-
公开(公告)号：CN119494919A
公开(公告)日：2025-02-21
申请号：CN202411527938.9
申请日：2024-10-30
Applicant: 桂林电子科技大学 , 南宁桂电电子科技研究院有限公司
Abstract: 本发明涉及三维重建技术领域，具体涉及一种基于多头注意力神经场的未标定光度立体表面重建方法，首先将输入图像输入到基于残差的光照估计模型中，以估计相应的光照方向和光照强度，同时构建多头注意力神经场来获得更多空间相关的信息，得到每个像素坐标点的空间变化权重、漫反射率和表面深度；再通过一般反射率模型获得各项异性材料的镜面反射率，然后通过构建自适应阴影渲染模型来处理阴影区域，经过该模型将输出相应的阴影图；最后基于渲染方程重建图像，并以无监督的方式联合优化阴影图、深度图、表面法线图、反射率和光照条件的估计。经过拟合调整，本发明提高了表面法线估计和光照估计的准确度。
-
公开(公告)号：CN115406656B
公开(公告)日：2024-08-02
申请号：CN202211042702.7
申请日：2022-08-29
Applicant: 桂林电子科技大学
IPC: G01M13/045 , G06F30/27 , G06F30/17 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明涉及智能诊断技术领域，提供一种轴承锈蚀智能诊断方法，该方法通过采集滚动轴承在正常、轻微锈蚀、重度锈蚀三种状态下的原始振动数据；按初始设定的比例截断，得到训练集和测试集，灰度化处理后，构建基于ECA‑Net与EfficientNet的轴承锈蚀智能诊断模型，输入模型中进行训练，损失函数优化神经网络中参数的权重和偏置；判断迭代次数是否达到初始设定的值，得到最优模型，能够通过对网络深度、网络宽度以及输入分辨率这三个维度进行有效缩放，得到更好的智能诊断模型；提高轴承锈蚀智能诊断模型的性能，将该方法和系统用于诊断轴承的锈蚀故障，能够实现对轴承健康状态及锈蚀严重程度进行准确评估，提高智能化和准确率。
-
公开(公告)号：CN115406655B
公开(公告)日：2024-08-02
申请号：CN202211042367.0
申请日：2022-08-29
Applicant: 桂林电子科技大学
IPC: G01M13/045 , G06F30/27 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及智能诊断技术领域，提供一种轴承智能故障诊断模型建立方法，根据比例值将原始信号数据截断为训练集数据和测试集数据；按照初始设定的单个样本的采样点数SL，在截断后的振动数据初始位置处截取第一个样本，从初始位置处确定移动一个采样偏移量SO，并截取下一个样本，生成训练集和测试集；将处理后训练集样本输入神经网络模型中进行训练，通过损失函数优化神经网络中参数的权重和偏置，不仅能够在轴承智能故障诊断模型建立时，通过将轴承振动的原始信号数据通过截断成两部分独立的数据，能够完全避免训练集和测试集数据交叉造成的数据泄露；实现同时对轴承故障类型及故障严重程度的判断和输出，准确率高，效率高。
-
公开(公告)号：CN118296722A
公开(公告)日：2024-07-05
申请号：CN202410244587.4
申请日：2024-03-05
Applicant: 桂林电子科技大学 , 南宁桂电电子科技研究院有限公司
IPC: G06F30/15 , G06F30/28 , G06F30/27 , G06N3/126 , G06F113/14 , G06F113/08 , G06F119/14 , G06F111/10
Abstract: 本发明公开了一种商用车空调风道结构优化设计方法,包括以下步骤:1、建立除霜和吹面风道的2种风道模型；2、分别将各种风道模型的生成文件进行网格划分,并把生成的网格文件导入CFD求解器中；3、将除霜、吹面风道导流板的位置、尺寸以及倒圆等设计变量进行参数化处理，利用最优拉丁超立方抽样方法选取样本点；4、采用DOE实验以及利用径向基函数（RBF）在CFD求解器中设定模型参数以及变量参数构建出设计变量和风量占比、总声压级的代理模型；5、在CFD求解器中将模拟空气流动达到准稳态，计算出风量分布以及噪声；6、利用多岛遗传算法（Multiple Intelligence Group Algorithm，MIGA）优化参数；7、比对出各种风道模型中风量分配合理及噪声小的模型,并将其作为预选方案,然后对所述预选方案做至少一次风道模型修改，返回步骤2进行验证,确定最终风道模型。采用本发明的空调风道结构优化设计方法，有效控制风量分配,缩短参数测试时间，使用方便。
-
公开(公告)号：CN118097637A
公开(公告)日：2024-05-28
申请号：CN202410424143.9
申请日：2024-04-10
Applicant: 桂林电子科技大学 , 南宁桂电电子科技研究院有限公司
IPC: G06V20/59 , G06V40/20 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于FPGA和YOLO的危险驾驶行为识别优化方法，涉及自动驾驶领域，主要分为网络优化、识别优化两个阶段。在网络优化阶段，以FPGA为物理硬件，对卷积神经网络YOLOv2进行优化；在进行数据清洗和裁剪后，进行卷积神经网络训练；利用所设计的联合损失函数与非极大值抑制算法对YOLOv2进一步优化；通过浮点数定点量化、卷积优化方法降低神经网络计算量。在优化识别阶段，利用Vivado HLS工具对循环代码进行流水线设计，通过双缓存机制以循环展开方式进一步降低硬件所需算力。本发明通过上述多种方式联合优化YOLOv2神经网络，较好降低了神经网络的硬件资源占用率，并提高网络的识别性能和帧数。
-
Patent Agency Ranking
公开(公告)号：CN116449203A
公开(公告)日：2023-07-18
申请号：CN202310454170.6
申请日：2023-04-25
Abstract: 一种新能源电机双路高低温液冷测试机构，包括柜体，所述柜体的内部滑动连接有放置板，所述放置板的顶部开设有滑槽，所述滑槽的内部左右两侧均转动连接有第一螺杆，两个所述第一螺杆之间固定连接，所述第一螺杆的外侧壁螺接有个移动块，所述移动块的顶部固定有第一夹板，所述第一夹板底部与所述放置板的底部滑动连接，放置板、第一夹板、第二夹板、电机、第一转杆、第二转杆、第二转杆、第三转杆、第四转杆、第一螺杆、第二螺杆、第三螺杆、限位块、支撑块、转环、第一齿轮、第二齿轮、第一拉绳、第二拉绳、移动环、圆环、第一卡块、第一棘齿槽和压杆；启动电机。
-
公开(公告)号：CN113139251B
公开(公告)日：2023-03-14
申请号：CN202110440436.2
申请日：2021-04-23
Applicant: 桂林电子科技大学
IPC: G06F30/17 , G06F30/27 , G06F17/16 , G06F111/06 , G06F119/02 , G06F119/04
Abstract: 本发明公开了一种优化主题相关性分析的变工况滚动轴承故障诊断方法，所述方法为：首先通过小波变换对源领域与目标领域滚动轴承振动信号进行特征提取，并构建特征向量组成故障样本集；再通过调整果蝇优化算法中味道浓度判定值的取值并采用多种群的策略，实现对TCA算法中取值范围有限制的主要参数总主题数与共有主题比例的寻优；最后构建改进的多种群果蝇优化算法优化主题相关性分析IFOA‑TCA的故障识别模型，实现其他工况下滚动轴承振动数据对故障识别器的训练以及训练后故障识别器对目标滚动轴承的故障识别。这种方法在各种工况条件下均能取得较好的故障诊断结果，具有较好的工程价值和应用前景。
-
公开(公告)号：CN117454082A
公开(公告)日：2024-01-26
申请号：CN202311350765.3
申请日：2023-10-18
Applicant: 桂林电子科技大学 , 南宁桂电电子科技研究院有限公司
IPC: G06F18/10 , G06F18/213 , G06F18/214 , G06F18/21 , G06F18/25 , G06N3/0464 , G06N3/092
Abstract: 本发明公开了基于ECA‑ResNet和深度强化学习的不平衡故障定量诊断方法，将原始振动信号进行同步压缩小波变换获得时频表示，用来构建智能体的模拟环境；高效通道注意力模块嵌入ResNet构建深度Q网络实现故障关键特征的深层提取，同时以准确率为偏置，以不平衡率为基准，为所提模型构建了独特的奖励函数。优化状态转移函数以改善数据不平衡分布情况；通过实施经验重放和迭代更新，动态地改进和更新网络结构和超参数，提高模型的稳健性。通过DWT轴承数据集对所提方法ECADRL进行验证，在极端类不平衡情况下，实现了准确高效的故障定量识别。
-
公开(公告)号：CN117423084A
公开(公告)日：2024-01-19
申请号：CN202311449349.9
申请日：2023-11-02
Applicant: 桂林电子科技大学 , 南宁桂电电子科技研究院有限公司
IPC: G06V20/56 , G06V10/25 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/0895
Abstract: 本发明提供一种基于自监督的多源传感器融合的多目标跟踪方法，涉及自动驾驶领域：主要组成部分由融合阶段和跟踪阶段，融合阶段包括生成获取不同传感器数据，构建传感器融合框架，构建跟踪模型，设计联合损失函数以及训练模型，在跟踪阶段，主要将测试2D视频序列和3D点云数据输入到训练后的模型中，通过自监督学习得到待测时刻的搜索响应，响应中最大值的位置表示跟踪目标所在位置，并结合所对应的尺度得到最终预测的跟踪框，从而完成该时刻目标的跟踪。本发明不仅能让模型进行自监督训练，还能让模型学到不同数据增强下搜索响应的一致性，从而学到更加鲁棒的自监督表征并显著提高跟踪性能。
-
公开(公告)号：CN115406655A
公开(公告)日：2022-11-29
申请号：CN202211042367.0
申请日：2022-08-29
Applicant: 桂林电子科技大学
IPC: G01M13/045 , G06F30/27 , G06N3/08
Abstract: 本发明涉及智能诊断技术领域，提供一种轴承智能故障诊断模型建立方法，根据比例值将原始信号数据截断为训练集数据和测试集数据；按照初始设定的单个样本的采样点数SL，在截断后的振动数据初始位置处截取第一个样本，从初始位置处确定移动一个采样偏移量SO，并截取下一个样本，生成训练集和测试集；将处理后训练集样本输入神经网络模型中进行训练，通过损失函数优化神经网络中参数的权重和偏置，不仅能够在轴承智能故障诊断模型建立时，通过将轴承振动的原始信号数据通过截断成两部分独立的数据，能够完全避免训练集和测试集数据交叉造成的数据泄露；实现同时对轴承故障类型及故障严重程度的判断和输出，准确率高，效率高。
-
-
-
-
-
-
-
-
-
Search Results
61
records
(took 0.068 seconds)
