轴承智能故障诊断模型建立方法及系统

    公开(公告)号:CN115406655A

    公开(公告)日:2022-11-29

    申请号:CN202211042367.0

    申请日:2022-08-29

    Abstract: 本发明涉及智能诊断技术领域,提供一种轴承智能故障诊断模型建立方法,根据比例值将原始信号数据截断为训练集数据和测试集数据;按照初始设定的单个样本的采样点数SL,在截断后的振动数据初始位置处截取第一个样本,从初始位置处确定移动一个采样偏移量SO,并截取下一个样本,生成训练集和测试集;将处理后训练集样本输入神经网络模型中进行训练,通过损失函数优化神经网络中参数的权重和偏置,不仅能够在轴承智能故障诊断模型建立时,通过将轴承振动的原始信号数据通过截断成两部分独立的数据,能够完全避免训练集和测试集数据交叉造成的数据泄露;实现同时对轴承故障类型及故障严重程度的判断和输出,准确率高,效率高。

    基于神经网络的Kubernetes调度优化方法

    公开(公告)号:CN108874542A

    公开(公告)日:2018-11-23

    申请号:CN201810578161.7

    申请日:2018-06-07

    Abstract: 本发明公开了一种基于神经网络的Kubernetes调度优化方法,所述方法包括预测模型的构建以及资源调配算法,通过循环神经网络对Kubernetes中Node节点的内存消耗量进行预测,预测出内存消耗量在未来一段时间的变化,并将内存消耗数据输入到资源调配算法当中计算出需要增加的实例个数,Kubernetes系统根据所得实例个数进行动态扩展,从而完成Kubernetes基于内存资源的动态伸缩功能。本发明可以解决Kubernetes的容器应用中内存资源消耗过高导致系统稳定性降低的问题。

    一种分层监督跨模态图文检索方法

    公开(公告)号:CN114168784B

    公开(公告)日:2024-11-01

    申请号:CN202111511008.0

    申请日:2021-12-10

    Abstract: 本发明公开了一种分层监督跨模态图文检索方法,所述的方法包括步骤如下:S1:构建用于提取图像特征和文本特征的特征提取网络;S2:利用特征提取网络提取图像和文本特征,分别得到图像和文本的初步高维特征值;S3:构建模态对抗网络,将图像和文本的初步高维特征值输入模态对抗网络进行对抗学习,使得含有相同语义的不同模态在公共空间中的距离最近;S4:构建哈希码生成网络,并利用哈希码生成网络约束特征提取网络的最后一层全连接层,使得通过最后一层全连接层的图像和文本的初步高维特征值,生成最优哈希码,实现对跨模态数据检索。本发明能实现对具有分层监督跨模态数据的检索,提升跨模态检索效率。

Patent Agency Ranking