-
公开(公告)号：CN119006522A
公开(公告)日：2024-11-22
申请号：CN202411091247.9
申请日：2024-08-09
Applicant: 哈尔滨工业大学
Abstract: 本发明提出一种基于稠密匹配与先验知识增强的结构振动位移识别方法。所述方法包括图像特征增强网络的架构设计与训练、基于稠密匹配的非迭代式光流估计模型的建立、基于监测视频中的运动先验信息改进光流估计结果、像素运动向结构位移的转换、基于物理先验知识改进位移识别结果等。本发明所述方法采用训练好的深度学习模型增强图像特征，并使用基于注意力机制的稠密匹配与光流传播策略得到监测视频的全场像素运动，该方法实现了快速和稠密的运动估计，解决了现有方法的问题。所述方法在较低监测视频质量下识别结构振动位移的精度、密度和速度等方面具有独特的优势，对恶劣环境条件的鲁棒性也较强。
-
公开(公告)号：CN118883715A
公开(公告)日：2024-11-01
申请号：CN202411048693.1
申请日：2024-08-01
Applicant: 哈尔滨工业大学
IPC: G01N29/04 , G01N29/44 , G06F18/213 , G06F18/214 , G06F18/21 , G06N3/0464 , G06N3/082 , G06N3/0895 , G06F123/02
Abstract: 本发明提出基于自监督对比学习的轨道剪力绞和阻尼器缺失损伤识别方法。该方法利用切比雪夫滤波器对振动采集到的振动响应数据进行滤波，并利用网格法和双阈值截断方法提取过车时的振动响应信号，搭建基于自监督对比学习的时间序列表征学习模型，以准确识别轨道的损伤。自监督对比学习可以从大量未标注的数据中提取到有价值的信息，可以仅用很少的标签数据就可以实现有效的训练和优异的性能，同时利用对比学习的机制更好的学习数据特性，从而提供更好的识别结果。本发明能在少量标记数据的基础上实现有效的训练和优异的轨道损伤识别性能，从而降低了模型对人工标注数据的依赖性，适用于不方便人工大量标注的情况下实现轨道损伤的高效识别。
-
公开(公告)号：CN117454552A
公开(公告)日：2024-01-26
申请号：CN202311248544.5
申请日：2023-09-26
Applicant: 哈尔滨工业大学
IPC: G06F30/18 , G06F30/13 , G06F30/27 , G06N7/01 , G06F111/08
Abstract: 本发明提出一种基于贝叶斯网络的复杂路网震害分析方法。所述方法包括完整的复杂路网贝叶斯网络建模流程、贝叶斯网络推理分析流程以及复杂路网规模上限判定流程等。本发明所述方法将复杂路网的拓扑关系映射到合适大小的矩形方格网中，再利用遍历算法输出所有可能的路径，并基于拓扑关系进行贝叶斯网络结构建模和参数建模。再通过讨论路网震害的后验概率问题来进行路网失效概率分析、震后关键路段分析和震后应急救援路径选择分析，形成了从建模到分析的完整复杂路网贝叶斯网络应用方法。最后，对所研究区域路网进行路网规模上限判定，得到针对该区域的可迁移性较强的贝叶斯网络模型。
-
公开(公告)号：CN117370787A
公开(公告)日：2024-01-09
申请号：CN202311238330.X
申请日：2023-09-25
Applicant: 哈尔滨工业大学
IPC: G06F18/2131 , G06F18/2433 , G06F18/10 , G06N3/0442 , G06N3/045 , G06N3/0464 , G06N3/08 , G06F123/02
Abstract: 本发明提出基于图卷积神经网络和长短期记忆神经网络的框架结构地震损伤识别方法。所述方法包括对结构健康监测数据的预处理，多层非参数神经网络结构的设计，模型训练和响应预测，通过分析预测残差实现损伤识别和定位。本发明通过多个图卷积层求解监测系统的邻接矩阵，提取各监测点之间的空间相关特征。使用长短期记忆层分析每个测点的时序关系，解决了测点之间信息冗余度较低的问题，提升了异常测点较多情况下的预测精度。该方法通过综合考虑结构在地震作用下的时空关系，可以较好的预测和确定数据残差和结构损伤情况，提高了框架结构损伤识别的速度和准确性。
-
公开(公告)号：CN112798142B
公开(公告)日：2021-09-24
申请号：CN202011589241.6
申请日：2020-12-28
Applicant: 哈尔滨工业大学
IPC: G01K11/322 , G01B11/16
Abstract: 本发明提出基于贝叶斯更新和随机模拟的布里渊光纤传感器应变与温度两阶段快速识别方法，所述方法采用大范围、宽间距、低平均次数的快速扫频方式，获取粗略的布里渊增益谱，通过基于贝叶斯更新和随机模拟方法的参数识别方法获得大量服从布里渊增益谱中各参数联合分布的样本，统计估计下一阶段扫频范围的上下限，利用较小的范围进行密集扫频，进而获得足够精确的布里渊光纤增益谱参数的识别结果，最终根据布里渊光纤频移与结构应变及温度的函数关系得出结构的应变或温度信息。本发明可以快速精确地对布里渊光纤传感器获得的数据进行处理，其结果为布里渊光纤各测点处结构应变或温度的均值及标准差估计值，对实际工程应用具有很好的参考价值。
-
Patent Agency Ranking
公开(公告)号：CN113297790A
公开(公告)日：2021-08-24
申请号：CN202110542901.3
申请日：2021-05-19
Applicant: 哈尔滨工业大学
IPC: G06F30/27 , G06N3/04 , G06N3/08 , G06N7/00 , G06F111/08
Abstract: 本发明提出一种基于稀疏贝叶斯宽度学习的高铁轨道响应预测方法，所述方法包括对输入的温度场变量进行线性和非线性特征提取、对隐含层神经元节点输出层权值的最大后验估计、结构响应输出结果的预测，并初步评估轨道结构状态等。本发明采用稀疏贝叶斯宽度学习方法对高铁轨道监测系统数据进行相关关系挖掘，通过对反映数据变量间关系的权值w的稀疏求解可以有效地避免回归预测的过拟合问题，并且具有较高的预测精度、高效的计算速度和宽松的设备硬件要求，从而能够实现对大量监测数据中隐含的温度荷载与结构应变相关关系的挖掘，通过及时发现监测数据模型的演变作为判别轨道结构服役状态异常的依据。
-
公开(公告)号：CN111291898B
公开(公告)日：2020-12-11
申请号：CN202010097148.7
申请日：2020-02-17
Applicant: 哈尔滨工业大学
Abstract: 本发明提出一种多任务稀疏贝叶斯极限学习机回归方法，所述方法包括对于单隐含层神经网络的输入层至隐含层的随机特征提取、输出层权值的多任务稀疏建模及后验估计、多任务稀疏贝叶斯极限学习机参数和超参数快速优化估计等。本发明所述方法采用层次贝叶斯模型对极限学习机输出层权值进行多任务稀疏求解，在保证精度的前提下，裁剪了极限学习机的冗余隐含层神经元，得到了更为紧凑的神经网络，有效的避免了极限学习机的过拟合现象，并能使隐含层神经元个数无须预先确定。从稀疏贝叶斯学习的角度，前端的单隐含层神经网络可以使稀疏贝叶斯学习方法得以应用于非线性问题。
-
公开(公告)号：CN111711820A
公开(公告)日：2020-09-25
申请号：CN202010401866.9
申请日：2020-05-13
Applicant: 哈尔滨工业大学
Abstract: 本发明提出一种基于生成对抗网络的裂缝图像压缩采样方法，所述方法包括生成对抗网络的网络架构设计、表征裂缝图像与低维向量映射关系的裂缝图像生成器建模、对抗训练超参数的调优、压缩采样的压缩观测矩阵的设计、最优低维向量的求解等。本发明所述方法采用训练好的生成对抗网络的裂缝图像生成器作为物理约束实现图像的解压缩重构，无需传统压缩采样方法一样要求裂缝图像具有稀疏性，适用范围更广。在生成对抗网络学习到裂缝图像与低维向量的映射关系之后，基于梯度下降方法优化低维向量，实现图像解压缩重构的快速求解。所述方法在较高压缩率下裂缝图像重构的精度和重构速度等方面具有独特的优势，对噪声的鲁棒性也较强。
-
公开(公告)号：CN111368970A
公开(公告)日：2020-07-03
申请号：CN202010097228.2
申请日：2020-02-17
Applicant: 哈尔滨工业大学
Abstract: 本发明提出一种基于深度强化学习的传感器优化布置方法，涉及结构健康监测和振动测试领域，首先，基于互信息相关理论推导得到工程结构传感器优化布置准则，然后通过基于深度强化学习的优化算法快速有效地寻找目标函数的最优解，即结构的最优传感器布置位置。本发明可以更加快速有效地寻找到工程结构的传感器最优布置，基于深度强化学习的优化算法可以同时利用深度神经网络的计算能力以及强化学习的决策能力，可以有效地解决复杂工程结构传感器布置时目标函数非凸、高维的问题，同时该方法的输出结果可以实现{0，1}离散表示，其中0表示未布置传感器，1表示布置传感器，从而明确地为某一位置传感器是否布置提供决策支持。
-
公开(公告)号：CN110542723B
公开(公告)日：2020-04-24
申请号：CN201910877753.3
申请日：2019-09-17
Applicant: 哈尔滨工业大学
Abstract: 一种基于导波信号稀疏分解及损伤定位的两阶段损伤位置识别方法，涉及超声无损检测领域。本发明是为了解决稀疏表示在超声导波信号重叠波包识别中存在的字典设计方法和信号稀疏分解算法不够完善，进而导致超声导波信号分析得到的结果不够精确的问题。本发明利用惩罚项使系数向量尽可能稀疏，大大降低了噪声与字典原子匹配的可能性；利用导波的传播模型设计字典矩阵，其中考虑导波的频散、多模态和模态转换问题，以线性分解的形式识别重叠波形，相比常规的信号处理方法更具有优势；采用基于稀疏贝叶斯学习的稀疏优化求解算法，在处理稀疏表示这类欠定线性问题方面具有独特的优势，对噪声的鲁棒性也更好。
-
-
-
-
-
-
-
-
-
Search Results
67
records
(took 0.07 seconds)
