-
公开(公告)号：CN114861349B
公开(公告)日：2024-08-27
申请号：CN202210429223.4
申请日：2022-04-22
Applicant: 哈尔滨理工大学
IPC: G06F30/17 , G06F30/27 , G06N3/0499 , G06N3/088 , G06F111/04 , G06F111/08
Abstract: 一种基于模型迁移和维纳过程的滚动轴承RUL预测方法，涉及滚动轴承使用寿命预测技术领域，用以解决使用寿命百分比作为标签难以准确描述滚动轴承退化过程以及不同工况情况下轴承寿命预测准确率不高的问题。本发明的技术要点包括：提取某工况下全寿命滚动轴承的各振动统计特征，利用单层NCAE网络与SOM网络构建健康指标模型，使用健康指标对滚动轴承频域幅值序列进行标记；使用源域数据训练结合深度NCAE网络与前馈神经网络FNN的组合网络得到预训练模型；利用目标域数据微调，得到滚动轴承性能退化模型，利用性能退化指标量化值的增量建立维纳过程模型，实现不同工况下滚动轴承的RUL预测。本发明适用于对滚动轴承剩余使用寿命的预测技术中。
-
公开(公告)号：CN118094289A
公开(公告)日：2024-05-28
申请号：CN202410200962.5
申请日：2024-02-23
Applicant: 哈尔滨理工大学
IPC: G06F18/24 , G01M13/028 , G06F18/10 , G06F18/25 , G06N3/0464 , G06N3/096
Abstract: 本发明公开了一种基于信息融合的不同工况下谐波减速器故障诊断方法及系统，涉及减速器故障诊断技术领域。本发明的技术要点包括：采集不同状态的谐波减速器在不同位置的加速度信号；利用多个加速度信号构建样本集；对加速度信号进行预处理；将预处理后的二维时频图像进行小波分解，得到其高频分量与低频分量，以预设的融合规则进行图像融合；将训练样本对应的融合图像输入基于迁移学习的谐波减速器故障诊断模型中进行训练；将目标域测试样本对应的融合图像本输入训练好的谐波减速器故障诊断模型，获取诊断结果。本发明能够有效实现无监督场景中不同工况下谐波减速器的故障诊断。
-
公开(公告)号：CN109918681B
公开(公告)日：2023-01-31
申请号：CN201910249978.4
申请日：2019-03-29
Applicant: 哈尔滨理工大学
IPC: G06F40/30 , G06F16/332 , G06F16/33 , G06F16/35 , G06N3/0442 , G06N3/045
Abstract: 本发明提出了一种融合问题语义匹配方法，属于自然语言处理领域。本发明用于自动匹配回答消费者线上咨询时所提出的问题，同时通过汉字‑拼音特征融合的方法降低消费者所输入的同音错别字对问题语义匹配模型性能的影响。本发明所提出的双孪生长短时记忆网络结构通过两个单孪生长短时记忆网络独立地对汉字与拼音两种特征进行语义提取，使模型能够以不同的方式提取汉字序列与拼音序列的特征，再通过汉字与拼音特征拼接并进行语义合成，得到融合了汉字与拼音特征的语义向量，最后通过计算两个问题语义向量之间的负指数曼哈顿距离，输出两个问题的语义匹配程度。本发明提高了问题语义匹配模型在实际应用中的效果。
-
公开(公告)号：CN115481665A
公开(公告)日：2022-12-16
申请号：CN202211210685.3
申请日：2022-09-30
Applicant: 哈尔滨理工大学
Abstract: 本发明提出一种用于不同规格滚动轴承故障诊断的联邦模型迁移学习方法及系统，涉及滚动轴承故障诊断技术领域，用以解决现有联邦学习方法对于不同规格的滚动轴承的故障诊断效果不佳的问题。本发明方法的技术要点包括：对多个用户振动数据做短时傅里叶变换，构建时频图数据集；各用户训练本地模型并将模型参数上传至服务器，同时引入差值更新和参数稀疏化算法改进联邦学习中本地模型参数传递策略；服务器采用联邦平均算法聚合模型参数并更新本地模型，迭代后建立用于迁移学习的共享模型；提出逐层解冻策略保留共享模型部分参数并发送给每个用户，利用本地数据微调共享模型，获得适用于每个用户的个性化模型。本发明具有较高准确率和良好的泛化性能。
-
公开(公告)号：CN112101221B
公开(公告)日：2022-06-21
申请号：CN202010971122.0
申请日：2020-09-15
Applicant: 哈尔滨理工大学
Abstract: 一种用于交通信号灯实时检测与识别的方法，属于交通信号灯检测识别领域。本发明是针对YOLOv4算法对小目标检测不敏感导致交通信号灯检测精度较低的问题而提出的。提出浅层特征增强机制，将特征提取网络中不同阶段的两个浅层特征分别与两次上采样后得到的高层语义特征进行融合，增大两个检测层的尺度，提升网络对小目标的定位及颜色分辨能力；引入边界框不确定性预测机制，对预测边界框输出坐标进行建模，加入高斯模型计算坐标信息的不确定度，提高预测边界框的可靠性。利用LISA交通信号灯数据集分别进行检测与识别实验，检测实验中改进YOLOv4算法的AUC值为97.58％相比VIVA提升7.09％；识别实验中改进YOLOv4算法的平均精度均值为82.15％较原始YOLOv4算法提升2.86％。改进后的YOLOv4算法提升交通信号灯的检测与识别精度。
-
Patent Agency Ranking
公开(公告)号：CN109284812B
公开(公告)日：2021-11-30
申请号：CN201811098851.9
申请日：2018-09-19
Applicant: 哈尔滨理工大学
Abstract: 一种基于改进DQN的视频游戏模拟方法，为了解决DQN算法在视频游戏模拟中游戏得分低、学习策略速度慢的问题。该算法首先对激活函数进行了改进，结合ReLu和Softplus两种激活函数的优点，设计并构造一种分段激活函数。其次设计改进的Gabor滤波器，用其代替卷积神经网络中原有的可训练的滤波器。算法中将视频游戏的一帧帧图像和改进后的Gabor滤波器卷积得到多个不同方向的特征，然后将这些特征进行特征融合，用融合后的特征取代原始视频游戏图像作为卷积神经网络的输入，利用强化学习的Q‑Learning算法训练更新网络权重，得到训练模型，实现视频游戏的模拟。实验研究表明，改进的DQN算法在视频游戏模拟中游戏得分更高，且能更快地学习到策略。
-
公开(公告)号：CN111460157A
公开(公告)日：2020-07-28
申请号：CN202010249666.6
申请日：2020-04-01
Applicant: 哈尔滨理工大学
Abstract: 用于多领域文本分类的循环卷积多任务学习方法，属于多领域文本分类技术领域，本发明为了解决传统文本分类的手工注释非常昂贵和耗时，并且容易导致文本的特征被文本末尾的单词所主导，丢失很多关键的信息的问题。步骤a，建立MTL-LC循环卷积多任务学习模型；步骤b，数据采集；步骤c，词嵌入；步骤d，特征提取；步骤e，情感分类；将每一个任务的特征表示分别输入到特定任务的Softmax分类器中，进行情感分类，利用Softmax函数计算任务样本的每一个情感类别的概率，概率高的类别则为预测的类别，完成分类。本发明的用于多领域文本分类的循环卷积多任务学习方法优于单任务深度学习模型和先进的多任务学习模型，能够有效的对多领域文本的情感进行分类。
-
公开(公告)号：CN106769051B
公开(公告)日：2019-07-23
申请号：CN201710144702.0
申请日：2017-03-10
Applicant: 哈尔滨理工大学
IPC: G01M13/04
Abstract: 一种基于MCEA‑KPCA和组合SVR的滚动轴承剩余使用寿命预测方法，属于轴承运行状态的预测领域。本发明的目的是为了准确预测滚动轴承的剩余使用寿命。本发明方法对提取的特征计算每个评价标准的有效性得分，自适应地确定每个评价标准的权重，筛选出有效性总得分高于其整体平均值的特征，进一步利用KPCA去除已筛选特征之间的信息冗余，建立约简后的特征矩阵。将多个轴承约简后的特征分别作为SVR的输入，当前使用寿命与全寿命的比值p即RUL作为输出，建立多个SVR模型，并采用自适应的方法确定各模型的权重，最终构建组合SVR预测模型。本发明方法可准确地对滚动轴承进行RUL预测。
-
公开(公告)号：CN109918923A
公开(公告)日：2019-06-21
申请号：CN201910075280.5
申请日：2019-01-25
Applicant: 哈尔滨理工大学
Abstract: 一种基于DNA编码的多通道彩色图像混沌加密方法，涉及数字图像加密领域，针对现有图像混沌加密方案存在不足以及高维连续时间混沌系统离散过程算法复杂，以致加密图像安全性低、获取离散混沌序列耗时的问题而提出的。利用六维离散超混沌系统产生六组混沌序列，由哈希函数SHA-256产生系统迭代初始值；提取彩色图像的RGB分量，对各分量作DNA编码分别得到DNA矩阵并合并，构建重组DNA矩阵，同时执行行列置乱操作；然后，将置乱DNA矩阵拆分成三个大小相同的矩阵，分别与DNA编码后的三个混沌密钥矩阵作DNA计算，再对得到的矩阵执行DNA解码操作；对解码矩阵执行扩散加密操作，加密轮数由SHA-256决定。加密效果好，安全性高。
-
公开(公告)号：CN108460012A
公开(公告)日：2018-08-28
申请号：CN201810102699.0
申请日：2018-02-01
Applicant: 哈尔滨理工大学
IPC: G06F17/27
Abstract: 本发明公开了一种基于GRU-CRF的命名实体识别方法，属于自然语言处理领域。为了进一步提高命名实体识别的识别效果，本发明将GRU网络与CRF相结合，利用GRU网络提取句子特征，再结合CRF进行最后的实体标注来完成命名实体识别。GRU具有参数少，训练速度快等特点，减少了对大规模数据进行训练时所用的时间，CRF对一个位置进行标注的过程中可以利用到已经标注的信息，具有很好的实体标注效果。本发明将GRU网络应用于命名实体识别领域，在达到标注效果的基础上减少了网络内部的参数，提高了训练效率，具有很好的应用前景，可以广泛应用于各领域的实体识别场合。
-
-
-
-
-
-
-
-
-
Search Results
102
records
(took 0.034 seconds)
