-
公开(公告)号:CN118190949A
公开(公告)日:2024-06-14
申请号:CN202410432765.6
申请日:2024-04-11
申请人: 河海大学 , 雅砻江流域水电开发有限公司
摘要: 本发明公开了一种模拟输水隧洞充水运行状态下非接触感知传感器的性能测试装置及测试方法,可真实的模拟输水隧洞充水运行状态下低照度、悬浮颗粒与砂颗粒干扰水体环境,准确再现输水隧洞充水运行期内部声‑光非接触传感器感知过程,定量改变水体条件,研究水体条件对水下传感器散射和吸收得影响规律,装置设置合理,试验操作方便,水砂可循环,成本低,试验对机械部件损伤小,系统具有较高的可靠性。
-
公开(公告)号:CN107737755B
公开(公告)日:2021-04-09
申请号:CN201711085709.6
申请日:2017-11-07
申请人: 雅砻江流域水电开发有限公司 , 中国电建集团昆明勘测设计研究院有限公司
摘要: 一种基于水利发电的智能移动清污系统,包括水力发电机、壳体、清洗装置、驱动装置、存储装置、蓄电池、无线装置及处理器,水力发电机设置于壳体内部并与蓄电池连接,壳体包括第一摄像头、进水口、出水口、滤网、固定桩、固定装置及发电仓,清洗装置包括伸缩式喷头、转向轴、液体存储仓及高压水泵,驱动装置包括驱动电机及驱动履带,存储装置包括电源存储仓及伸缩式门体,蓄电池设置于电源存储仓内部,无线装置设置于壳体内部,用于与外部设备、水上救援中心、水上建筑修复中心及网络连接;处理器设置于无线装置侧方,用于分别与固定装置、水力发电机、伸缩式喷头、转向轴、高压水泵、驱动电机、第一摄像头、伸缩式门体、蓄电池及无线装置连接。
-
公开(公告)号:CN113223701A
公开(公告)日:2021-08-06
申请号:CN202110531057.4
申请日:2021-05-16
申请人: 河海大学
摘要: 本发明公开了一种基于Transformer‑MHP模型的突发心脏病预测方法,包括数据预处理、特征分析、模型构建与训练、性能评价四部分。首先根据所得心脏病数据样本进行数据预处理,然后使用PCA主成分分析法对数据集进行降维分析,最后使用Spearman相关分析算法筛选出十四个特征属性进行模型训练。Transformer算法的主作用域为自然语言处理并且成就显著,本发明将传统Transformer框架进行改进与创新,结合高可拓展性的并行处理算法提出了一种新Transformer‑MHP算法模型用于AI医疗领域来进行突发心脏病的概率预测,以辅助提高医疗工作效率和准确率。最后,本发明通过实验对模型进行性能评价,结果表明,本发明的Transformer‑MHP心脏病预测算法与传统算法相比具有较好的准确性和可解释性。
-
公开(公告)号:CN114881307A
公开(公告)日:2022-08-09
申请号:CN202210440137.3
申请日:2022-04-25
申请人: 河海大学
摘要: 本发明公开了一种基于WOA优化LightGBM的钢铁成锭率预测方法,包括数据收集,数据清洗,构建Light GBM回归模型,使用WOA优化LightGBM模型,模型训练,将待预测成锭率钢铁的特征数据输入训练好的WOA‑LightGBM模型中,得到该钢铁的成锭率预测值。本发明运用LightGBM模型,可以处理无时间序列关系的数据,使用WOA对LightGBM模型超参数进行优化,通过控制收缩包围机制的参数来控制模型依概率全局收敛,使得模型能更可靠地找到全局最优解、降低模型误差。
-
公开(公告)号:CN113838018B
公开(公告)日:2024-01-23
申请号:CN202111085690.1
申请日:2021-09-16
IPC分类号: G06T7/00 , G06V10/764 , G06V10/82 , G06N3/047 , G06N3/084
摘要: 本发明公开了一种基于Cnn‑former的肝纤维化病变检测模型训练方法与系统,属于深度学习结合多模态医疗领域。本发明首先构建包含病理生化特征、生理特征、CT图像特征的多模态数据集;进而对所整合数据集进行预处理得到数值化的特征序列;再通过Spearman相关系数结合特征权重影响图检测相关特征,提取有效特征;最后构建基于Cnn‑former模型的肝纤维化病变检测网络,在数据集上进行训练,同时完成模型评估。相比于传统通过“肝穿刺”方式检测肝病,基于Cnn‑former模型的肝纤维化病变检测方法,在实现AI无痛检测的同时对病变具有较高检测精度。
-
公开(公告)号:CN114818886A
公开(公告)日:2022-07-29
申请号:CN202210375616.1
申请日:2022-04-11
申请人: 河海大学
摘要: 本发明公开了一种基于PCA和CatBoost回归融合预测土壤渗透率的方法,包括收集带有渗透率数值的若干个样本土壤,以这些样本的数值特征数据作为样本集,提取待预测渗透率土壤的特征数据;数据清洗;基于PCA主成分分析方法的思想,对样本高维度数据集进行降维处理,保留重要特征并去除无关特征和冗余特征;构建CatBoost回归模型;将待预测渗透率土壤的特征数据输入训练好的CatBoost回归模型中,得到该样本土壤的渗透率预测值。本发明为土壤渗透率的预测提供了一种考虑因素更加全面、预测更加精确、对土壤类型等类别特征处理效果更好的方法。本发明将PCA与CatBoost二者结合,可以改善样本土壤中类别型特征的处理效果,也可以适应样本土壤特征维度高的特点,从而提高预测精度。
-
公开(公告)号:CN113838018A
公开(公告)日:2021-12-24
申请号:CN202111085690.1
申请日:2021-09-16
摘要: 本发明公开了一种基于Cnn‑former的肝纤维化病变检测模型训练方法与系统,属于深度学习结合多模态医疗领域。本发明首先构建包含病理生化特征、生理特征、CT图像特征的多模态数据集;进而对所整合数据集进行预处理得到数值化的特征序列;再通过Spearman相关系数结合特征权重影响图检测相关特征,提取有效特征;最后构建基于Cnn‑former模型的肝纤维化病变检测网络,在数据集上进行训练,同时完成模型评估。相比于传统通过“肝穿刺”方式检测肝病,基于Cnn‑former模型的肝纤维化病变检测方法,在实现AI无痛检测的同时对病变具有较高检测精度。
-
-
-
-
-
-