-
公开(公告)号：CN116011507A
公开(公告)日：2023-04-25
申请号：CN202211554474.1
申请日：2022-12-06
Applicant: 东北林业大学
IPC: G06N3/0455 , G06N3/0464 , G06N3/048 , G06N3/0985 , G06F17/14
Abstract: 融合元学习与图神经网络的稀有故障诊断方法，本发明涉及航空发附机匣标记监测数据有限，并且在实际应用中训练数据域与目标数据域存在差异导致模型诊断性能下降的问题。在实际工业环境中，同一机台可能出现新的故障类别，机台的运行状态也会随着工作场景做出切换，导致源域和目标域之间存在分布差异，这时训练好的模型就会失效。为了改善这一问题，本发明提出了一种基于元学习的融合图神经网络稀有故障诊断方法。实验表明，本文方法在公共数据集及航空发附机匣数据集上均优于传统的稀有故障诊断方法。本发明应用于航空发附机匣的小样本故障诊断。
-
公开(公告)号：CN115731097A
公开(公告)日：2023-03-03
申请号：CN202211547682.9
申请日：2022-12-05
Applicant: 东北林业大学
IPC: G06T3/00 , G06V10/774 , G06V10/82 , G06N3/08 , G06N3/0464
Abstract: 一种基于解纠缠表示的多风格迁移方法，本发明涉及图像生成技术中，多风格迁移方法问题。图像生成技术通过风格迁移网络将图片在不同风格间进行转换。然而在风格迁移过程中，没有考虑图片所包含的不同信息，导致经风格迁移后并不能很好得保留图片的内容细节，导致所生成图片内容细节丢失，质量较差。为此，我们提出一种基于解纠缠表示的多风格迁移方法。其主要思想是将图片进行内容与风格解纠缠表示，在风格迁移过程中保留内容信息，交换域风格信息，以此生成图片。实验表明，我们的多风格迁移方式可以有效解决图片风格迁移后内容细节丢失的问题，本发明应用于图片生成中的多风格迁移。
-
公开(公告)号：CN120015284A
公开(公告)日：2025-05-16
申请号：CN202510069917.5
申请日：2025-01-16
Applicant: 东北林业大学
IPC: G16H50/20 , G06F18/213 , G06F18/25 , G06F18/241 , G06T7/00 , G06T7/11
Abstract: 综合视图分析的多模态心血管疾病检测方法，本发明涉及心血管疾病（CVD）自动诊断技术中，CVD进展分析困难，难以尽早诊断和预防的问题。尽管当前基于深度学习的CVD自动诊断技术取得了一定的进展，但大多局限于分析单模态数据，无法全面预测CVD的进展。为解决这一问题，本文提出综合视图分析的多模态心血管疾病检测方法。实验表明，该方法利用血管分割图辅助视网膜眼底图像进行跨视角学习，增强模型对视网膜血管的特征感知；以视网膜眼底图像和无创临床指标两种多模态数据作为输入，增强模型对CVD事件的深度理解；利用多阶信念交互融合方法对多模态特征进行相融互补，提高检测的准确性和可靠性。本发明应用于CVD检测。
-
公开(公告)号：CN120014638A
公开(公告)日：2025-05-16
申请号：CN202510069792.6
申请日：2025-01-16
Applicant: 东北林业大学
IPC: G06V20/69 , G06V10/44 , G06V10/80 , G06V10/764 , G06V10/82 , G06V10/28 , G06N3/0455 , G06V10/74 , G06N3/048 , G06N3/08 , G06T7/00
Abstract: 一种CLIP引导的多模态融合显微鉴定方法，本发明涉及显微图像分析领域，旨在解决中成药成分特征显微鉴定困难的问题。显微鉴定通过识别药材微观结构特征，用于真伪鉴定和质量评估，传统方法依赖人工分析，效率低且主观性强。深度学习虽提升了自动化性能，但仍存在依赖标注数据、特征定位不准、域差异大及专业知识利用不足等问题，增加了误判风险。为此，本发明提出了一种CLIP引导的多模态融合显微鉴定方法，用于药用植物分类。实验表明，该方法能在无标注数据条件下精准定位显微图像关键特征区域，通过药典中的专业知识强化特征提取能力，并通过动态特征融合模块使得特征既有细粒度的局部纹理信息又有包含鉴别点位置关系的关联信息。本发明适用于中成药真伪鉴别和质量检测。
-
公开(公告)号：CN118965104A
公开(公告)日：2024-11-15
申请号：CN202410992892.1
申请日：2024-07-24
Applicant: 东北林业大学
IPC: G06F18/241 , G06F18/213 , G06F18/25 , G06N3/0464 , G06N3/0455 , G01M13/045
Abstract: 本发明公开了一种新型故障诊断框架，即MFSFormer，包括多尺度卷积模块、Fuse‑Shuffle注意力模块和模型架构。所述新型故障诊断框架包括三个部分，所述多尺度卷积模块集成多个具有不同大小内核的卷积层作为嵌入模块来代替传统Transformer中的嵌入模块和位置编码模块。所述Fuse‑Shuffle注意力模块，通过对输入信号进行分组并分支，来计算生成注意力映射。所述MFSFormer架构是由一个输入层，特征提取层和一个输出层组成。其中输入层由池化层、卷积层和批归一化组成。本发明开发的方法在噪音环境下更具鲁棒性，在样本有限的条件下具有更好的诊断性能。该方法适用性广泛，能应用到更加复杂的工程实践中。
-
Patent Agency Ranking
公开(公告)号：CN118913696A
公开(公告)日：2024-11-08
申请号：CN202410988548.5
申请日：2024-07-23
Applicant: 东北林业大学
IPC: G01M13/045 , G06N3/0464 , G06N3/096
Abstract: 本发明提出一种基于BI‑三明治模型和MMSD算法的航空发动机主轴轴承迁移学习故障诊断方法，应用迁移学习域自适应解决了航空发动机主轴轴承的跨域诊断问题，提出一种新的BI‑三明治模型架构，大三明治模型包含对信号初步处理的输入层、特征提取和关注关键特征中间层、和综合分类信息的输出层。三个串联的集合CNN和Transformer的层构成了中间层的小三明治模块。引入均方值这一二阶统计量，构建了最大均方差异度量进行不同域之间差异度量，将其值嵌入损失中，最小化损失的同时缩小域偏移。
-
公开(公告)号：CN118776881A
公开(公告)日：2024-10-15
申请号：CN202411059473.9
申请日：2024-08-04
Applicant: 东北林业大学
IPC: G01M13/04 , G01M13/045
Abstract: 基于多源信号融合的CA‑Transformer轴承故障诊断方法，本发明用于多源信号融合的轴承故障诊断。本发明是为了解决现有轴承故障诊断方法难以准确充分提取故障特征的问题，以及现有的故障诊断方法在复杂数据的训练效率和准确性上都存在一些缺陷。本发明包括：获得待诊断的多源轴承原始振动信号，将待诊断的多源轴承原始振动信号输入到轴承故障诊断网络中获得轴承故障分类诊断结果；CA‑Transformer多源信号融合的故障诊断网络通过以下方式获得：构建基于CA‑Transformer网络框架：由输入阶段、CA‑Transformer阶段和分类阶段组成，在输入阶段，将原始信号数据处理为嵌入向量，CA‑Transformer阶段，基于Transformer网络和交叉注意力机制融合特征，在分类阶段，进一步通过线性层和Softmax层进行分类。
-
公开(公告)号：CN116721760B
公开(公告)日：2024-04-26
申请号：CN202310687513.3
申请日：2023-06-12
Applicant: 东北林业大学
Abstract: 融合生物标志物的多任务糖尿病性视网膜病变检测算法，本发明涉及糖尿病性视网膜病变(Diabetic retinopathy,DR)自动诊断技术中，早期DR(1到2级)特征不明显导致的漏诊问题。DR是一种常见的糖尿病并发症，是劳动人口致盲的主要因素，对我国糖尿病人群产生了极大的影响。临床经验表明，及时的诊断与治疗可以极大地降低DR致盲的风险，因此对糖尿病患者定期进行DR筛查具有十分重要的现实意义。但由于我国医疗资源分布不均衡，因此使用计算机辅助诊断技术进行DR筛查是十分有效的解决方案。尽管当前基于深度学习的DR自动诊断技术取得了一定的进展，但早期DR(1‑2级)表现不明显，模型极易漏诊。为了解决这一问题，本文提出融合生物标志物的多任务糖尿病性视网膜病变检测算法。实验表明，该方法优势如下：(1)通过计算生物标志物捕获早期DR眼底血管形态的变化，提高DR早期诊断精度(2)利用投票机制对不同任务设计不同的特征权重，提高多任务模型的性能。本发明应用于DR检测。
-
公开(公告)号：CN117809734A
公开(公告)日：2024-04-02
申请号：CN202311860639.2
申请日：2023-12-31
Applicant: 东北林业大学
Abstract: 一种基因调控网络的降维建模方法及系统，属于基因调控网络构建技术、涉及数字医疗及人工智能等领域。本发明为了有效解决建模过程中精度与计算量之间的矛盾，在保证建模精度的条件下实现计算量的指数级降低而提出的。技术要点：首先将基因组测序数据与基因上下游先验知识进行数据融合，用于提升基因聚类的精准性，利用聚类网络对基因进行聚类，通过基因序列与先验知识对基因组进行预划分，将各基因划分到不同的小样本分支分别进行基因调控网络建模，以降低每次建模所需的计算量。然后构建各小样本分支的基因调控网络微分方程模型，最后对各分支调控网络进行整合，汇总成为该基因组基因调控网络。本发明适用于大基因组建模过程。
-
公开(公告)号：CN115831364B
公开(公告)日：2023-09-08
申请号：CN202211606506.8
申请日：2022-12-14
Applicant: 东北林业大学
IPC: G16H50/30 , G16H30/20 , G06V10/764 , G06V10/774 , G06V10/80
Abstract: 基于多模态特征融合的2型糖尿病风险分层预测方法，本发明涉及基于视网膜眼底图像2型糖尿病风险预测技术中直接利用眼底视网膜图像进行深度学习模型训练并且模型训练过程中提取的特征相关性不强，导致预测准确度不高的问题。为改善这一问题，本发明提出了一种基于多模态特征融的2型糖尿病风险预测方法，考虑到了多种模态的特征，包含临床特征、生物指标特征、血糖方面特征以及预测血糖值，将多种信息融合在一起，综合考量，提高预测患病风险的准确率。本发明应用于2型糖尿病预测风险。
-
-
-
-
-
-
-
-
-
Search Results
45
records
(took 0.028 seconds)
