , G06N3/048 , G06N3/08 , G01M13/028
Abstract: 本发明公开了一种基于MSDC‑Swin‑T的齿轮箱故障诊断方法,涉及故障诊断技术领域，该方法包括如下步骤：获取齿轮箱的一维振动信号；对一维振动信号进行预处理；将预处理后的一维振动信号输入至训练好的MSDC‑Swin‑T诊断模型中进行故障诊断，输出齿轮箱故障诊断结果；MSDC‑Swin‑T诊断模型包括多尺度卷积令牌嵌入模块、Swin‑Transformer模块和softmax分类器。通过该方法可以在实现多尺度局部特征挖掘的基础上，减少计算量，提高齿轮箱故障诊断精度。
-
公开(公告)号：CN111047515B
公开(公告)日：2024-01-09
申请号：CN201911387641.6
申请日：2019-12-29
Applicant: 兰州理工大学
IPC: G06T3/4069 , G06T3/4046 , G06T3/4007
Abstract: 的特征提取，有效提高了图像超分辨率重建效本发明提供了一种基于注意力机制的空洞 果。卷积神经网络图像超分辨率重建方法，该方法设计了基于注意力机制的空洞卷积模块、多通道基于注意力机制的空洞卷积模块、注意力残差块、多通道特征提取模块，在此基础上设计了基于注意力机制的空洞卷积神经网络。本发明方法提出使用空洞卷积实现多种不同尺寸的感受野去提取低分辨率图像特征信息，并利用注意力块提取图像高频信息。同时为了充分利用低分辨率图像特征信息之间的相关性并提取更多的特征信息，该方法设计了多通道基于注意力机制的空洞卷(56)对比文件Feilong Cao, Huan Liu.Single imagesuper-resolution via multi-scale residualchannel attentionnetwork.Neurocomputing.2019,第358卷424-436.OUYANG Ning等.Self-attention networkbased image super-resolution.ComputerApplications.2019,第39卷(第8期),2391-2395.Zhaoyang Song等.Fusing AttentionNetwork Based on Dilated Convolution forSuperresolution.IEEE Transactions onCognitive and Developmental Systems.2023,第15卷(第1期),234 - 241.
-
公开(公告)号：CN110335348B
公开(公告)日：2022-11-01
申请号：CN201910607648.8
申请日：2019-07-07
Applicant: 兰州理工大学
Abstract: 本发明提供了一种基于RFR‑SSMs的骨盆股骨医学图像建模方法，包括RFR‑SSMs的训练、统计形状模型的建立以及RFR‑SSMs的匹配三个过程，具体为：输入骨盆CT扫描图像中的股骨部分，得到输入数据集Sn，用随机森林回归对输入数据集进行预处理，消除由于尺度、旋转、模糊等因素对原始图像造成的影响；然后从预处理过后的图像数据集中选取平均形状作为参考图像，将其它图像与参考图像对齐，接着用PCA进行统计形状的建模并将坐标系从有参考坐标系转换到图像坐标系；最后，通过参数w＝{b，θ，r}对模型进行优化，使模型达到预期的效果。通过与传统的ASMs、AAMs、SSMs建模方法进行比较，结果表明本发明算法在性能上具有较为明显的优越性，能准确、稳定的检测出股骨的轮廓。
-
公开(公告)号：CN111127488B
公开(公告)日：2022-10-14
申请号：CN201911386702.7
申请日：2019-12-29
Applicant: 兰州理工大学
Abstract: 本发明提供了一种基于统计形状模型自动构建患者解剖结构模型的方法，主要包括四个处理阶段，即：感兴趣区域的分割阶段、顶点收缩阶段、响应的建立阶段以及生成患者解剖结构模型阶段。本发明首先对输入数据进行预处理，增强感兴趣区域，并通过区域增长方法将感兴趣区域从特定患者的CT扫描图像中分割出来；然后将分割出来的感兴趣区域作为训练样本，并用三角形对训练样本进行网格化，通过顶点收缩策略对三角形网格进行迭代收缩；然后在模板样本和目标样本之间建立响应，并将模板样本和目标样本对齐，最后生成患者解剖结构的一般表达式。该方法可以有效的构建出患者解剖结构模型，从而帮助医疗专业人员快速对患者病情做出分析，为患者后续的治疗提供合理的方案。
-
-
-
-
-
-
-
-
-
Search Results
30
records
(took 0.027 seconds)
