-
公开(公告)号：CN115546498A
公开(公告)日：2022-12-30
申请号：CN202211195748.2
申请日：2022-09-28
Applicant: 大连海事大学
IPC: G06V10/40 , G06N3/04 , G06N3/08 , G06V10/764
Abstract: 本发明提供一种基于深度学习的流场时变数据的压缩存储方法，包括以下步骤：基于测点的原始流场时程数据的测量；基于深度学习的流场数据特征提取与压缩；基于时程特征编码的流场低维表征与存储；基于编码与解码器的流场时变数据还原技术。本发明采用深度学习方法对流场时变特征进行提取与压缩，与传统采用图像存储等方法具有根本的不同，由于本方法采用了全新的数据类型进行流场存储，克服了传统方法中无法准确保留时变特征的缺点，是一种精度高、时变特征还原准确的方法。
-
公开(公告)号：CN116894287A
公开(公告)日：2023-10-17
申请号：CN202310856721.1
申请日：2023-07-12
Applicant: 大连海事大学
IPC: G06F30/13 , G06F30/20 , G06F119/14
Abstract: 本发明公开了一种不中断交通条件下的桥梁荷载试验中车头间距管制的计算方法，包括：S1：拟定不开放交通的车道位置和车辆荷载大小P1及开放交通的车道位置和车辆荷载大小P2；S2：拟定加载车辆的车头间距L，在不考虑开放交通车道车重的变化进行开放交通情况下加载效率系数η的计算；S3：在S2的基础上，更换开放交通车道上加载车辆的车头间距参数，得到新的加载效率系数η；S4：重复S2～S3，保证加载效率系数η均小于1.05，并利用所得到的多组车头间距L与η之间的关系利用插值法求得当η＝1.05时所对应的车头间距L0；利用L0对开放交通的加载车辆与试验车辆间的车头间距进行调控，从而完成不中断交通的桥梁荷载试验中对车头间距的管制。
-
公开(公告)号：CN116127844A
公开(公告)日：2023-05-16
申请号：CN202310082660.8
申请日：2023-02-08
Applicant: 大连海事大学
IPC: G06F30/27 , G06F17/11 , G06N3/04 , G06N3/08 , G06F111/10 , G06F113/08 , G06F111/04
Abstract: 本发明提供一种考虑流动控制方程约束的流场时程深度学习预测方法，包括以下步骤：采集并测量流场不同位置处于流动的时程信号，生成样本集；生成的所述样本集建立用于流场时程信号的深度学习模型；根据样本集训练所述深度学习模型，获取训练数据集下的模型结果；根据获取的所述模型结果，判断获取的所述深度学习模型的精度，并随机预测多个测点处的流场信号；重新对时程信号数据集进行训练，获取修正后的模型；根据获取的修正后的模型，生成流场时程信号。本发明解决了传感器时程数据较少情况下模型精度不足的问题，使得模型的结果符合物理规律；同时，基于流场时程数据作为模型训练数据集，相比于其他研究的瞬时流场切片数据更有实际意义，可将稀疏的传感器采集的流场数据输入模型进行训练与预测。
-
公开(公告)号：CN113822201B
公开(公告)日：2023-01-06
申请号：CN202111121944.0
申请日：2021-09-24
Applicant: 大连海事大学
IPC: G06F18/24 , G06F18/213 , G06F18/214 , G06N3/04 , G06N3/08
Abstract: 本发明提供一种基于流场速度分量时程的水下物体外形识别的深度学习方法，包括以下步骤：基于流场特征对水下目标体外形进行识别；基于任意一点尾流速度分量时程信号对所述目标特征进行提取；基于深度学习方法对所述尾流速度分量时程信号进行处理；基于卷积神经网络对流场速度分量时程特征进行分类。本发明采用流场速度分量作为外形识别的数据，与传统采用声信号、图像信号等方法具有根本的不同，由于本方法采用了全新的物理量进行外形识别，克服了传统声信号中主动声呐方法的隐蔽性差的缺点，也弥补了水中图像信号干扰大的缺陷，是一种隐蔽性高、数据获取便捷的新方法。
-
公开(公告)号：CN115455838A
公开(公告)日：2022-12-09
申请号：CN202211177018.X
申请日：2022-09-26
Applicant: 大连海事大学
IPC: G06F30/27 , G06F30/28 , G06K9/62 , G06N3/04 , G06N3/08 , G06F113/08 , G06F119/14
Abstract: 本发明公开一种面向时程数据的高空间分辨率流场重构方法，包括：获取待重构的流场中的时程样本信号及与所述时程样本信号对应的时程样本坐标，以获取时程样本信号集合和时程样本坐标集合；构建基于全卷积计算的深度学习网络模型；获取最优深度学习网络模型；计算待重构的流场的所有未知测点处的时程信号，以实现对待重构的流场进行重构。本发明通过在待重构的流场中选取有限数量的样本测点，获取这些有限数量的样本测点的一维的时程样本信号，并通过最优深度学习网络模型获取流场内的任一测点的时程信号，对流场采集的要求大大降低。同时所需要的输入数据量小、数据类型简单，模型保留了样本测点的时序信息，适用于复杂非定常流场的高精度重构。
-
Patent Agency Ranking
公开(公告)号：CN118133163A
公开(公告)日：2024-06-04
申请号：CN202311771925.1
申请日：2023-12-21
Applicant: 大连海事大学
IPC: G06F18/243 , G06F18/2415 , G06F18/27 , G06F18/214 , G06F18/25 , G06N3/0464 , G06N3/047 , G06N3/048 , G06N3/084
Abstract: 本发明公开了基于数据融合和一维卷积神经网络的结构损伤识别方法，S1：获取桥梁结构在不同损伤状态下的振动信号，并建立原始数据集，进行归一化处理；S2：通过滑动窗口的方式进行数据增强处理；S3：建立改进的一维卷积神经网络模型，进行训练以及测试，得到训练后的改进的一维卷积神经网络模型；S4：利用所述训练后的改进的一维卷积神经网络模型对桥梁结构进行结构损伤识别得到若干个决策，通过数据融合技术对若干个决策进行决策融合处理得到结构损伤检测的综合结果。本发明通过加入数据融合技术，能够从振动信号数据中充分挖掘桥梁结构的损伤信息，解决了在环境干扰、传感器不稳定性等因素影响下，影响桥梁结构损伤检测结果的问题。
-
公开(公告)号：CN115546498B
公开(公告)日：2023-10-17
申请号：CN202211195748.2
申请日：2022-09-28
Applicant: 大连海事大学
IPC: G06V10/40 , G06V10/82 , G06N3/0464 , G06N3/08 , G06V10/764
Abstract: 本发明提供一种基于深度学习的流场时变数据的压缩存储方法，包括以下步骤：基于测点的原始流场时程数据的测量；基于深度学习的流场数据特征提取与压缩；基于时程特征编码的流场低维表征与存储；基于编码与解码器的流场时变数据还原技术。本发明采用深度学习方法对流场时变特征进行提取与压缩，与传统采用图像存储等方法具有根本的不同，由于本方法采用了全新的数据类型进行流场存储，克服了传统方法中无法准确保留时变特征的缺点，是一种精度高、时变特征还原准确的方法。
-
公开(公告)号：CN113760955B
公开(公告)日：2023-03-10
申请号：CN202111050329.5
申请日：2021-09-08
Applicant: 大连海事大学
IPC: G06F16/242 , G06F16/28
Abstract: 本发明提供一种考虑盒子分形维数和产状的节理多因素分组方法，包括：获取研究范围内岩体节理的产状并绘制极点投影图，设定初始分组数和初始分组中心，计算所有节理产状极点相对于每个分组的隶属度值；根据节理产状极点和各分组中心位置构建最优分组数评估指标，根据最优分组数评估指标计算结果确定最优分组数；根据节理产状极点相对于每个分组的隶属度值筛选出需要二次分组的节理，对需要二次分组的节理进行基于盒子分形维数的节理分组，从而获得最终的分组结果。本方法对现有节理分组方法进行改进，综合考虑节理的盒子分形维数和产状，根据盒子分形维数对隶属度值较为模糊的节理进行分组重定位，得出的节理分组结果更加合理与可靠。
-
公开(公告)号：CN113901927B
公开(公告)日：2023-02-03
申请号：CN202111188877.4
申请日：2021-10-12
Applicant: 大连海事大学
IPC: G06F18/24 , G06F18/213 , G06F18/214 , G06N3/0464 , G06N3/08 , G06F123/00
Abstract: 本发明公开了一种基于流场压力时程的水下物体外形识别方法，包括：步骤1、采用压力传感器测量已知外形目标体的尾流压强时程样本，获得所有标签与样本外形一一对应的信号集合；步骤2、将步骤1中的信号集合输入第一深度学习网络模型并迭代收敛，将其参数迁移至第二深度学习网络模型并提取步骤1中所述的信号集合中特征，实现对所述的特征进行分类；步骤3、采集待识别外形的物体流场特征样本；步骤4、基于深度学习网络模型，计算对待识别样本的特征，完成物体识别。本发明采用流场压力作为外形识别的数据，是一种标量信号，其获取比速度等矢量信号更可靠；同时克服了主动声呐隐蔽性差的缺点，弥补了水中图像信号干扰大的缺陷。
-
公开(公告)号：CN113760955A
公开(公告)日：2021-12-07
申请号：CN202111050329.5
申请日：2021-09-08
Applicant: 大连海事大学
IPC: G06F16/242 , G06F16/28
Abstract: 本发明提供一种考虑盒子分形维数和产状的节理多因素分组方法，包括：获取研究范围内岩体节理的产状并绘制极点投影图，设定初始分组数和初始分组中心，计算所有节理产状极点相对于每个分组的隶属度值；根据节理产状极点和各分组中心位置构建最优分组数评估指标，根据最优分组数评估指标计算结果确定最优分组数；根据节理产状极点相对于每个分组的隶属度值筛选出需要二次分组的节理，对需要二次分组的节理进行基于盒子分形维数的节理分组，从而获得最终的分组结果。本方法对现有节理分组方法进行改进，综合考虑节理的盒子分形维数和产状，根据盒子分形维数对隶属度值较为模糊的节理进行分组重定位，得出的节理分组结果更加合理与可靠。
-
-
-
-
-
-
-
-
-
Search Results
15
records
(took 0.019 seconds)
