公开(公告)号：CN113806571A

公开(公告)日：2021-12-17

申请号：CN202110909657.X

申请日：2021-08-09

申请人： 西安理工大学

发明人： 廖开阳 ,  王睿天 ,  曹从军 ,  陈星 ,  裴朝松 ,  王海

IPC分类号： G06F16/53 ,  G06F16/583 ,  G06K9/46 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08

摘要： 本发明公开了一种基于深度特征与底层特征融合的图像检索方法，将深度神经网络ResNeXt101的Conv_4、Conv_5两个卷积层提取到的特征分别进行特征通过concat融合方式进行融合。然后将提取到的底层SIFT特征和融合后的深度特征进行融合。使用三元组损失训练出最优模型，在人脸数据集上对算法进行测试，使用平均检索精度(mAP)评估算法性能。将深度特征图的重要部分通过ROI感兴趣区域方法提取出来，通过赋予不同权重，使得深度特征的表达能力更好。且不同卷积层的融合也使得特征表达能力更加全面。与现有图像检索方法相比，通过ROI、两次特征的融合，提取到的特征更加精确，加入三元组损失训练模型也使得模型检索精度更加准确。

公开(公告)号：CN116756544A

公开(公告)日：2023-09-15

申请号：CN202310685746.X

申请日：2023-06-09

申请人： 西安理工大学

发明人： 刘杰 ,  王婷 ,  王海 ,  王晓莹 ,  郑元林 ,  刘善慧

IPC分类号： G06F18/213 ,  G06F18/214 ,  G06F18/25 ,  G06N3/0464 ,  G06N3/048 ,  G06N3/08

摘要： 本发明公开了基于多深度加权孪生网络的少样本故障诊断方法，具体按照以下步骤实施：步骤1、构建训练集样本对和测试集样本对；步骤2、构建基于多深度加权的特征提取器；步骤3、构建基于深度神经网络的度量学习器：步骤4、将步骤2中特征提取器和步骤3中度量学习器结合构成基于多深度加权的孪生网络模型，利用步骤1中训练集样本对对基于多深度加权的孪生网络模型进行训练并优化；步骤5、将步骤1中测试集样本对输入到步骤4优化后的基于多深度加权的孪生网络模型中进行诊断，得到少样本下轴承故障诊断结果，解决了现有技术中存在少样本故障诊断性能低的问题。