-
公开(公告)号：CN115469172A
公开(公告)日：2022-12-13
申请号：CN202211289769.0
申请日：2022-10-20
Applicant: 青岛海洋科学与技术国家实验室发展中心 , 中国海洋大学
IPC: G01R31/00 , G01R21/133 , G01R21/00 , G06N3/04 , G06N3/08
Abstract: 本申请提供了一种基于神经网络的三相电非侵入式负荷识别方法，属于工业设备能耗监测技术领域。所述方法包括步骤S1、将能耗监测装置安装于产线级配电柜中，用于采集工业三相电信号；步骤S2、由所述产线级配电柜引出电能，以对能耗监测装置供电；步骤S3、将能耗监测装置与远程客户端进行互联；步骤S4、在能耗监测装置中配置采样频率修改模块，用于基于远程客户端的指令调整所述能耗监测装置的采样频率；步骤S5、在能耗监测装置中配置能耗分析模块，用于基于采集的产线电信号计算产线设备的有功功率、无功功率、视在功率及功率因数；步骤S6、将经训练的负荷监控模型嵌入到所述能耗分析模块中，以形成能耗识别、故障预警、故障报警及能耗统计分析的功能。
-
公开(公告)号：CN115268994A
公开(公告)日：2022-11-01
申请号：CN202210881060.3
申请日：2022-07-26
Applicant: 中国海洋大学 , 青岛海洋科学与技术国家实验室发展中心
IPC: G06F8/75 , G06F16/901 , G06N3/04 , G06N3/08
Abstract: 本发明提供了一种基于TBCNN和多头自注意力机制的代码特征提取方法，包括：对程序代码进行解析处理，获得抽象语法树；按照预设的功能节点对抽象语法树进行分割处理，获得若干个小型抽象语法树；将小型抽象语法树输入基于树的卷积神经网络，获得程序代码结构信息的向量序列；利用多头自注意力机制和残差网络对向量序列进行处理，获得程序代码特征；利用全连接网络对程序代码特征进行融合，获得程序代码的特征向量。本发明可以实现CNN网络和RNN网络的功能，不仅可以解决CNN感受野限制和计算复杂度大的问题，而且还可以解决因无法学习长距离依赖导致的梯度消失和梯度爆炸的问题。
-
公开(公告)号：CN113313140B
公开(公告)日：2022-11-01
申请号：CN202110402765.8
申请日：2021-04-14
Applicant: 中国海洋大学 , 青岛海洋科学与技术国家实验室发展中心
Abstract: 本申请公开了一种基于深度注意力的三维模型分类和检索方法及装置。所述基于深度注意力的三维模型分类和检索方法包括：获取待检索三维模型；根据所述待检索三维模型，映射生成二维视图组，所述二维视图组包括至少两个二维视图；获取每个所述二维视图的特征；通过深度注意力网络融合各个所述二维视图的特征，从而形成一个融合特征；根据所述融合特征对所述待检索三维模型进行检索或者分类。本申请通过引入自注意力结构，能够从全局角度充分考虑多视图间的相关性信息，挖掘隐藏信息，减少信息冗余。
-
公开(公告)号：CN113421649B
公开(公告)日：2022-10-28
申请号：CN202110693502.7
申请日：2021-06-22
Applicant: 中国海洋大学 , 青岛海洋科学与技术国家实验室发展中心
IPC: G16H50/50
Abstract: 本申请公开了一种心脏电生理模型的并行仿真方法及系统。所述心脏电生理模型的并行仿真方法包括：计算主核控制与其连接的从核对模拟的细胞进行初始化；计算主核根据其获取的仿真任务为各个与其连接的从核下发电位仿真任务；各个从核同时对各自对应模拟的细胞进行电位仿真计算从而获得心脏细胞电位仿真计算结果；各个从核将计算得到的心脏细胞电位仿真计算结果写入与其连接的计算主核；控制主核获取各个计算主核所传递的心脏细胞电位仿真计算结果。本申请的心脏电生理模型的并行仿真方法可同时开启十万级规模进程并行计算仿真，能够快速完成动作电位周期的仿真计算，加快心脏电生理模型的仿真速度，有效缩短仿真时间。
-
公开(公告)号：CN115184893A
公开(公告)日：2022-10-14
申请号：CN202210716819.2
申请日：2022-06-23
Applicant: 青岛海洋科学与技术国家实验室发展中心
Abstract: 本发明涉及一种基于卷积神经网络的返回散射电离图回波信号提取方法，其具体步骤为：S1、基于设定的掩码Mj,k自定义联合损失函数，基于以联合损失函数为损失函数的卷积神经网络构建回波信号提取模型；S2、训练回波信号提取模型；S3、提取回波信号；实时收集电离图，制作电离图数据集，将电离图数据集输入至训练后的回波信号提取模型中进行回波信号提取，回波信号提取模型输出电离图回波信号，回波信号提取结束。本发明通过设定的掩码自定义联合损失函数，使卷积神经网络在学习到噪声和干扰的同时，将注意力集中于电离图的信号区域；并引入跳跃连接层，避免因网络层数增加而引发的梯度消失问题，提高回波信号的提取准确性。
-
Patent Agency Ranking
公开(公告)号：CN115107931A
公开(公告)日：2022-09-27
申请号：CN202210692794.7
申请日：2022-06-17
Applicant: 青岛海洋科学与技术国家实验室发展中心 , 中国海洋大学
Abstract: 本申请公开了一种海上浮标系统。所述海上浮标系统包括：浮标本体，所述浮标本体至少部分没入海中；边缘计算机，所述边缘计算机设置在所述浮标本体内部；电池组件，所述电池组件与所述边缘计算机连接，用于为所述边缘计算机提供电能；太阳能板，其设置在浮标本体上，所述太阳能板与所述电池组件连接，其用于将所述太阳能转换为电能并为所述电池组件充电；相机，其安装在所述浮标本体上，所述相机至少能够拍摄所述太阳能板、边缘计算机、海面上的浮标中的一个或多个，所述相机与所述电池组件连接。本申请通过太阳能提供电能，从而能够使本申请的海上浮标系统在不借助其他外部电网的情况下进行长时间工作，且可通过相机对自身进行检测。
-
公开(公告)号：CN114974298A
公开(公告)日：2022-08-30
申请号：CN202210693193.8
申请日：2022-06-17
Applicant: 青岛海洋科学与技术国家实验室发展中心 , 中国海洋大学
Abstract: 本申请公开了基于深度学习的海洋声源定位及海洋参数反演方法，先利用仿真软件和水听器实测数据生成海洋环境数据集，然后利用数据集对第一和第二残差神经网络模型进行初始训练，然后利用所述实测数据对完成初始训练的第一和第二残差神经网络模型进行验证，之后将经过初始训练后得到的声源定位信息作为第二残差神经网络模型的输入，并通过第二残差神经网络模型进行传播损失的预测，在未满足终止条件的情况下，将预测出的传播损失作为第一残差神经网络模型的输入并继续训练第一残差神经网络模型，并将第一残差神经网络模型的输出作为第二残差神经网络模型的输入，返回继续训练第二残差神经网络模型。该方法减小了运算结果的误差。
-
公开(公告)号：CN114865768A
公开(公告)日：2022-08-05
申请号：CN202210690232.9
申请日：2022-06-17
Applicant: 青岛海洋科学与技术国家实验室发展中心 , 中国海洋大学
Abstract: 本申请公开了一种海上智能浮标供电方法。所述海上智能浮标供电方法包括：获取电池组件电量信息；获取与电池组件连接的需要电池组件提供电量的各个相机以及边缘计算机的额定功率；根据各个所述额定功率，获取当前电池组件的电量信息能够支撑各个相机以及边缘计算机工作的预估时间；判断预估时间是否超过第一预设阈值，若是，则控制电池组件为各个需要电池组件提供电量的各个相机以及边缘计算机供电。本申请的低功耗海上智能浮标信息采集方法能够在通过合理的资源分配的情况下，使本申请的浮标系统中的各个待分配装置根据资源情况监测浮标所搭载传感器状态、目标提醒、入侵识别等业务场景。
-
公开(公告)号：CN114862049A
公开(公告)日：2022-08-05
申请号：CN202210600333.2
申请日：2022-05-30
Applicant: 天津大学 , 青岛海洋科学与技术国家实验室发展中心
Abstract: 本发明公开了一种基于图卷积的多海洋物理场融合表示的预警方法及装置，方法包括：利用三层图卷积神经网络在多个物理场上进行特征更新，挖掘不同物理场之间的相互关系，以对具有不同物理场综合特性的整体特征表示进行更新；利用双层时序注意力操作，将具有不同物理场综合特性的整体特征表示及该整体特征表示所对应的位置编码信息输入进双层时序注意力中，获得时段多物理场数据特征耦合表示；将时段多物理场数据特征耦合表示作为全局特征，并挖掘时序信息进行Nino3.4指数的预测，将Nino3.4指数与输入的台风观测数据进行融合，进行台风强度预测。装置包括：处理器和存储器。本发明解决了现有技术中对沿海地区通信基站附近海域台风强度预测不够准确的问题。
-
公开(公告)号：CN114625374A
公开(公告)日：2022-06-14
申请号：CN202210248764.7
申请日：2022-03-14
Applicant: 青岛海洋科学与技术国家实验室发展中心
Abstract: 本申请公开了一种CUDA‑C向ATHREAD‑C的转换方法及装置。所述CUDA‑C向ATHREAD‑C的转换方法包括：获取CUDA内核代码；获取预设转换方法；通过ANTLR语言翻译工具，自动生成CUDA代码的抽象语法树；根据所述抽象语法树以及预设转换方法生成ATHREAD代码。本申请公开的CUDA‑C向ATHREAD‑C的转换方法构建了异构加速器的硬件对应关系，并在此基础上设计了基于编译器前端的软件自动转换架构，完全继承了CUDA‑C的并行算法结构，无需在国产超算上重新设计并行算法，保证了移植后数据的准确性和软件的可扩展性，硬件上的近似性对应以及与之相匹配的内存使用原则使得转换后的代码性能得到基本保证。
-
-
-
-
-
-
-
-
-
Search Results
130
records
(took 0.075 seconds)
