-
公开(公告)号：CN119167124A
公开(公告)日：2024-12-20
申请号：CN202411186272.5
申请日：2024-08-27
Applicant: 吉林大学 , 烟台东方威思顿电气有限公司
Inventor： 周求湛 , 李新萌 , 王聪 , 武慧南 , 王晓东 , 胡春华 , 赵航 , 黄庆丰 , 董玉龙 , 陈飞 , 王晋硕 , 侯晓晗 , 高朋辉 , 林晓溪 , 王俊生 , 李海岩 , 李嘉敏 , 谢家凯 , 刘淇 , 隆海波 , 马瑜
IPC: G06F18/2321 , G06F18/214 , G06Q10/0631 , G06Q50/06 , G06N3/045 , G06N3/0442 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明公开了一种基于数据增强和深度学习的电能表负荷分解方法，步骤包括：采集电力负荷数据并对采集的数据进行处理；基于处理后的电力负荷数据构造训练集，并对训练集进行数据增强，通过聚类将训练集的样本分为多个类簇，然后对各类簇通过DBA算法生成平均序列作为合成样本，从而提高训练集中的样本数量和质量；使用数据增强后的训练集训练负荷分解网络模型，模型包括CNN层与GRU层，然后使用训练好的模型进行负荷分解。本发明通过数据填充、基于训练集生成合成样本等手段，提高了训练集的规模与质量，从而提高了负荷分解的准确度。
-
公开(公告)号：CN119380376A
公开(公告)日：2025-01-28
申请号：CN202411496302.2
申请日：2024-10-25
Applicant: 吉林大学
IPC: G06V40/10 , G06V10/82 , G06V10/25 , G06V10/54 , G06V10/56 , G06V20/70 , G06V10/77 , G06Q50/02 , G06Q40/08 , G06N3/0464 , G06N3/08
Abstract: 牛只的面部识别方法以及系统，属于生物识别技术领域，解决了现有的牛只识别方法误识风险大，识别效率低，需要的成本较高，对识别设备和环境有特定要求，已经不适合现代大型养殖场的应用的问题。包括以下步骤：步骤S1，采集图像，并对图像预处理后，建立图像数据集，图像数据集包括面部特征数据集和与其对应的身份信息数据集；步骤S2，基于YOLOv7模型对面部特征数据集进行目标检测；步骤S3，基于Face Net对图像的面部识别方法对目标检测后的面部特征数据集进行识别，则完成对面部特征数据集的识别的同时，显示与面部特征数据集对应的身份信息数据集。
-
公开(公告)号：CN119417733A
公开(公告)日：2025-02-11
申请号：CN202411563926.1
申请日：2024-11-05
Applicant: 吉林大学 , 江苏汉印机电科技股份有限公司
IPC: G06T5/80 , G06T5/60 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/048
Abstract: 一种基于快速多尺度残差网络的畸变图像矫正方法。涉及图像几何畸变矫正领域，具体涉及基于快速多尺度残差网络的畸变图像矫正技术领域。包括如下步骤：S1、数据集构建，通过使用几何失真模型，生成失真图像与标准图像的成对数据集，以及失真图像对应编号的形变位移场文件；S2、构建基于快速多尺度残差网络的畸变图像矫正模型，模型分为主干网络和支流网络，所述主干网络用于恢复图像特征，所述支流网络用于输出图像分类特征；S3、利用失真图像与标准图像的成对数据集和形变位移场文件训练所述基于快速多尺度残差网络的畸变图像矫正模型；S4、利用训练完成的基于快速多尺度残差网络的畸变图像矫正模型处理待矫正图像，得到矫正后的图像和其对应的分类。
-
公开(公告)号：CN118673966B
公开(公告)日：2024-10-22
申请号：CN202411161987.5
申请日：2024-08-23
Applicant: 吉林大学
IPC: G06N3/0455 , G06N3/0464 , G06N3/096 , G06F18/241 , G06F18/15 , G06F18/213 , H02J3/00 , G06Q50/06 , G06F123/02
Abstract: 基于Transformer模型和迁移学习的非侵入式负荷监测方法和设备，属于电力系统和负荷监测技术领域，解决非侵入式负荷监测技术预测精度低以及泛化能力弱问题。本发明方法包括：建立基于Transformer的NILM模型，通过正余弦位置编码为通用特征增加位置信息；设计四头三层的头注意力机制。通过卷积层平均激活通道数以及负荷的工作特性和使用特性分析选择源任务；通过在源任务模型上训练Transformer模型，将其迁移到其他负荷NILM任务上；冻结基于Transformer模型的卷积层参数，微调其他层以适应目标负荷NILM任务。本发明适用于对负荷功耗和使用状态进行监测和评估的场景。
-
Patent Agency Ranking
公开(公告)号：CN119557705A
公开(公告)日：2025-03-04
申请号：CN202411707385.5
申请日：2024-11-27
Applicant: 吉林大学 , 华锐风电科技(江苏)有限公司
IPC: G06F18/24 , G06F18/213 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明涉及风机叶片故障检测技术领域，具体公开了一种基于EEMD‑HHT和CBCNN的风机叶片故障预测方法及系统，方法包括：获取原始振动信号，基于EEMD技术处理获取有效IMF，对有效IMF进行HHT变换得到希尔伯特谱；预构建CNN网络并添加CBAM注意力模块，形成CBCNN故障预测模型；通过对所有希尔伯特谱进行划分得到验证集、测试集以及用于训练CBCNN故障预测模型的训练集，并进行模型训练优化处理直至得到最终的CBCNN故障预测模型；获取用于预测的振动信号输入至最终的CBCNN故障预测模型，输出预测结果。本发明采用集成经验模态分解EEMD来改善HHT变换，通过在卷积神经网络中引入CBMA注意力模块增强CNN卷积神经网络模型并基于包含检测结果的训练集进行训练，实现故障类型的预测。
-
公开(公告)号：CN117292494A
公开(公告)日：2023-12-26
申请号：CN202311588788.8
申请日：2023-11-27
Applicant: 吉林大学
Abstract: 一种声振融合的信号识别方法、系统、计算机设备及介质，属于智能周界预警技术领域，解决了现有的环境声音报警装置和振动信号报警装置监测方法单一、受外界环境影响大、计算过程复杂以及接收的信号波动较大的问题。所述方法包括：采集声音信号和振动信号并进行预处理，得到离散声音信号和离散振动信号；根据离散声音信号和所述离散振动信号获取各个信号的权值；提取所述离散声音信号的特征向量和离散振动信号的特征向量；构建特征融合模型，根据特征向量，结合各个信号的权值，获取融合后的声音信息和振动信息；采用SVM分类器，根据所述融合后的声音信息和振动信息，识别入侵目标。本发明适用于边境安防场景。
-
公开(公告)号：CN119293605A
公开(公告)日：2025-01-10
申请号：CN202411356427.5
申请日：2024-09-27
Applicant: 吉林大学 , 华锐风电科技(江苏)有限公司
IPC: G06F18/2411 , G06F18/21 , G06N3/0464 , G06N3/048 , G06N3/049
Abstract: 基于多尺度小波分解的时序图注意力结冰检测模型及方法，涉及风机叶片结冰的在线监测技术领域。解决现有检测风力涡轮机叶片结冰的深度学习算法，没有考虑不同尺度之间特定于尺度的变量间相关性，导致无法捕捉和适应叶片结冰的各种动态变化。检测模型采用多层小波分解网络模块提取数据的不同尺度的细节系数和近似系数，得到多尺度小波输入；采用尺度相关学习模块根据不同尺度的细节系数构建邻接矩阵；采用时序图注意力模块将多尺度小波输入和邻接矩阵形成的图结构转换成尺度特定表示；采用尺度注意力模块将尺度特定表示的输入转换成尺度注意力表示并发送给结冰分类器检测；还提供相应的结冰检测方法。本发明适用于风机叶片结冰的在线监测。
-
公开(公告)号：CN118673966A
公开(公告)日：2024-09-20
申请号：CN202411161987.5
申请日：2024-08-23
Applicant: 吉林大学
IPC: G06N3/0455 , G06N3/0464 , G06N3/096 , G06F18/241 , G06F18/15 , G06F18/213 , H02J3/00 , G06Q50/06 , G06F123/02
Abstract: 基于Transformer模型和迁移学习的非侵入式负荷监测方法和设备，属于电力系统和负荷监测技术领域，解决非侵入式负荷监测技术预测精度低以及泛化能力弱问题。本发明方法包括：建立基于Transformer的NILM模型，通过正余弦位置编码为通用特征增加位置信息；设计四头三层的头注意力机制。通过卷积层平均激活通道数以及负荷的工作特性和使用特性分析选择源任务；通过在源任务模型上训练Transformer模型，将其迁移到其他负荷NILM任务上；冻结基于Transformer模型的卷积层参数，微调其他层以适应目标负荷NILM任务。本发明适用于对负荷功耗和使用状态进行监测和评估的场景。
-
公开(公告)号：CN115767634A
公开(公告)日：2023-03-07
申请号：CN202211167527.4
申请日：2022-09-23
Applicant: 吉林大学
Abstract: 本发明公开了一种基于联邦学习的车联网时延敏感型应用卸载方法，所述方法包括如下步骤：步骤一、确定基于MEC的车联网网络架构；步骤二、建立应用程序模型；步骤三：确定MEC节点协作方案；步骤四、建立系统模型并得到优化问题；步骤五、设计DDQN与FL相结合的算法并求解优化问题。该方法将时延敏感型应用划分为互相有依赖关系的子任务，提供了一种MEC节点协作方案，并将该问题建模为一个以运算资源为约束条件、最小化总计算时延为目标的优化问题，利用联邦学习与深度强化学习相结合的方式来求解该问题，在得到可以使总计算时延最小的卸载方法的基础上，还可以保障用户的隐私安全，避免用户私人数据泄露。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.042 seconds)
