-
公开(公告)号：CN112527547B
公开(公告)日：2022-05-17
申请号：CN202011496477.5
申请日：2020-12-17
Applicant: 中国地质大学(武汉) , 华中科技大学
Abstract: 本发明提供一种基于自动卷积神经网络的机械智能故障预测方法，获取设备故障信号，并对其进行预处理，得到预处理后的故障信号；构建自动卷积神经网络ACNN故障诊断模型；所述ACNN故障诊断模型包括1组卷积神经网络CNN和1组深度确定性策略梯度网络DDPG；所述卷积神经网络CNN用于设备故障预测，所述深度确定性策略梯度网络DDPG用于实现对所述卷积神经网络CNN的学习率、批量和正则化三个参数进行自动调节；利用预处理后的故障信号训练所述ACNN故障诊断模型，得到训练完成的ACNN故障诊断模型；将所述训练完成的故障诊断模型应用于设备故障诊断。本发明提供的有益效果是：实现了对卷积神经网络参数的自动调节与优化，使得卷积神经网络对故障特征具有良好的提取能力。
-
公开(公告)号：CN113963778A
公开(公告)日：2022-01-21
申请号：CN202111181151.8
申请日：2021-10-11
Applicant: 中国地质大学(武汉) , 华中科技大学同济医学院附属同济医院
IPC: G16H30/20 , G16H30/40 , G06T7/00 , G06T7/10 , G06V10/774 , G06V10/80 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明提供了一种新的基于注意力卷积神经网络的胸部x射线图像检测(AT‑XDD)方法，包括以下：构建检测模型，所述检测模型包括：数据预处理模块、注意力卷积神经网络AT‑CNN模块；所述注意力卷积神经网络AT‑CNN模块包括特征提取单元、特征融合单元和基于注意力引导的数据增强单元；利用检测模型实现对胸部x射线图像的检测：将胸部医学原始数据输入至数据预处理模块，得到预处理后的数据；将预处理后的数据输入至注意力卷积神经网络AT‑CNN模块，得到最终的胸部x射线图像。本发明大大增强了基于注意力卷积神经网络(CNN)的胸部x射线图像检测(AT‑XDD)模型的性能，同时提高了胸部x射线图像检测的精度和效率。
-
公开(公告)号：CN109978134B
公开(公告)日：2020-11-24
申请号：CN201910141765.X
申请日：2019-02-26
Applicant: 华中科技大学
Abstract: 本发明属于神经网络故障预测的技术领域，并公开了一种基于快速集成卷积神经网络的故障预测方法。该方法包括下列步骤：(a)采集待预测对象的输出信号，采用S变换将所述输出采集的信号进行时频分析，获得时频信号；(b)构建基于LeNet‑5的卷积神经网络结构，提出基于自重启余弦循环学习率的最大最小余弦循环学习率调度器，并对卷积神经网络的学习率范围进行设定；(c)利用卷积神经网络训练所述预测数据的时频信号，并采用SECNN的预测结果作为最终的预测结果。通过本发明，可以实现预测速度快，预测精度高的故障预测。
-
公开(公告)号：CN110609524B
公开(公告)日：2020-07-28
申请号：CN201910750456.2
申请日：2019-08-14
Applicant: 华中科技大学
IPC: G05B19/418
Abstract: 本发明公开一种工业设备剩余寿命预测模型及其构建方法和应用，方法包括：采集多个相同工业设备分别在不同故障模式下的全寿命多特征数据集，并构建每个全寿命多特征数据集的多维矩阵；采用滑动窗口对每个多维矩阵进行时间序列切片，得到该多维矩阵的多个时间切片矩阵；根据故障模式种类，对所有时间切片矩阵分类；基于每种故障模式对应的所有时间切片矩阵，训练该故障模式的CNN‑RNN混合预测模型得到工业设备剩余寿命。本发明通过使用滑动窗口对多维数据进行时间序列切片，增加混合模型输入的多样性，利用预分类构建模型库，对含有多种故障模式的数据集处理，提高模型预测精度；构建CNN‑RNN混合网络实现了无需自定义失效阈值的端到端的剩余使用寿命预测模型。
-
公开(公告)号：CN108334936B
公开(公告)日：2019-12-24
申请号：CN201810087864.X
申请日：2018-01-30
Applicant: 华中科技大学
IPC: G06N3/04
Abstract: 本发明属于神经网络故障预测领域，并公开了基于迁移卷积神经网络的故障预测方法。该方法包括下列步骤：(a)将故障类型进行编号，采集待预测对象的时域信号并获取初始故障类型编号，将时域信号转化为RGB图像；(b)将深度残差网络模型的FC层初始化并添加分类器，获得改进的网络模型；(c)将RGB图像输入网络模型训练FC层和分类器，不断更新FC层的权重值，当获得的故障类型编号与初始故障类型编号相近时对应的权重值为所需的新的权重值，并完成网络模型的迁移；(d)将待预测对象的RGB图像输入迁移卷积神经网络模型中，输出预测故障类型编号。通过本发明，所采用的迁移卷积神经网络模型结构简单、预测速度快，预测结果准确。
-
Patent Agency Ranking
公开(公告)号：CN113239980A
公开(公告)日：2021-08-10
申请号：CN202110442031.2
申请日：2021-04-23
Applicant: 华中科技大学 , 中国地质大学(武汉)
Abstract: 本发明提供了一种基于小样本机器学习与超参数优化的水下目标检测方法，包括：构建基于Cascade‑RCNN的小样本目标检测模型；预训练数据集；利用预训练数据集对小样本目标检测模型进行预训练，获得小样本目标检测模型的预训练权重θ′；构建待检测的目标数据集；将目标数据集划分为有标记的支持集和无标记的查询集；对目标数据集进行预处理；对小样本目标检测模型进行微调，得到最终训练完成的小样本目标检测模型；采用基于TPE的贝叶斯优化模型对训练完成的小样本目标检测模型进行超参数优化，得到优化后的小样本目标检测模型；输入预处理后的查询集至优化后的目标检测模型，得到目标检测结果。本发明实现了不依赖于大样本、可以自动调节超参数的目标检测。
-
公开(公告)号：CN112527547A
公开(公告)日：2021-03-19
申请号：CN202011496477.5
申请日：2020-12-17
Applicant: 中国地质大学(武汉) , 华中科技大学
Abstract: 本发明提供一种基于自动卷积神经网络的机械智能故障预测方法，获取设备故障信号，并对其进行预处理，得到预处理后的故障信号；构建自动卷积神经网络ACNN故障诊断模型；所述ACNN故障诊断模型包括1组卷积神经网络CNN和1组深度确定性策略梯度网络DDPG；所述卷积神经网络CNN用于设备故障预测，所述深度确定性策略梯度网络DDPG用于实现对所述卷积神经网络CNN的学习率、批量和正则化三个参数进行自动调节；利用预处理后的故障信号训练所述ACNN故障诊断模型，得到训练完成的ACNN故障诊断模型；将所述训练完成的故障诊断模型应用于设备故障诊断。本发明提供的有益效果是：实现了对卷积神经网络参数的自动调节与优化，使得卷积神经网络对故障特征具有良好的提取能力。
-
公开(公告)号：CN109978134A
公开(公告)日：2019-07-05
申请号：CN201910141765.X
申请日：2019-02-26
Applicant: 华中科技大学
Abstract: 本发明属于神经网络故障预测的技术领域，并公开了一种基于快速集成卷积神经网络的故障预测方法。该方法包括下列步骤：(a)采集待预测对象的输出信号，采用S变换将所述输出采集的信号进行时频分析，获得时频信号；(b)构建基于LeNet‑5的卷积神经网络结构，提出基于自重启余弦循环学习率的最大最小余弦循环学习率调度器，并对卷积神经网络的学习率范围进行设定；(c)利用卷积神经网络训练所述预测数据的时频信号，并采用SECNN的预测结果作为最终的预测结果。通过本发明，可以实现预测速度快，预测精度高的故障预测。
-
公开(公告)号：CN109406118A
公开(公告)日：2019-03-01
申请号：CN201811197982.2
申请日：2018-10-15
Applicant: 华中科技大学
Abstract: 本发明属于神经网络故障预测相关技术领域，其公开了一种基于层次卷积神经网络的机械故障预测方法，该方法包括以下步骤：(1)采用S变换将待故障预测的机械的振动信号从时序信号变换成时频图，以备用；(2)结合故障类型在不同粒度上的层次划分，以构建双输出的层次卷积神经网络模型，所述时频图为所述层次卷积神经网络模型的输入；所述层次卷积神经网模型具有两类分类器，分别为粗分类器及精分类器；(3)依次采用粗标签及精标签对所述粗分类器及所述精分类器进行训练，以得到训练好的层次卷积神经网络模型，进而进行机械故障预测。本发明提高了精度及效率，适用性较好，有利于在实际应用中推广应用。
-
公开(公告)号：CN115035055B
公开(公告)日：2025-01-03
申请号：CN202210588370.6
申请日：2022-05-27
Applicant: 中国地质大学(武汉) , 华中科技大学同济医学院附属同济医院
IPC: G06T7/00 , G06T5/50 , G06V10/774 , G06V10/80 , G06V10/82
Abstract: 本发明提供了一种基于注意力机制的循环一致性对抗网络的肺炎检测方法，包括图像合成和图像检测步骤；合成模块由AttenCycleGAN构成，包括：随机数据增强单元、注意力引导合成的生成器和判别器；检测模块包括：自动数据增强单元、特征提取单元、基于注意力引导的数据增强单元、BAP特征融合单元；利用图像模型对肺炎X光射线进行合成以实现数据集的扩充：将正常的图像输入合成模块中，经生成器得到合成的肺炎X光射线图像，并增加到肺部医学原始图像得到扩充后的肺部医学数据集；然后输入至检测模块，得到最终的肺部X射线图像。本发明极大地提高了基于注意力卷积神经网络的肺炎X射线图像检测模型的性能，同时提高了肺炎检测的精度和效率。
-
-
-
-
-
-
-
-
-
Search Results
20
records
(took 0.022 seconds)
