-
公开(公告)号：CN114742097A
公开(公告)日：2022-07-12
申请号：CN202210285394.4
申请日：2022-03-23
Applicant: 大连理工大学
Abstract: 本发明提供一种基于轴承振动信号自动确定变分模态分解参数的优化算法，属于信号分解技术领域。首先，利用模态能量反映带宽大小，建立带宽优化子模型，用于自动获取最优带宽参数αopt。其次，建立能量损失优化子模型，用于避免发生欠分解现象。再次，建立模态平均位置距离优化子模型，用于防止过多K的产生避免发生过分解现象。最后，综合考虑带宽参数α和模态总数K之间的相互作用、模态分量之间的相互影响以及重构信息的完整性，利用对数函数进行非线性变换，使三个优化子模型的值形成相似的尺度，获得能够自动确定最优VMD参数αopt和Kopt的优化模型，并建立VMD算法分解性能量化评价指标。本发明能够定性定量的给出该优化算法具有更高精度的信号分解性能。
-
公开(公告)号：CN112001128B
公开(公告)日：2022-05-10
申请号：CN202010963798.5
申请日：2020-09-15
Applicant: 大连理工大学
Abstract: 一种基于深度学习的轴流压气机失速喘振预测方法，属于航空发动机建模与仿真技术领域。首先，对航空发动机喘振数据进行预处理，在实验数据中划分出测试数据集和训练数据集。其次，依次构建LR分支网络模块、构建WaveNet分支网络模块、构建LR‑WaveNet预测模型。最后，在测试数据上进行实时预测：首先对测试集数据采用相同方式进行预处理，并按LR‑WaveNet预测模型的输入要求调整数据维度；按时间顺序，采用LR‑WaveNet预测模型给出每个样本的喘振预测概率；采用LR‑WaveNet预测模型给出带噪声点数据随时间的喘振概率，测试模型的抗干扰性。本发明综合了时域统计特征和变化趋势，提高了预测精度，并且具有一定的抗干扰性；有利于提高发动机主动控制的性能，具有一定的普适性。
-
公开(公告)号：CN106980763B
公开(公告)日：2020-04-28
申请号：CN201710198679.3
申请日：2017-03-30
Applicant: 大连理工大学
Abstract: 本发明公开了一种基于基因突变频率的癌症驱动基因的筛选方法，属于癌症医学领域。该方法包含如下步骤：(1)肿瘤基因突变数据获取；(2)突变数据预处理；(3)筛选每个基因的邻近基因；(4)计算每种突变的背景突变数据；(5)根据突变分值使用假设检验筛选突变基因。本发明方法不仅利用现代高通量测序技术及DNA数据处理软件，使用经典的聚类算法和统计方法，而且与影响基因突变的生物因素相结合使癌症驱动基因的筛选更加精确，对新型抗癌药物的研发和癌症临床诊疗都具有重要意义。
-
-
Search Results
33
records
(took 0.017 seconds)
