-
公开(公告)号：CN116612313A
公开(公告)日：2023-08-18
申请号：CN202310398774.3
申请日：2023-04-11
Applicant: 安徽理工大学
IPC: G06V10/764 , G06V10/774 , G06V10/26 , G06V10/82 , G06V10/80 , G06V10/40 , G06N3/045 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于改进EfficientNet‑B0的肺结节良恶性分类方法，该方法包含如下步骤：1)选取LIDC‑IDRI数据集中大于等于3mm的肺结节图像，采用U‑Net+++进行肺结节区域精细化分割，获取分割后图像数据集；2)改进EfficientNet‑B0模型，将第一层普通3×3卷积替换为多尺度特征融合模块(MSFM),提高了深度学习网络对肺结节浅层特征的提取，然后将MBConv模块用ECA注意力机制重新搭建出ECA‑MBConv模块；3)将预处理后的训练图像数据集、验证图像数据集输入到改进的EfficientNet‑B0模型中,经过多轮训练得到模型参数，最后将测试集图像输入改进后的模型中，实现肺结节良恶性分类。
-
公开(公告)号：CN116562641A
公开(公告)日：2023-08-08
申请号：CN202310453341.3
申请日：2023-04-25
Applicant: 安徽理工大学
IPC: G06Q10/0637 , G06F18/23213 , G06F18/15 , G06N3/006
Abstract: 本发明提出一种基于MOBWO‑KM算法的高耗能工厂负荷特性分析方法，首先采集高耗能工厂的负荷数据；对采集到的数据进行预处理和归一化处理；用预处理和归一化后的数据建立高耗能工厂的日负荷曲线,得到日负荷曲线数据集N；再用k‑means算法日负荷曲线数据集N进行聚类并用DBI指标得到最优聚类数k；利用多目标白鲸优化算法MOBWO优化k‑means算法的k个初始聚类中心；利用上述的MOBWO‑KM算法聚类日负荷曲线数据集N，并对结果进行反归一化最终得到高耗能工厂的典型日负荷曲线。其可以获得优良且精确的典型日负荷曲线，以此可以更好的对高耗能工厂的负荷特性进行研究分析，进而更好的进行高耗能工厂的负荷分解、负荷预测和工厂用户行为分析。
-
公开(公告)号：CN116484200A
公开(公告)日：2023-07-25
申请号：CN202310443026.2
申请日：2023-04-21
Applicant: 安徽理工大学
IPC: G06F18/2113 , G06F18/2131 , G06F18/2134 , G06F18/20
Abstract: 本发明公开了一种基于CEEMDAN和FastICA的非侵入式负荷分解方法，属于负荷监测技术领域，该方法包括：S1采集总负荷和各类单负荷有功功率并预处理；S2构建完全自适应噪声集合经验模态分解(CEEMDAN)模型，对总负荷功率分解；S3基于Bayesian信息准则估计源数；S4利用最大信息系数(MIC)进行降维；S5利用FastICA盲源分离，实现负荷分解；S6对分解信号和源信号近似程度进行评估。本发明从信号盲源分离角度实现负荷分解，减少了繁琐的负荷信息特征提取，分解得到完整的负荷信息。同时，相对于深度学习，大大减少了模型训练时间。
-
公开(公告)号：CN110321959B
公开(公告)日：2023-04-18
申请号：CN201910612866.0
申请日：2019-07-09
Applicant: 安徽理工大学
IPC: G06V10/774 , G06V20/10 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种多光谱图像信息和CNN的煤矸识别方法，包括以下步骤：(1)煤和矸石多光谱图像信息获取；(2)煤和矸石多光谱图像样本划分；(3)卷积神经网络多光谱图像特征提取；(4)极限学习机煤矸识别模型构建。本发明采用CNN‑ELM进行煤和矸石多光谱图像的识别模型构建，提出一种新的卷积神经网络模型能够提取更多、更有效的特征信息，且可以有效避免过拟合等问题，非常适用于煤和矸石的快速、精准识别。
-
公开(公告)号：CN113284620A
公开(公告)日：2021-08-20
申请号：CN202110479863.1
申请日：2021-04-30
Applicant: 安徽理工大学 , 皖南医学院第一附属医院(皖南医学院弋矶山医院)
Abstract: 本发明涉及数据处理技术领域，公开了一种职业健康数据分析模型的建立方法，包括以下步骤：对多个心电信号的多个时域特征、频域特征和信息域特征进行遗传算法筛选，获得N2个最优的心电信号特征，记为A2；将多个最优的心电信号特征A2与血压数据和心率数据合并，获得心功能数据，记为A3；采用自适应磷虾群算法优化KELM模型的正则化系数C和径向基核函数的参数g，得到最优正则化系数Cbest和最优径向基核函数的参数gbest；将心功能数据A3作为KELM模型的输入，获取KELM模型的最优适应度，采用最优适应度的KELM模型对A3测试集进行处理，采用这种职业健康数据分析模型进行心功能数据处理，提高了心电信号分析识别的精度，同时提升了心功能数据的处理速度。
-
Patent Agency Ranking
公开(公告)号：CN109272061B
公开(公告)日：2021-05-04
申请号：CN201811127743.X
申请日：2018-09-27
Applicant: 安徽理工大学
Abstract: 本发明公开了一种新的深度学习模型的构建方法，具体是发明了一种包含两个结构相异的CNN且快速收敛的深度学习模型。本发明构建的深度学习模型中的两个CNN的卷积层、卷积核大小、池化层数和全连接方式均不相同，且每个CNN各分享一次其学习获得的特征信息，在分享或接受特征信息前，两个CNN均经历一次批归一化处理，若在特征信息分享时两CNN的通道数不同，调整通道数后，再做批归一化处理。当前深度学习模型提高性能的研究方向都是加深模型的网络深度，本发明提出的深度学习模型在不构建较深网络的前提下，提升了模型的性能，大大的加快网络的收敛速度，减少模型的参数，降低优秀的深度学习模型对计算机性能的严重依赖。
-
公开(公告)号：CN112505010A
公开(公告)日：2021-03-16
申请号：CN202011387405.7
申请日：2020-12-01
Applicant: 安徽理工大学
Abstract: 本发明提供了一种基于荧光光谱的变压器故障诊断装置，该装置包含电源模块、激光器模块、激光荧光探头模块、光谱仪模块、识别模块，本发明还公开了一种基于荧光光谱的变压器故障诊断方法：(1)采集油样，建立光谱数据库；(2)对原始光谱进行滤波处理；(3)对变压器油样光谱数据进行特征提取；(4)将光谱数据按照5：1的比例随机划分成训练集和测试集；(5)建立GMM‑LDA识别模型，并将测试集用于模型检验与辨识；(6)变压器故障诊断。采用LIF技术结合DAE‑GMM‑LDA的方法来分析变压器油的状态，以实现变压器故障诊断，具有较高的分类识别准确率和实际应用价值，泛化能力强，非常适合变压器故障诊断的实时准确检测和推广。
-
公开(公告)号：CN109308498B
公开(公告)日：2021-01-01
申请号：CN201811430777.6
申请日：2018-11-28
Applicant: 安徽理工大学
Abstract: 本发明涉及一种激光诱导荧光植物油掺杂小米汤辨识方法，包含以下步骤：(1)将等体积的纯花生油和小米汤按一定的掺杂浓度进行配比；(2)利用自行设计的便携式植物油无损分析仪采集油样荧光光谱数据；(3)采用中值滤波法(M edian‑Filter)平滑处理原始光谱图；(4)联合KICA与PCA算法(KICA‑PCA)优选出主要光谱信息数据；(5)采用留出法(hold‑out)把样本数据划分成训练集和测试集；(6)利用FDA对训练集进行学习和训练，测试集用于辨识效果检验。本发明采用KICA‑PCA结合FDA用于激光诱导荧光植物油掺杂小米汤辨识，提高了辨识精度和运算速度，非常适用于食品安全检测领域的研究。
-
公开(公告)号：CN109543846A
公开(公告)日：2019-03-29
申请号：CN201811248403.2
申请日：2018-10-25
Applicant: 安徽理工大学
IPC: G06N99/00
Abstract: 本发明公开了一种基于MVO改进的DBSCAN矿井突水光谱识别方法，将先进的多元宇宙优化(Multi-Verse Optimizer,MVO)算法用于改进无监督聚类算法DBSCAN，实现DBSCAN算法的参数Eps自寻优，最后将寻得的最优参数结合DBSCAN算法用于煤矿突水的激光诱导荧光光谱识别；在改进算法的参数寻优过程中，MVO算法的宇宙位置的取值区间依据水样光谱数据的空间距离自设定，最大可能的减少人工输入参数。本发明提供的基于MVO改进的DBSCAN算法，不仅省去繁琐的人工参数寻优过程，并且能输出最优识别率所对应的参数Eps的取值区间；此外，井无监督学习算法用于识别煤矿突水光谱，能最大可能的降低对未知水源的误识别。
-
公开(公告)号：CN109187480A
公开(公告)日：2019-01-11
申请号：CN201811434053.9
申请日：2018-11-28
Applicant: 安徽理工大学
IPC: G01N21/64
Abstract: 本发明涉及一种双激光LIF技术的花生油掺杂大豆油判别装置，该装置包含以下部分：电源模块、激光器模块1、激光器模块2、激光荧光探头模块1、激光荧光探头模块2、光谱仪模块、延时开关模块、上位机模块。荧光探头利用石英光纤采集待测植物油中因激光器发射激光产生的荧光，在光谱仪接收荧光信息的过程中利用延时开关来实现采用两个不同波段激光光源，获取双激光光源下的LIF光谱的荧光信息的分时接收，在计算荧光强度后利用上位机中VS2015软件和MATLAB软件来建立已知的花生油、大豆油纯植物油样本和它们的混合油样本激光诱导荧光光谱的MDS模型数据库对待测植物油样本的荧光光谱进行分类识别，从而有利于检测花生油中是否存在大豆油的掺杂。
-
-
-
-
-
-
-
-
-
Search Results
179
records
(took 0.063 seconds)
