公开(公告)号：CN202855478U

公开(公告)日：2013-04-03

申请号：CN201220384801.9

申请日：2012-08-03

Applicant: 北京京仪椿树整流器有限责任公司

Inventor： 李志君 ,  陈美钰 ,  段宣祥 ,  李金芝 ,  董宁 ,  孙利娟 ,  孙楠

IPC: H01F19/04 ,  H01F27/24 ,  H01F1/12 ,  H01F27/16 ,  H01F27/28

Abstract: 本实用新型公开了一种低压大电流高频变压器，包括高压绕组、低压绕组、磁芯、铝型材散热器、汇流板、连接板和绝缘板；所述铝型材散热器和磁芯包括两个半部，在所述铝型材散热器的中部开有圆形空间，所述磁芯的两个半部分别固定在所述铝型材散热器的两个半部的圆形空间内；所述绝缘板设置在所述铝型材散热器的两个半部和所述磁芯的两个半部之间；所述铝型材散热器的两个半部通过所述连接板连接在一起；原边绕组为高压绕组，副边绕组为低压绕组；高压绕组设置在所述磁芯上，低压绕组引出端连接到所述汇流板上。本实用新型在降低高频变压器体积的同时提高了高频变压器的性能。

公开(公告)号：CN111582506A

公开(公告)日：2020-08-25

申请号：CN202010411579.6

申请日：2020-05-15

Applicant: 北京交通大学

Inventor： 冯松鹤 ,  李浥东 ,  孙利娟 ,  金一

IPC: G06N20/00

Abstract: 本发明提供了一种基于全局和局部标记关系的偏多标记学习方法。该方法包括：构建特征信息矩阵，利用特征信息矩阵构建不精确标记矩阵；利用低秩稀疏表示模型将不精确标记矩阵分解为噪声标记矩阵和正确标记系数矩阵，利用噪声标记矩阵、正确标记系数矩阵和特征信息矩阵构建所有标记的预测模型；基于正确标记系数矩阵、噪声矩阵和预测模型构建偏多标记学习模型，采用块坐标下降法迭代更新方法训练偏多标记学习模型，得到训练好的预测模型；将未见示例输入到训练好的预测模型，得到未见示例对应的标记。本发明的方法充分利用了全局和局部标签的相关性，去除有噪声的标签，通过低秩表示来训练分类器，从而提高算法的性能。

公开(公告)号：CN111581466A

公开(公告)日：2020-08-25

申请号：CN202010411580.9

申请日：2020-05-15

Applicant: 北京交通大学

Inventor： 冯松鹤 ,  李浥东 ,  孙利娟 ,  王涛

IPC: G06F16/906 ,  G06N20/00

Abstract: 本发明提供了一种特征信息存在噪声的偏多标记学习方法。该方法包括：构建包含噪声的观测的特征信息矩阵，构建标签置信度矩阵；利用低秩稀疏表示模型将特征信息矩阵分解为稀疏噪声矩阵和正确的特征信息矩阵，利用稀疏噪声矩阵、正确的特征信息矩阵和观测的特征信息矩阵构建多标记预测模型；利用标签置信度矩阵对多标记预测模型进行优化，得到构建嵌入了特征信息和标签置信度的混合模型，对混合模型进行训练得到偏多标签学习模型；利用偏多标签学习模型对未见示例预测出未见示例对应的标签。本发明的方法利用低秩和稀疏分解模型准确地恢复正确的特征信息，有效地减少噪声特征信息的影响；将样本相似性和标签置信度结合，进一步提升标签置信度的准确性。

公开(公告)号：CN111581466B

公开(公告)日：2024-02-27

申请号：CN202010411580.9

申请日：2020-05-15

Applicant: 北京交通大学

Inventor： 冯松鹤 ,  李浥东 ,  孙利娟 ,  王涛

IPC: G06F16/906 ,  G06N20/00

Abstract: 本发明提供了一种特征信息存在噪声的偏多标记学习方法。该方法包括：构建包含噪声的观测的特征信息矩阵，构建标签置信度矩阵；利用低秩稀疏表示模型将特征信息矩阵分解为稀疏噪声矩阵和正确的特征信息矩阵，利用稀疏噪声矩阵、正确的特征信息矩阵和观测的特征信息矩阵构建多标记预测模型；利用标签置信度矩阵对多标记预测模型进行优化，得到构建嵌入了特征信息和标签置信度的混合模型，对混合模型进行训练得到偏多标签学习模型；利用偏多标签学习模型对未见示例预测出未见示例对应的标签。本发明的方法利用低秩和稀疏分解模型准确地恢复正确的特征信息，有效地减少噪声特征信息的影响；将样本相似性和标签置信度结合，进一步提升标签置信度的准确性。