-
公开(公告)号：CN119479920A
公开(公告)日：2025-02-18
申请号：CN202411481033.2
申请日：2024-10-23
Applicant: 西安工业大学 , 航天材料及工艺研究所
IPC: G16C60/00 , G06N3/0499 , G06N3/084 , G06N3/086
Abstract: 本发明属于健康管理领域，特别涉及一种融合领域知识的氟塑料蠕变性能预测方法。所述方法包括以下步骤：对氟塑料的健康因子数据进行归一化预处理；提取先验知识并添加先验知识到BP神经网络的性能函数中，得到最终权值阈值更新公式；利用‑PSO优化神经网络的权值和阈值；根据确定的BP神经网络结构初始化粒子种群及参数，计算‑PSO的粒子适应度值，寻找个体最优值和种群最优值。经实验验证，该方法可以有效解决氟塑料老化性能预测精度低的问题。结果表明，本文所提改进的粒子群算法（‑PSO）与传统BP神经网络相比平均误差下降约3.5479‰，具有更高的预测精度，该方法简明有效，有一定的实际意义。
-
公开(公告)号：CN119128818A
公开(公告)日：2024-12-13
申请号：CN202410963804.5
申请日：2024-07-18
Applicant: 西安工业大学
IPC: G06F18/27 , G06F18/214 , G06F18/15 , G06F18/21 , G06N3/0442
Abstract: 本发明涉及一种基于外缘数据加强的称重传感器剩余寿命预测方法。所述方法包括：首先，获取常温下称重传感器恒定负载的重量数据和温度数据，并对其进行预处理；其次，进行LSTM的网络构建及相关参数设置，将处理后的数据输入到网络中，进行网络模型的训练；然后，使用温度测试集和预测的重量数据作为训练好模型的输入，进行多步测试；最后，通过不同测试点的预测结果，进行不同测试点的RUL计算。该方法可以较好地预测称重传感器退化趋势，RUL预测的准确性可以达到95.6126%；可显著提升模型训练的稳定性和收敛速度，预测效率显著提高，可有效适应多种环境因素对系统性能的影响，采用的综合策略提高了系统在不同工作条件下的稳定性和响应能力。
-
公开(公告)号：CN115565228A
公开(公告)日：2023-01-03
申请号：CN202211243915.6
申请日：2022-10-12
Applicant: 西安工业大学
Abstract: 本发明公开了一种虹膜和人脸权重自适应的多模态识别方法，其主要步骤包括：1)对采集到的虹膜和人脸图像进行多级质量评估，得到虹膜和人脸图像的各级质量评估分数。2)依据质量评估分数调节虹膜和人脸所占权重比，实现虹膜和人脸两种模态在匹配层加权加法融合权重的自适应优化。本发明有效提高了传统虹膜和人脸多模态身份识别系统的识别精度和准确率，同时解决了因人脸或虹膜某一生物特征局部遮挡导致用户身份无法识别的弊端，特别是新冠疫情引起的佩戴口罩遮挡导致无法识别的问题。
-
公开(公告)号：CN114826335A
公开(公告)日：2022-07-29
申请号：CN202210458142.7
申请日：2022-04-28
Applicant: 西安工业大学
Abstract: 本发明提出一种近场磁晶元全双工无授权磁通信方法。该方法以激励线圈和位于中心的隧道磁阻传感器构成的磁晶元，作为功能模块和控制中心双侧发、收天线，利用近距强耦合电磁场传输媒介，完成同时同频全双工数据获取。首先双侧调制模块将调制信号做为激励线圈电流输入，在磁晶元空间中产生同频感应磁场，隧道磁阻传感器接收磁信号，分析电信号近磁信道增益；其次通过自干扰信道估计模块得到双侧隧道磁阻传感器位置的近磁信道增益，重构自磁晶元侧自干扰信号；自干扰消除模块从接收信号中消除自干扰信号、解调出需求数据。该方法在保证传输速率的前提下，将双向传输时长缩短为原来的一半，促进解决设备无缆模块调度时延引发的数据交换可靠性问题。
-
公开(公告)号：CN113569474A
公开(公告)日：2021-10-29
申请号：CN202110822710.2
申请日：2021-07-21
Applicant: 西安工业大学
Abstract: 本发明为一种基于广度优先搜索的贝叶斯网络结构精确建模方法，其克服了现有技术中存在的传统的基于深度优先搜索的算法效率有待提高的问题。本发明包括以下步骤：构建节点集合与其标号所对应的哈希表；计算网络各节点的全家族评分并以哈希表形式存储；对于网络各节点，在其父节点图中，依据广度优先搜索策略，获取最优父节点集合以及评分并以哈希表形式进行存储；在节点序图中，依据广度优先搜索策略，获取各节点组合的最优网络结构评分和最优叶节点并以哈希表形式进行存储；从全节点组合开始，提取最优叶节点和对应叶节点的最优父节点集合组成网络结构的一部分，更新当前节点集，并重复上述过程，直至节点集合为空。
-
Patent Agency Ranking
公开(公告)号：CN119223432A
公开(公告)日：2024-12-31
申请号：CN202410963802.6
申请日：2024-07-18
Applicant: 西安工业大学
IPC: G01G23/01 , G06F18/214 , G06N3/0464
Abstract: 本发明涉及传感器校准技术领域，特别适用于一种基于神经网络的称重传感器校准方法。该方法：首先对获得的称重传感器的数据进行归一化处理；其次，初始化ELM和Adam的参数；之后利用Adam算法优化ELM隐含层到输出层的的权重和阈值，并将优化过后的权重和阈值保存下来；最后，将测试集数据输入到训练好的模型，得到输出后，对输出进行反归一化操作以实现称重传感器的校准工作。通过该方法，可改善优化过程的收敛性能，优化过程更加平稳和可靠，校准后的称重传感器精度可以达到0.02%F.S左右，称重传感器在不同工作条件下都能够保持较好的校准效果，可适用于不同类型的传感器的校准。
-
公开(公告)号：CN114331886B
公开(公告)日：2024-07-12
申请号：CN202111586643.5
申请日：2021-12-23
Applicant: 西安工业大学
IPC: G06T5/73 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于深度特征的图像去模糊方法。本发明涉及低质图像增强领域，本发明利用标准的非盲去卷积去模糊方法解决模糊图像复原的问题,步骤如下：1.对原始模糊图像进行灰度化和消色算法预处理；2.采用VGG16网络扩大输入图像的感受野，进行模糊特征的提取；3.选择一个局部图像块获得初始模糊核，采用标准的非盲去卷积去模糊方法重建清晰图像；4.构建双损失函数，即利用平滑度损失函数和色彩损失函数优化复原后的清晰图像。
-
公开(公告)号：CN114970091B
公开(公告)日：2024-07-09
申请号：CN202210394989.3
申请日：2022-04-15
Applicant: 西安工业大学
Abstract: 本发明涉及一种高密度磁晶圆线圈阵列电磁兼容性分析设计方法。所提供的方法中，采用的单台设备表面贴附有阵列式排布的单磁晶圆线圈，本方法包括以下步骤：先对设备自兼容状况进行预测分析与评估；然后对于单台设备存在潜在干扰的收发对，采用屏蔽、滤波、接地、隔离等措施进行设计。多台设备时，先对单台设备进行分析，然后对设备间的电磁兼容状况进行预测分析与评估，最后对于设备间存在潜在干扰的收发对，采用屏蔽、滤波、接地、隔离等措施进行设计。实现了磁耦合设备的自兼容预测分析，实现了磁耦合取能和通信系统的电磁兼容性设计，可解决设备自身以及设备间电磁的干扰问题，为磁耦合取能和通信系统的电磁兼容性设计奠定技术基础。
-
公开(公告)号：CN118097776A
公开(公告)日：2024-05-28
申请号：CN202410167389.2
申请日：2024-02-06
Applicant: 西安工业大学
Abstract: 本发明涉及人体姿态检测领域，具体涉及一种基于神经网络架构搜索的人体姿态检测网络设计方法，包括以下步骤：步骤一、使用高分辨率网络为基础，构建一个逐步添加分支的高精度多分支主干网络；步骤二、以步骤一构建的主干网络为基础，构建包含混合模块搜索空间、深度信息搜索空间和融合时机搜索空间的超网；步骤三、基于进化算法对搜索空间进行架构搜索，分为超网权重预训练、最优子网搜索、最优子网重训练三步。本发明有效融合了多分辨率特征，使其有效匹配人体姿态检测任务；解决了构建过大搜索空间搜索过慢且难搜索到优秀结构的问题；本发明特别适用于运动分析领域；可以快速的针对不同的实际应用搜索并构建出一个高效的人体姿态检测网络，搜索时间短，不会学习到冗余信息，因此网络运行速度快，可保持搜索的高精度。
-
公开(公告)号：CN116225046A
公开(公告)日：2023-06-06
申请号：CN202211099640.3
申请日：2022-09-09
Applicant: 西安工业大学
IPC: G05D1/10
Abstract: 本发明为一种基于深度强化学习的未知环境下无人机自主路径规划方法，其克服了现有技术中存在的经验重放机制无法提取重要样本以及稀疏奖励的问题。本发明包括以下步骤：1)在二维空间内建立无人机自主运动飞行模型，随机生成障碍物数量及位置，以及无人机的起始点；2)基于马尔可夫决策过程框架建立环境模型并设计阶梯奖励机制；3)基于状态和策略选择动作，将与环境交互所得的信息组成五元组存入经验池并依据所设计的优先级经验重放机制进行采样；4)采用改进的DQN算法基于环境模型采样得到的样本进行网络更新，并对样本的状态‑动作对进行赋值；5)根据样本中状态下各个动作的Q值选择最优动作，进而得到最优策略。
-
-
-
-
-
-
-
-
-
Search Results
23
records
(took 0.037 seconds)
