-
公开(公告)号：CN111442926A
公开(公告)日：2020-07-24
申请号：CN202010034456.5
申请日：2020-01-11
Applicant: 哈尔滨理工大学
IPC: G01M13/045 , G06N3/04 , G06N3/08
Abstract: 一种基于深层特征迁移的变负载下不同型号滚动轴承故障诊断方法，属于滚动轴承故障诊断领域，针对带有轴承型号、负载大小、损伤位置及程度标签的数据稀缺甚至无法获取，导致故障诊断准确率不高甚至无法诊断的问题而提出。首先对不同型号滚动轴承振动信号进行短时傅立叶变换，并构建二维图像数据集，选择某种型号数据作为源域，其他型号数据作为目标域；其次构建领域共享的改进AlexNet深度卷积网络引入条件对抗机制，将特征与标签联合分布的优化方法改进为随机线性组合提取深层特征，实现源域和目标域特征及标签的同时自适应；最后建立变负载下不同型号滚动轴承的故障诊断模型。实现变负载下不同型号滚动轴承多状态的精细分类并获得较高的准确率。
-
公开(公告)号：CN110346142A
公开(公告)日：2019-10-18
申请号：CN201910680524.2
申请日：2019-07-25
Applicant: 哈尔滨理工大学
IPC: G01M13/045 , G06K9/00 , G06K9/62
Abstract: 一种基于无监督特征对齐的变负载下滚动轴承故障诊断方法，属于滚动轴承故障诊断领域。针对滚动轴承实际工作中缺少某种负载数据，使得源领域数据与目标领域数据属于不同分布以及目标领域样本不含标签的问题。利用变分模态分解结合奇异值分解获取振动信号的时频特征，再结合振动信号时域、频域特征构建多域特征集；引入迁移学习中能够实现无监督领域适应的子空间对齐算法并进行改进，将核映射方法与SA算法相结合。将训练数据和测试数据映射到相同高维空间，在高维空间的子空间进行特征对齐，实现不同负载下源领域特征向目标领域特征对齐。在目标领域无标签的情况下，利用滚动轴承已知负载数据识别出其他负载数据对应的状态，具有较高的故障诊断准确率。
-
公开(公告)号：CN110334210A
公开(公告)日：2019-10-15
申请号：CN201910462751.8
申请日：2019-05-30
Applicant: 哈尔滨理工大学
Abstract: 本发明提供了一种基于BERT与LSTM、CNN融合的中文情感分析方法。该方法包括：对中文语料数据集中的多条中文语料进行文本预处理，以获得所述多条中文语料对应的多个序列；使用BERT模型提取每个序列的词嵌入；采用BERT、LSTM和CNN对每个序列进行特征提取，以获得每个序列对应的文本深层语义特征；通过使用softmax分类器对所获得的文本深层语义特征进行分类，来对模型进行训练和测试，进而实现情感极性预测分析。本发明的上述技术能够克服现有技术不足，提高对中文文本情感分析的准确率。
-
公开(公告)号：CN109902393A
公开(公告)日：2019-06-18
申请号：CN201910159895.6
申请日：2019-03-01
Applicant: 哈尔滨理工大学
Abstract: 一种基于深层特征和迁移学习的变工况下滚动轴承故障诊断方法，涉及故障诊断技术领域，为了解决变工况下滚动轴承不同故障位置及不同性能退化程度多状态识别准确率低的问题。首先采用SDAE对滚动轴承振动信号频域幅值进行特征提取，得到振动信号深层特征，并构成源域特征样本集和目标域特征样本集。然后采用JGSA对源域特征样本与目标域特征样本进行域适应处理，达到同时减少域间特征样本的分布偏移及子空间变换差异的目的，进而缩减不同类特征样本间的域偏移。最后通过K近邻算法完成变工况下滚动轴承多状态分类。本发明与其他方法相比较，在滚动轴承变工况条件下表现出更好的特征提取能力，其样本特征可视化效果最佳，变工况下滚动轴承故障诊断准确率高。
-
公开(公告)号：CN109525435A
公开(公告)日：2019-03-26
申请号：CN201811539747.9
申请日：2018-12-14
Applicant: 哈尔滨理工大学
Abstract: 一种电网业务服务器运行状态预警方法，属于智能电网技术领域，为了解决针对电网业务服务器运行状态难以人工监测的问题，本发明方法主要分为两个部分，一是确定警报阈值，该部分基于切比雪夫不等式与改进型的瑞利分布，再结合小概率事件的定义，确定警报上限值，求出参数ε，并确定异常的可能性；二是基于BP网络模型进行时序预测，该部分与第一个部分研究结果进行综合分析，对未来的数据点进行预警，达到提前发现问题的目的。通过实验研究表明，利用所提方法设定的警报阈值，能在保证科学性的前提下对数据异常点进行预警，并确定某一数据点有多大的可能性是异常点，达到对异常数据预警的目的。
-
Patent Agency Ranking
公开(公告)号：CN109510699A
公开(公告)日：2019-03-22
申请号：CN201811539746.4
申请日：2018-12-14
Applicant: 哈尔滨理工大学
IPC: H04L9/00
Abstract: 一种六维离散超混沌系统及六维离散超混沌信号发生器，属于混沌信号发生器设计领域。解决现有混沌系统在数字域中抗退化能力差、安全性低以及连续时间混沌系统需要经过离散化才能在FPGA等数字器件中实现等问题。六维离散超混沌系统由六个离散状态方程产生，用于输出六组混沌序列；六维离散超混沌信号发生器包括电源单元、时钟单元、复位单元、用于生成六维离散超混沌系统的FPGA数字电路单元、下载单元和输出端口。由于该混沌信号发生器具有六个较大的正李氏指数，产生的信号非线性程度更大，信号变量的时间序列更加不可预测，并且多个信号变量和系统参数使密钥空间更大，将其应用于保密通信和图像加密领域可以大大增强系统的安全性，提高通信的保密性。
-
公开(公告)号：CN108830287A
公开(公告)日：2018-11-16
申请号：CN201810349798.9
申请日：2018-04-18
Applicant: 哈尔滨理工大学
Abstract: 本发明一种基于残差连接的Inception网络结合多层GRU网络的中文图像语义描述方法属于计算机视觉与自然语言处理领域；包括利用开源框架tensorflow对AI Challenger图像中文描述训练集以及评估集进行预处理生成用于训练的tfrecord格式文件；利用Inception_ResNet_v2网络对ImageNet数据集进行预训练，得到卷积网络预训练模型；加载预训练参数至Inception_ResNet_v2网络中并对AI Challenger图像集进行图像特征描述子的抽取；建立单隐层神经网络模型将图像特征描述子映射到词嵌入空间；将词嵌入特征矩阵与二次特征映射后的图像特征描述子作为双层GRU网络的输入；将原始图片输入到图说模型生成中文描述语句；使用评估数据集利用训练好的模型以Perplexity指标作为评估标准进行评估；本发明实现了用中文描述图像的技术问题，加强了语句的连贯性与可读性。
-
公开(公告)号：CN108717439A
公开(公告)日：2018-10-30
申请号：CN201810467249.1
申请日：2018-05-16
Applicant: 哈尔滨理工大学
Abstract: 本发明一种基于注意力机制和特征强化融合的中文文本分类方法属于数据挖掘技术领域；所述一种基于注意力机制和特征强化融合的中文文本分类方法中提出一种基于注意力机制、长短期记忆网络与卷积神经网络的特征强化融合中文文本分类模型和特征差异强化注意力算法模型；特征强化融合中文文本分类模型，以双层LSTM和CNN模块依次对注意力机制提取的文本特征进行强化融合，不断增强所提取文本特征的丰富程度和，使其包含的文本特征更加全面更加细致，从而提高了模型对中文文本特征的识别能力。
-
公开(公告)号：CN108565909A
公开(公告)日：2018-09-21
申请号：CN201810171181.2
申请日：2018-03-01
Applicant: 哈尔滨理工大学
IPC: H02J7/00 , H01R13/52 , H01R13/502 , H01R13/66
Abstract: 一种能够自动对接充电的无线供电系统，属于无线供电技术领域，具体涉及一种无线供电系统。本发明针对现有供电系统为有线供电、不安全、不能自动对接的缺陷，提供了一种无线的、安全的、能够自动对接的供电系统。本发明所涉及的一种能够自动对接充电的无线供电系统包括供电端和受电端，供电端为固定端，受电端为移动端；一号电动机用于控制升降台的升降，二号电动机用于控制丝杠丝母水平移动副水平移动，供电接头与丝杠丝母水平移动副连接；一号红外传感器、一号电动机和二号电动机均与微处理器连接；二号红外传感器与蓄电池连接，二号红外传感器与微处理器无线连接。本发明尤其应用于为起重机伸缩臂上的移动设备进行供电。
-
公开(公告)号：CN108460089A
公开(公告)日：2018-08-28
申请号：CN201810063815.2
申请日：2018-01-23
Applicant: 哈尔滨理工大学
Abstract: 本发明方案公开了基于Attention神经网络的多元特征融合中文文本分类方法，属于自然语言处理领域。为了进一步提高中文文本分类的准确性，本发明通过融合3条CNN通路充分挖掘文本数据在3种不同尺寸卷积核粒度下的特征；通过融合LSTM通路来体现文本数据之间的相互联系；特别地,通过融合所提出的Attention算法模型使相对重要的数据特征在中文文本类别识别过程中发挥更大的作用，从而提高模型对中文文本类别的识别能力。实验结果表明，同等实验条件下，相比于CNN模型，LSTM结构模型及其两者的组合模型，本发明提出的模型的中文文本分类准确率明显提高，能够更好的应用于对分类准确率要求高的中文文本分类领域。
-
-
-
-
-
-
-
-
-
Search Results
102
records
(took 0.029 seconds)
