-
公开(公告)号：CN114048790B
公开(公告)日：2024-05-24
申请号：CN202110877678.8
申请日：2021-08-01
Applicant: 北京工业大学 , 北京市道路工程质量监督站(北京市公路工程质量检测中心) , 北京建筑大学
IPC: G06F18/214 , G06N3/044 , G06N3/0464
Abstract: 本发明公开了一种基于耦合双向LSTM和卷积结构网络的道路基层应变分析方法，先对自动化道路监测系统获取的长期监测数据进行原始数据预处理，在此基础上采用皮尔逊相关性分析，研究数据之间关系，以达到输入数据降维的目的，从而减少训练误差，提升模型的预测精度，最后挑选出合适时间段的数据一起输入到BiLSTM‑CNN网络模型进行训练，学习传感器数据之间的物理特征，针对每个时间段之间并不连续的问题，采用权重自迁移的训练方式，使得历史信息特征在下一时间段内相对更加明显，更易被模型学习，有助于加强模型的记忆效应，减少过拟合，提高模型的泛化能力。此外，本发明不仅可以节约人工和时间成本，还可以为后续的道路养护工作奠定基础。
-
公开(公告)号：CN113034411B
公开(公告)日：2024-02-27
申请号：CN202011512311.8
申请日：2020-12-19
Applicant: 北京工业大学
IPC: G06T5/50 , G06T3/4007 , G06T3/60
Abstract: 本发明公开了一种耦合传统方法和深度卷积对抗生成网络的道路病害图片增强方法，结合传统方法和深度卷积对抗生成网络对数据进行扩增，达到数据增强的效果。使用人工方法对原始破损路面进行采集、批量裁剪以及数据集制作。本发明基于对抗生成网络模型，用卷积神经网络来替代对抗生成网络中的多层感知机，经过生成器和判别器的互相博弈，不断迭代更新，使得生成器具有良好的生成路面病害图片能力，判别器具有良好的鉴别图片真假能力。本发明能够根据真实的路面病害照片生成新的高质量图片，达到扩充数据集的目的，为深度学习的路面病害识别提供了良好的条件，使训练出来的模型效果更好，模型的泛化能力更强。
-
公开(公告)号：CN114048790A
公开(公告)日：2022-02-15
申请号：CN202110877678.8
申请日：2021-08-01
Applicant: 北京工业大学 , 北京市道路工程质量监督站(北京市公路工程质量检测中心) , 北京建筑大学
Abstract: 本发明公开了一种基于耦合双向LSTM和卷积结构网络的道路基层应变分析方法，先对自动化道路监测系统获取的长期监测数据进行原始数据预处理，在此基础上采用皮尔逊相关性分析，研究数据之间关系，以达到输入数据降维的目的，从而减少训练误差，提升模型的预测精度，最后挑选出合适时间段的数据一起输入到BiLSTM‑CNN网络模型进行训练，学习传感器数据之间的物理特征，针对每个时间段之间并不连续的问题，采用权重自迁移的训练方式，使得历史信息特征在下一时间段内相对更加明显，更易被模型学习，有助于加强模型的记忆效应，减少过拟合，提高模型的泛化能力。此外，本发明不仅可以节约人工和时间成本，还可以为后续的道路养护工作奠定基础。
-
Patent Agency Ranking
公开(公告)号：CN114091654A
公开(公告)日：2022-02-25
申请号：CN202111343969.5
申请日：2021-11-14
Applicant: 北京工业大学
Abstract: 本发明公开了一种基于深度卷积对抗生成网络的水泥混凝土材料试验数据增强方法，结合深度卷积对抗生成网络对小批量试验数据进行扩增，以达到深度学习模型预测精度提升的效果。使用计算机技术对原始试验数据进行变量统计分析及数据集制作。本发明先对室内抗压强度试验获取的数据进行深度卷积对抗生成网络数据增强，学习试验数据之间的关键信息，使得试验数据样本物理特征相对更加明显，更易被机器捕捉特征，有助于提高模型的预测精度和泛化能力，减少过拟合。在此基础上，基于深度学习模型一维卷积神经网络(1DCNN)和二维卷积神经网络(VGG)对扩增后的实验数据集进行混凝土抗压强度预测。此外，本发明不仅可以节约人工和时间成本，还可以为后续的道路材料性能分析奠定基础。
-
公开(公告)号：CN113034411A
公开(公告)日：2021-06-25
申请号：CN202011512311.8
申请日：2020-12-19
Applicant: 北京工业大学
Abstract: 本发明公开了一种耦合传统方法和深度卷积对抗生成网络的道路病害图片增强方法，结合传统方法和深度卷积对抗生成网络对数据进行扩增，达到数据增强的效果。使用人工方法对原始破损路面进行采集、批量裁剪以及数据集制作。本发明基于对抗生成网络模型，用卷积神经网络来替代对抗生成网络中的多层感知机，经过生成器和判别器的互相博弈，不断迭代更新，使得生成器具有良好的生成路面病害图片能力，判别器具有良好的鉴别图片真假能力。本发明能够根据真实的路面病害照片生成新的高质量图片，达到扩充数据集的目的，为深度学习的路面病害识别提供了良好的条件，使训练出来的模型效果更好，模型的泛化能力更强。
-
公开(公告)号：CN114091654B
公开(公告)日：2024-04-12
申请号：CN202111343969.5
申请日：2021-11-14
Applicant: 北京工业大学
IPC: G06N3/0475 , G01N33/38 , G06N3/045 , G06N3/0464 , G06N3/084 , G06N3/09 , G06N3/094
Abstract: 本发明公开了一种基于深度卷积对抗生成网络的水泥混凝土材料试验数据增强方法，结合深度卷积对抗生成网络对小批量试验数据进行扩增，以达到深度学习模型预测精度提升的效果。使用计算机技术对原始试验数据进行变量统计分析及数据集制作。本发明先对室内抗压强度试验获取的数据进行深度卷积对抗生成网络数据增强，学习试验数据之间的关键信息，使得试验数据样本物理特征相对更加明显，更易被机器捕捉特征，有助于提高模型的预测精度和泛化能力，减少过拟合。在此基础上，基于深度学习模型一维卷积神经网络(1DCNN)和二维卷积神经网络(VGG)对扩增后的实验数据集进行混凝土抗压强度预测。此外，本发明不仅可以节约人工和时间成本，还可以为后续的道路材料性能分析奠定基础。
-
公开(公告)号：CN115374903A
公开(公告)日：2022-11-22
申请号：CN202210693861.7
申请日：2022-06-19
Applicant: 山东高速集团有限公司 , 北京工业大学
Abstract: 本发明公开了一种基于高速公路传感网布设的长期路面监测数据增强方法，采用计算机技术对高速公路传感网获取的原始监测数据进行数据补全和数据平滑；基于时序对抗生成网络对预处理监测数据进行深度数据增强，学习监测数据内部的关键信息，从而合成更多的高质量模拟数据使得时序数据样本物理特征和时间动态相对更加明显，提高模型的预测精度和泛化能力，减少过拟合；最后，基于深度学习模型时序卷积神经网络和序列到序列模型对合成的监测大数据集进行训练，将训练权重迁移至该模型中得到预训练模型，实现基于原始数据集的道路基层应变预测。此外，本发明能够进行精确的道路基层应变分析为后续的道路养护工作奠定基础。
-
公开(公告)号：CN114048835A
公开(公告)日：2022-02-15
申请号：CN202110877658.0
申请日：2021-08-01
Applicant: 北京工业大学 , 北京市道路工程质量监督站(北京市公路工程质量检测中心) , 北京建筑大学
IPC: G06N3/04 , G06F16/2458 , G06K9/62
Abstract: 本发明公开了一种基于时序卷积网络的道路基层应变分析方法，本发明先对自动化道路监测系统获取的长期监测数据进行原始数据预处理，在此基础上采用皮尔逊相关性分析，以达到输入数据降维的目的，从而提升模型的预测精度，最后挑选出合适时间段的数据一起输入到时序卷积网络模型进行训练，学习监测数据特征，针对每个时间段之间并不连续的问题，采用权重自迁移的训练方式，使得历史信息特征在下一时间端内相对更加明显，更易被模型学习，有助于提高模型的记忆能力，减少过拟合。此外，本发明不仅可以节约人工和时间成本，还可以为后续的道路养护工作奠定基础。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.018 seconds)
