公开(公告)号：CN118520398A

公开(公告)日：2024-08-20

申请号：CN202410669664.0

申请日：2024-05-27

Applicant: 南京理工大学

Inventor： 代雅娇 ,  李骏 ,  梅镇 ,  时龙

IPC: G06F18/2433 ,  G06F18/214 ,  G06N3/0895 ,  G06N3/098

Abstract: 本发明公开了基于双对比联邦半监督学习的旋转机械设备故障诊断方法，属于机器学习技术领域，包括以下步骤：S1、客户端初始化本地模型；S2、客户端使用本地数据集进行本地训练，然后上传至服务器；S3、服务器对收集的本地原型进行聚合，将更新后的全局原型重新分配给客户端；S4、客户端更新全局原型和本地模型；S5、重复S2到S4，直到模型收敛或达到预定义的迭代次数，得到预训练模型；S6、利用本地少量有标签数据进行微调；S7、将测试数据输入微调后的模型得到测试结果。本发明通过多个客户端使用本地数据集进行学习，并通过轻量级原型促进客户端之间的联合学习，从而实现相互知识共享，防止局部模型发散，提高设备故障诊断精确度。

公开(公告)号：CN118820776A

公开(公告)日：2024-10-22

申请号：CN202410774478.3

申请日：2024-06-14

Applicant: 南京理工大学

Inventor： 代雅娇 ,  李骏 ,  梅镇 ,  时龙

IPC: G06F18/214 ,  G06F18/15 ,  G06N3/0895 ,  G06N3/09

Abstract: 本发明属于机器学习技术领域，公开了基于截断的拉普拉斯加权的半监督旋转机械故障诊断方法，包括使用少量有标签数据进行有监督学习，计算有监督损失；对无标签数据进行两次数据增强，并将其输入模型中分别生成预测和伪标签；计算伪标签损失，基于拉普拉斯加权函数对置信度较低的伪标签进行加权处理；反复执行计算有标签数据损失和无标签数据伪标签损失的步骤，直至模型收敛；模型测试并输出故障诊断结果。本发明采用上述的基于截断的拉普拉斯加权的半监督旋转机械故障诊断方法，保证了模型的精度，减少了数据标注量，降低了低置信度伪标签对模型训练带来的负面影响，有效解决了在标签不足情况下半监督学习过程中伪标签质量低的问题。

公开(公告)号：CN119007095A

公开(公告)日：2024-11-22

申请号：CN202410948329.4

申请日：2024-07-15

Applicant: 江苏第二师范学院 ,  南京理工大学

Inventor： 倪艺洋 ,  李骏 ,  代雅娇 ,  王玉玺 ,  陈书文 ,  刘潇 ,  周文军 ,  崔继轩

IPC: G06V20/52 ,  G06V40/20 ,  G06V10/20 ,  G06V10/40 ,  G06V10/62 ,  G06V10/764 ,  G06V40/10 ,  G06V40/16 ,  G06V20/40 ,  G06T5/00 ,  G06N20/00

Abstract: 本发明公开了一种基于自监督学习的学生行为检测方法，涉及机器学习技术领域，包括以下步骤：对无标签输入数据进行预处理并进行数据增强得到两个增强视图，并划分为固定长度的时间窗口；对两个增强视图的时间窗口分别进行特征提取；计算两个增强视图的时间一致性损失；计算对比损失函数；对时间一致性损失和对比损失加权求和，形成最终的综合损失函数来训练模型；利用预训练好的特征提取器与分类头结合。本发明采用上述一种基于自监督学习的学生行为检测方法，解决了对大量标记数据的依赖和特征提取难题，通过自动学习和优化特征，提高了模型的泛化能力和检测准确性，该方法实现了实时、准确的学生行为监测，支持个性化教学和教育质量提升。

公开(公告)号：CN118520398B

公开(公告)日：2024-12-13

申请号：CN202410669664.0

申请日：2024-05-27

Applicant: 南京理工大学

Inventor： 代雅娇 ,  李骏 ,  梅镇 ,  时龙

IPC: G06F18/2433 ,  G06F18/214 ,  G06N3/0895 ,  G06N3/098

Abstract: 本发明公开了基于双对比联邦半监督学习的旋转机械设备故障诊断方法，属于机器学习技术领域，包括以下步骤：S1、客户端初始化本地模型；S2、客户端使用本地数据集进行本地训练，然后上传至服务器；S3、服务器对收集的本地原型进行聚合，将更新后的全局原型重新分配给客户端；S4、客户端更新全局原型和本地模型；S5、重复S2到S4，直到模型收敛或达到预定义的迭代次数，得到预训练模型；S6、利用本地少量有标签数据进行微调；S7、将测试数据输入微调后的模型得到测试结果。本发明通过多个客户端使用本地数据集进行学习，并通过轻量级原型促进客户端之间的联合学习，从而实现相互知识共享，防止局部模型发散，提高设备故障诊断精确度。

公开(公告)号：CN119007096A

公开(公告)日：2024-11-22

申请号：CN202410949486.7

申请日：2024-07-15

Applicant: 江苏第二师范学院 ,  南京理工大学

Inventor： 倪艺洋 ,  崔继轩 ,  周近 ,  刘潇 ,  代雅娇 ,  李骏 ,  陈书文

IPC: G06V20/52 ,  G06V40/20 ,  G06V10/82 ,  G06V40/16 ,  G06N3/08 ,  G06N3/084

Abstract: 本发明公开了一种基于视觉大模型低秩自适应微调的学生行为检测方法，涉及行为检测技术领域，包括以下步骤：构建本地数据集；在预训练模型中的特定注意力头中引入低秩自适应参数；固定预训练模型的原始参数，利用低秩自适应微调技术在本地数据集上微调低秩自适应参数；重复上一步骤，直到算法收敛，得到适应本地数据分布的学生行为检测模型Wlocal；将微调后的模型Wlocal部署在学校端，实时检测和反馈学生行为。本发明采用上述一种基于视觉大模型低秩自适应微调的学生行为检测方法，通过对预训练模型进行低秩自适应微调，有效地克服了学生行为检测场景中难以获取足够高质量标注数据的问题。

公开(公告)号：CN116070128A

公开(公告)日：2023-05-05

申请号：CN202211568464.3

申请日：2022-12-08

Applicant: 南京理工大学

Inventor： 李骏 ,  代雅娇 ,  梅镇 ,  韦康

IPC: G06F18/24 ,  G06F18/10 ,  G06F18/213 ,  G06F18/241 ,  G06N3/0464 ,  G06N3/048 ,  G06N3/0455 ,  G06N3/0895 ,  G06N3/09

Abstract: 本发明公开了一种基于对比自监督学习的时间序列设备故障诊断方法，方法为：首先对无标签输入数据进行预处理，对提取的特征表示进行聚类，生成样本实例间正负样本对，并计算实例间聚类对比损失；其次对输入数据增强生成两个不同但相关的视图，根据时间对应关系生成正负样本对，并计算实例内时间对比损失；然后两个视图通过掩码预测任务生成正负样本对，并计算实例内上下文对比损失；最后计算实例间聚类对比损失、实例内时间对比损失以及实例内上下文对比损失的加权和作为模型的损失函数来训练模型，利用编码器和分类器得到最终的故障诊断结果。本发明解决了标签难获取、无标签、标签不足的问题，提高了设备故障诊断的精确度。