-
公开(公告)号：CN110555398B
公开(公告)日：2021-11-30
申请号：CN201910776604.8
申请日：2019-08-22
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于滤波最优平滑确定故障首达时刻的故障诊断方法。本发明中历史数据首先要通过Kalman滤波迭代获得，迭代步数的上限为总的采样次数，下限为滤波过程中发现状态产生故障或漂移的时刻。对历史数据中的观测值和状态估计值的误差求取平均范数，设定故障或漂移的阈值为3倍误差平均2‑范数。通过对历史数据的最优平滑估计使得估计精度得到提升，从而更加精确的判断故障或漂移产生的首达时刻，并可将该方法应用在船舶航行发生漂移后GPS导航定位系统中。
-
公开(公告)号：CN113642655A
公开(公告)日：2021-11-12
申请号：CN202110947955.8
申请日：2021-08-18
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于支持向量机和卷积神经网络的小样本图像分类方法。本发明通过用少量带标签图片样本中的训练集训练支持向量机SVM，用训练好的支持向量机SVM给大量无标签的图像样本打标签，形成伪标签。将少量带标签图像样本中的训练集与带伪标签的图像样本组合，形成增强训练集ATS。通过增强训练集训练卷积神经网络模型，实现从支持向量机SVM到卷积神经网络的知识迁移，最后，用少量带标签样本中的验证集验证迁移后的卷积神经网络图像分类准确率。由于支持向量机只能处理少量数据，且神经网络在少样本下图像分类准确率不高，而经过支持向量机知识迁移的卷积神经网络在训练后，对图像分类准确率明显提高，且增强了模型的泛化能力。
-
公开(公告)号：CN109255758B
公开(公告)日：2021-09-21
申请号：CN201810768178.9
申请日：2018-07-13
Applicant: 杭州电子科技大学
Abstract: 本发明公开基于全1*1卷积神经网络的图像增强方法。本发明构建全1*1卷积神经网络，并对低质成像图像中局部图像块或者整幅图像中的像素进行重新随机排列(Pixel Shuffle)，利用重排后的图像块或图像作为输入。然后对上述网络估计出来的潜在变量后处理。基于潜在变量所对应成像模型，得到从低质图像和潜在变量估计出的清晰图像的数学表达式，从而计算得到增强后的结果。相比传统卷积神经网络普遍采用的大卷积核方式，实现了以更少的参数、更少的计算量保持相当的模型表示能力的目的，从而快速、准确地估计图像增强中的潜在变量。
-
公开(公告)号：CN110009528B
公开(公告)日：2021-06-01
申请号：CN201910294727.8
申请日：2019-04-12
Applicant: 杭州电子科技大学 , 国网湖北省电力有限公司
Abstract: 本发明涉及一种基于最优结构多维泰勒网的参数自适应更新方法，本发明大体包括三部分内容。第一部分针对具备噪声干扰的非线性时变系统进行系统建模；第二部分，用卡尔曼滤波的参数更新算法对多维泰勒网的连接权值进行参数更新；第三部分，结合剪枝算法来优化网络结构，建立一种具备最优结构和最佳泛化能力的多维泰勒网络。在负荷电荷的预测中，基于多维泰勒网的卡尔曼滤波参数更新算法相比于带有遗忘因子的递归最小二乘算法，在每一步的更新估计中增加了噪声，卡尔曼滤波算法使用新的量测值和估计值进行融合可以更好的估计参数精度。
-
公开(公告)号：CN112489075A
公开(公告)日：2021-03-12
申请号：CN202011396814.3
申请日：2020-12-03
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于特征函数的序惯式多传感器融合滤波方法，本发明通过对多个传感器采用序惯式的设计方式，将上一时刻到达融合中心的传感器的状态估计值，作为下一时刻到达融合中心的传感器的状态预测值，对传来的信息，来一组数据就处理一组数据，先到先融合，并充分考虑到信息的丢包现象，时间成本较低。通过序惯式融合方式，可以在很大程度减少因丢包现象而导致的滤波估计误差，序惯式设计考虑到了信息的实时更新和继承的特性，能够得到较高的估计精度，能在非线性系统甚至强非线性系统中得到很好的应用。
-
Patent Agency Ranking
公开(公告)号：CN110110673B
公开(公告)日：2020-11-27
申请号：CN201910389942.6
申请日：2019-05-10
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于双向2DPCA与级联前向神经网络的人脸识别方法，本发明大体包括三部分内容：第一部分，对原始图像进行直方图均衡化，提高对比度；第二部分，使用双向2DPCA进行特征提取；第三部分，将提取后的特征输入进级联前向神经网络训练，建立起人脸识别分类器。本发明即能够快速准确提取出特征值，也能利用级联前向神经网络进行识别，并通过样本不断学习提高识别准确率，实现了对人脸的有效识别。
-
公开(公告)号：CN111832818A
公开(公告)日：2020-10-27
申请号：CN202010646083.7
申请日：2020-07-07
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于相关性分析的LSTM网络发电多步预测方法。本发明首先通过R/S分析法计算各变量的赫斯特指数，剔除本身不具有相关性的变量；然后利用灰色关联法计算各变量与发电量的关联度，进一步剔除出与光伏发电量关联度小的变量，选择关联度大的变量来进行训练；最后，利用W.Pedrycz的粒化方法对训练变量进行预处理，构建改进的长短时记忆LSTM网络对光伏发电量进行多步预测。通过分析利用筛选前、后变量进行光伏发电量多步预测仿真图和均方误差，证明了本发明提出的相关性分析方法和构建改进的LSTM网络的有效性，对解决具有相关性变量的多步预测问题具有很重要的意义。
-
公开(公告)号：CN111612729A
公开(公告)日：2020-09-01
申请号：CN202010454432.5
申请日：2020-05-26
Applicant: 杭州电子科技大学
Abstract: 本发明涉及一种基于卡尔曼滤波的目标序列跟踪图像恢复方法。本发明大体包括三部分内容。第一部分，根据实际目标跟踪的运动状态建立卡尔曼方程组；第二部分，将卡尔曼方程组改进为列向量形式；第三部分，目标序列观测图像融合。利用本发明不仅可以应对单幅受损图像进行复原所获得效果有限的问题，而且能够解决图像融合技术对于图像要求严苛的问题。
-
公开(公告)号：CN109102005B
公开(公告)日：2020-08-18
申请号：CN201810812756.4
申请日：2018-07-23
Applicant: 杭州电子科技大学
IPC: G06K9/62
Abstract: 本发明公开了一种基于浅层模型知识迁移的小样本深度学习方法。本发明首先对数据进行预处理，然后根据相关领域的先验知识和专家经验将原始信号变换到不同的变换域，计算人工特征。根据人工特征，选择不同的浅层模型，基于少量有标签样本数据进行训练。并根据分类准确率/预测误差等指标，对不同特征组合的不同浅层模型进行筛选，构成候选模型池。然后，基于上述候选模型池，选择模型对未标注的样本进行预测，得到预测标签，并将多个预测标签融合。将上述预测标签与已有的少量的有标签样本组合，共同构建训练集。针对具体任务，设计深度神经网络结构，基于上述混合训练集训练。通过旋转机械故障诊断数据集，验证了该方法的有效性。
-
公开(公告)号：CN110110794A
公开(公告)日：2019-08-09
申请号：CN201910389454.5
申请日：2019-05-10
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于特征函数滤波的神经网络参数更新的图像分类方法。本发明中所使用的特征函数滤波只需假设测量误差存在均值，模型噪声存在分布函数。本发明有效地解决了一般用于图像分类的神经网络参数更新方法中存在的局部收敛、计算复杂度过高等问题，且实现了神经网络参数的在线自适应更新，在有新的图像样本集输入时，不需要结合旧的图像样本就可以更新网络参数，使得网络模型得以适应图像工况的改变。
-
-
-
-
-
-
-
-
-
Search Results
121
records
(took 0.029 seconds)
