-
公开(公告)号：CN115047350B
公开(公告)日：2023-04-18
申请号：CN202210729394.9
申请日：2022-06-24
Applicant: 哈尔滨工业大学
IPC: G01R31/367 , G01R31/378 , G01R31/392
Abstract: 一种基于数模联动的锂离子电池剩余使用寿命预测方法，本发明涉及锂离子电池剩余使用寿命预测方法。本发明的目的是为了解决基于模型和数据驱动的剩余使用寿命预测方法结合困难、传统数据驱动方法难以衡量剩余使用寿命的不确定性以及难以反映时间窗口数据中不同时刻的重要性程度的问题。过程为：步骤一、搭建基于时间注意力机制的双向门控循环单元网络模型；过程为：模型依次包含对时间的注意力机制网络、双向门控循环单元网络和全连接层三个部分；步骤二、训练基于时间注意力机制的双向门控循环单元网络模型；步骤三、构建基于粒子滤波的电池退化模型；步骤四、在线预测剩余使用寿命。本发明适用于电池使用寿命预测领域。
-
公开(公告)号：CN114419000A
公开(公告)日：2022-04-29
申请号：CN202210066338.1
申请日：2022-01-20
Applicant: 哈尔滨工业大学
Abstract: 基于多尺度几何嵌入卷积神经网络的股骨头坏死指标预测系统，本发明涉及股骨头坏死指标预测系统。本发明为解决现有股骨头坏死指标预测准确率低的问题。过程为：图像处理主模块用于获得预处理后的图像；神经网络主模块用于搭建多尺度几何嵌入卷积神经网络模型；训练主模块利用预处理后的图像对搭建好的网络模型进行训练，并获得训练好的多尺度几何嵌入卷积神经网络模型；检测主模块用于加载训练好的网络模型，对待测试图像进行分割，分割出股骨头区域；指标模块用于对获取的分割出的股骨头区域进行分割，分割出坏死区域，统计坏死区域中的像素数量作为坏死面积，计算坏死面积与股骨头面积的比例。本发明用于图像处理和人工智能领域。
-
公开(公告)号：CN111488914B
公开(公告)日：2020-12-25
申请号：CN202010188695.6
申请日：2020-03-17
Applicant: 哈尔滨工业大学
Abstract: 一种基于多任务学习的阿尔茨海默症分类及预测系统，本发明涉及阿尔茨海默症分类及预测系统。本发明的目的是为了解决现有阿尔茨海默症分类系统不能判断轻度认知障碍个体是否会向阿尔茨海默症转化的问题。图像处理主模块、临床指标处理主模块、神经网络主模块、训练主模块和检测主模块；所述图像处理主模块用于采集头部图像，对采集的头部图像进行预处理，获得预处理后的图像，并将预处理后图像输入训练主模块和检测主模块；所述临床指标处理主模块用于选定临床指标，获取临床指标的特征向量，并将临床指标的特征向量输入训练主模块和检测主模块；所述神经网络主模块用于搭建阿尔茨海默症分类及预测模型。本发明用于智能医疗检测技术领域。
-
公开(公告)号：CN111488914A
公开(公告)日：2020-08-04
申请号：CN202010188695.6
申请日：2020-03-17
Applicant: 哈尔滨工业大学
Abstract: 一种基于多任务学习的阿尔茨海默症分类及预测系统，本发明涉及阿尔茨海默症分类及预测系统。本发明的目的是为了解决现有阿尔茨海默症分类系统不能判断轻度认知障碍个体是否会向阿尔茨海默症转化的问题。图像处理主模块、临床指标处理主模块、神经网络主模块、训练主模块和检测主模块；所述图像处理主模块用于采集头部图像，对采集的头部图像进行预处理，获得预处理后的图像，并将预处理后图像输入训练主模块和检测主模块；所述临床指标处理主模块用于选定临床指标，获取临床指标的特征向量，并将临床指标的特征向量输入训练主模块和检测主模块；所述神经网络主模块用于搭建阿尔茨海默症分类及预测模型。本发明用于智能医疗检测技术领域。
-
公开(公告)号：CN111598894A
公开(公告)日：2020-08-28
申请号：CN202010309418.6
申请日：2020-04-17
Applicant: 哈尔滨工业大学
Abstract: 基于全局信息卷积神经网络的视网膜血管图像分割系统。本发明涉及视网膜血管图像分割系统，本发明为了解决现有卷积神经网络视网膜血管图像分割中全局信息利用有限、重要特征易丢失的问题。本发明所述系统包括：图像处理主模块、神经网络主模块、训练主模块和检测主模块；所述图像处理主模块用于采集原始视网膜图像，对采集的原始视网膜图像进行预处理，将处理后的图像输入训练主模块和检测主模块；所述神经网络主模块用于建立能够提取全局信息并强化特征的卷积神经网络；所述训练主模块用于初始化网络参数，获得训练好的卷积神经网络模型；所述检测主模块用于利用训练好的模型进行测试，计算模型性能指标。本发明属于视网膜血管图像分割系统领域。
-
Patent Agency Ranking
公开(公告)号：CN119515812A
公开(公告)日：2025-02-25
申请号：CN202411566278.5
申请日：2024-11-05
Applicant: 哈尔滨工业大学
IPC: G06T7/00 , G06V10/82 , G06N3/0464 , G06N3/08 , G06N3/0499
Abstract: 一种基于解剖感知增强网络的乳腺超声视频病变检测系统，本发明属于智能医疗检测技术领域，具体涉及乳腺超声视频病变检测系统。本发明为解决现有深度学习辅助诊断方法对乳腺超声视频病变检测准确率低的问题。系统包括：影像处理主模块用于采集乳腺超声视频影像，对采集的乳腺超声视频影像进行预处理，获得预处理后的影像；自注意力网络主模块用于搭建解剖感知增强的自注意力网络模型；训练主模块利用预处理后的影像对搭建好的解剖感知增强的自注意力网络模型进行训练，并获得训练好的解剖感知增强的自注意力网络模型；病变检测主模块用于加载训练好的解剖感知增强的自注意力网络模型，对待检测的乳腺超声影像进行检测，检测出乳腺病变区域。
-
公开(公告)号：CN119515811A
公开(公告)日：2025-02-25
申请号：CN202411566277.0
申请日：2024-11-05
Applicant: 哈尔滨工业大学
IPC: G06T7/00 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 一种基于双分支注意力蒸馏网络的乳腺肿瘤良恶性识别系统，本发明属于医学图像处理领域，具体涉及基于双分支注意力蒸馏网络的乳腺肿瘤良恶性识别系统。本发明为解决现有基于深度学习方法特征提取能力不足，无法准确聚焦病变区域的问题。系统包括：超声图像预处理主模块用于对采集的乳腺超声图像进行预处理，获取超声成像区域，对获取的超声成像区域统一图像尺寸，获得预处理后的乳腺超声图像，作为训练集；双分支卷积神经网络主模块用于搭建双分支注意力蒸馏网络模型；模型训练主模块用于获得训练好的双分支注意力蒸馏网络模型；模型测试主模块用于加载训练好的双分支注意力蒸馏网络模型，对待诊断的乳腺超声图像进行分类。
-
公开(公告)号：CN119515810A
公开(公告)日：2025-02-25
申请号：CN202411566274.7
申请日：2024-11-05
Applicant: 哈尔滨工业大学
IPC: G06T7/00 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 基于自蒸馏卷积神经网络的甲状腺结节识别系统，本发明属于智能医疗检测技术领域，具体涉及甲状腺结节识别系统。本发明的目的是为了解决现有基于深度学习的甲状腺结节识别准确率低的问题。系统包括：图像处理主模块用于采集甲状腺结节超声图像，对采集的甲状腺结节超声图像进行预处理，获得预处理后的甲状腺结节超声图像；神经网络主模块用于搭建自蒸馏卷积神经网络模型；训练主模块利用预处理后的甲状腺结节超声图像对搭建好的自蒸馏卷积神经网络模型进行训练，获得训练好的自蒸馏卷积神经网络模型；识别主模块用于加载训练好的自蒸馏卷积神经网络模型，对待识别的甲状腺结节超声图像进行检测，识别出甲状腺结节的类别。
-
公开(公告)号：CN115047350A
公开(公告)日：2022-09-13
申请号：CN202210729394.9
申请日：2022-06-24
Applicant: 哈尔滨工业大学
IPC: G01R31/367 , G01R31/378 , G01R31/392
Abstract: 一种基于数模联动的锂离子电池剩余使用寿命预测方法，本发明涉及锂离子电池剩余使用寿命预测方法。本发明的目的是为了解决基于模型和数据驱动的剩余使用寿命预测方法结合困难、传统数据驱动方法难以衡量剩余使用寿命的不确定性以及难以反映时间窗口数据中不同时刻的重要性程度的问题。过程为：步骤一、搭建基于时间注意力机制的双向门控循环单元网络模型；过程为：模型依次包含对时间的注意力机制网络、双向门控循环单元网络和全连接层三个部分；步骤二、训练基于时间注意力机制的双向门控循环单元网络模型；步骤三、构建基于粒子滤波的电池退化模型；步骤四、在线预测剩余使用寿命。本发明适用于电池使用寿命预测领域。
-
公开(公告)号：CN113659833B
公开(公告)日：2022-05-17
申请号：CN202110976680.0
申请日：2021-08-24
Applicant: 哈尔滨工业大学
Abstract: 一种并联直流‑直流变换器的寿命延长方法，本发明涉及并联直流‑直流变换器的寿命延长方法。本发明的目的是为了解决现有方法难以精确预测系统的健康状态，导致无法缓解模块化功率转换系统中的老化程度不匹配，从而缩短电力电子系统寿命的问题。过程为：1.获取训练数据；2.搭建神经网络模型；3.训练神经网络，得到训练好的神经网络；4.在线获得测试数据，预测并联式DC‑DC变换器系统的健康状态；5.重复执行3和4N次，保留在测试数据上预测效果最好的神经网络用于最终的在线预测，执行6；6.延长系统的剩余使用寿命。本发明用于电力电子系统人工智能健康管理领域。
-
-
-
-
-
-
-
-
-
Search Results
14
records
(took 0.025 seconds)
