-
公开(公告)号：CN117875408A
公开(公告)日：2024-04-12
申请号：CN202410285505.0
申请日：2024-03-13
Applicant: 中南大学
IPC: G06N3/098 , G06N3/0455 , G06N3/049 , G06T7/00 , G06V10/764 , G06V10/82
Abstract: 本发明提供了一种面向瑕疵检测的脉冲神经网络的联邦学习方法，将产品图像输入人工神经网络分支进行前向传播、在时间窗口内将感受野矩阵编码输入脉冲神经网络分支进行前向传播，并在脉冲神经网络分支的前向传播过程中将人工神经网络分支输出的特征与脉冲神经网络分支中每一个时间步输出的特征进行融合，有效缓解了尖峰噪声影响；根据脉冲神经网络分支中最后一层中所有时间步输出的特征与瑕疵种类标签构建损失函数，通过损失函数对脉冲神经网络分支进行反向传播训练，得到本地联邦脉冲神经网络并将多个本地工业设备上传的网络参数输入中央服务器进行聚合得到全局模型，在实现轻量化分布协同训练的同时，有效解决了用于瑕疵检测时准确率低的劣势。
-
公开(公告)号：CN117113241A
公开(公告)日：2023-11-24
申请号：CN202310538638.X
申请日：2023-05-12
Applicant: 中南大学
IPC: G06F18/2433 , G06F18/2411 , G06F18/23213 , G06F18/2321 , G06F18/214 , G06F18/21 , G06F18/10 , G06F18/27 , G06N3/045 , G06N3/0464 , G06N3/0442 , G06N3/08
Abstract: 本发明涉及漏损监测方法，具体地涉及一种基于边缘学习的智能漏损监测方法，包括如下步骤：A.对水管采集点的历史运行数据进行划分，将正常运行情况下的历史运行数据划分为正常运行情况数据集，将故障异常情况下的历史运行数据划分为故障异常数据集；B.利用机器学习模型构建正常运行情况预测模型，将正常运行情况预测模型下发到各边缘节点进行模型训练和预测，并构建对比区间；C.将采集数据与对比区间比对，并利用聚类算法和机器学习算法得到边缘节点的异常诊断结果，从而对水管的实际运行情况进行诊断。本发明的基于边缘学习的智能漏损监测方法能够在事前对水管进行瞬态水压或水流量的自动监测，降低了水管爆管和漏损的发生概率。
-
公开(公告)号：CN116824257A
公开(公告)日：2023-09-29
申请号：CN202310791693.X
申请日：2023-06-30
Applicant: 中南大学
IPC: G06V10/764 , G06V30/19 , G06F16/35 , G06V10/42 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/0442 , G06N3/08 , G06Q50/18
Abstract: 本发明提供了一种生态环保类案件的证据要素识别方法及相关设备，通过对采集与目标生态环保类案件相关的物理信息数据和数字信息数据进行自适应采样，得到关键证据数据，极大地提高了数据获取的效率；将关键证据数据输入注意力分布模型进行特征提取，得到关键证据要素特征向量；将关键证据要素特征向量输入证据要素识别模型进行识别，得到目标生态环保类案件的证据要素识别结果，能够更准确的筛选出关键证据要素的特征，提高了证据的准确性和充分性，帮助解决生态环境的法律纠纷问题，有利于帮助实现关于生态环保类案件的司法公正。
-
公开(公告)号：CN115358784A
公开(公告)日：2022-11-18
申请号：CN202211010754.6
申请日：2022-08-23
Applicant: 中南大学
Abstract: 本发明提供了一种提取分布式典型用电模式的方法及相关设备，涉及工业电力大数据处理与分析领域，包括：采集目标区域内多个工业用户的电力负荷数据；分别针对每个工业用户的电力负荷数据，对工业用户的电力负荷数据进行处理，得到工业用户的用电状态矩阵；利用多个工业用户的用电状态矩阵生成负荷曲线集合簇，并将负荷曲线集合簇中同一状态下同一时长的负荷曲线归为一类；分别针对每类负荷曲线，进行典型用电模式提取，得到每个工业用户对应的典型用电模式集合簇；对多个工业用户的典型用电模式集合簇进行融合，得到典型用电模式；可以有效的提升典型用电模式提取的准确性和代表性，还提高模式提取和数据分析的效率。
-
公开(公告)号：CN107895100A
公开(公告)日：2018-04-10
申请号：CN201710226894.X
申请日：2017-04-06
Applicant: 中南大学 , 湖南省环境监测中心站
Abstract: 本发明公开了一种流域水质综合评价方法及系统，建立水质综合评估分析模型和信度分布函数，将水质指标的监测值转化为各评估等级的置信度；结合证据推理的合成规则和算法，将隶属于同一评估等级的指标进行证据递归合成，计算出各评估等级的概率分布；引入效用理论，实现水质的相互比较。本发明通过建立流域水质综合评估分析模型和信度分布函数，实现了水质监测数据的归一化处理，避免了打分法对源数据信息的损害，使得各指标监测值的处理更加科学精确，更能反映水质状况；采用证据理论的合成规则和证据推理算法，实现了多指标、多评估等级的证据合成，并充分考虑了不确定信息的处理，使得评价结果更符合实际情况。
-
Patent Agency Ranking
-
公开(公告)号：CN1480885A
公开(公告)日：2004-03-10
申请号：CN03124659.1
申请日：2003-07-16
Applicant: 中南大学
IPC: G06F17/60
Abstract: 本发明涉及一种基于互联网结构的群体智能决策支持系统及其应用方法，该决策支持系统包括局域内部网和/或因特网，在局域内部网的Web服务器和数据库服务器内有以面向对象的决策支持组件构成的决策支持系统生成器，这些决策支持组件包括互联网环境下群体智能决策支持系统所需的类库、对象及其属性和方法，提出决策的应用需求的各应用系统作为应用层，通过开发层的各种开发工具，将生成器组件作为开发资源添加到应用系统中，构成具有群体智能决策支持功能的应用系统，系统在互联网中受到物理设施的支撑。该决策支持系统的应用方法是利用决策支持系统生成器开发各种基于互联网的应用系统，各应用系统作为应用层提出决策的应用需求，借助于开发层的各种开发工具，将决策支持系统生成器组件作为开发资源添加到应用系统中，构成具有群体智能决策支持功能的应用系统，使系统在互联网中物理设施即物理层的支撑下运行。
-
公开(公告)号：CN119229262B
公开(公告)日：2025-02-28
申请号：CN202411731452.7
申请日：2024-11-29
Applicant: 中南大学
Abstract: 本发明公开了一种基于图像识别技术的文博图像处理方法及系统。方法包括对所述原始文博图像进行初步预处理操作，获得第一图像；使用基于深度学习的VGG16‑Unet文博图像预处理模型对所述第一图像进行噪声识别和去除操作，获得第二图像；使用基于RT‑DETR模型的文博图像分割模型对所述第二图像进行分割处理，获得包含目标信息的第三图像；使用基于改进后ResNet‑101的文博图像目标信息提取模型对所述第三图像进行目标信息的识别，确定所述原始文博图像中所包含的目标信息。本发明方案不仅提高了文博图像的清晰度，还大幅提升了目标信息分割与识别的准确性，适用于文物保护、数字化存档及学术研究等多种应用场景。
-
公开(公告)号：CN118798395B
公开(公告)日：2024-12-03
申请号：CN202411278271.3
申请日：2024-09-12
Applicant: 中南大学
Abstract: 本申请适用于联邦学习技术领域，提供了一种基于多数据联盟的协同训练方法，该协同训练方法包括任务发起方联盟节点发送协同训练请求；信息计算方联盟节点接收到协同训练请求后，采集每个数据联盟节点的通信信息，计算链路质量，确定协同训练路径；任务发起方联盟节点对自身的原始本地模型进行协同训练，构建本地复合数据集，计算协同训练后的本地模型和原始本地模型的评估分数；若评估分数小于预设分数阈值，则对协同训练后的本地模型进行个性化训练；否则，将协同训练后的本地模型作为最终本地模型。本申请可以在没有集中式高级服务器进行数据聚合的情况下，实现多个数据联盟节点之间的协同训练，提高数据联盟节点中本地模型的准确度。
-
公开(公告)号：CN118508431B
公开(公告)日：2024-11-05
申请号：CN202410936677.X
申请日：2024-07-12
Applicant: 中南大学
IPC: H02J3/00 , H02J3/38 , G06F18/241 , G06F18/2431 , G06N3/098
Abstract: 本发明涉及能源优化管理技术领域，具体公开了一种应用于智能微电网的能源优化管理方法，通过在本地设备的本地训练期间建立并运行计算任务分配方法，针对微电网中的异构设备实现了基于实时的动态资源调节，使各设备的运算处理时间趋于一致，平衡各设备之间的计算负荷，通过该种方式来缩短整体设备的计算时间，缩短微电网的整体响应时间，提高能源管理计算效率，解决了传统的应用有联邦学习架构的智能微电网管理系统中，智能微电网中因不同设备之间的异构差异，而导致智能微电网在全局响应过程中设备间响应速度不一致的问题。
-
-
-
-
-
-
-
-
-
Search Results
35
records
(took 0.028 seconds)
