-
公开(公告)号：CN112527547B
公开(公告)日：2022-05-17
申请号：CN202011496477.5
申请日：2020-12-17
Applicant: 中国地质大学(武汉) , 华中科技大学
Abstract: 本发明提供一种基于自动卷积神经网络的机械智能故障预测方法，获取设备故障信号，并对其进行预处理，得到预处理后的故障信号；构建自动卷积神经网络ACNN故障诊断模型；所述ACNN故障诊断模型包括1组卷积神经网络CNN和1组深度确定性策略梯度网络DDPG；所述卷积神经网络CNN用于设备故障预测，所述深度确定性策略梯度网络DDPG用于实现对所述卷积神经网络CNN的学习率、批量和正则化三个参数进行自动调节；利用预处理后的故障信号训练所述ACNN故障诊断模型，得到训练完成的ACNN故障诊断模型；将所述训练完成的故障诊断模型应用于设备故障诊断。本发明提供的有益效果是：实现了对卷积神经网络参数的自动调节与优化，使得卷积神经网络对故障特征具有良好的提取能力。
-
公开(公告)号：CN113239980A
公开(公告)日：2021-08-10
申请号：CN202110442031.2
申请日：2021-04-23
Applicant: 华中科技大学 , 中国地质大学(武汉)
Abstract: 本发明提供了一种基于小样本机器学习与超参数优化的水下目标检测方法，包括：构建基于Cascade‑RCNN的小样本目标检测模型；预训练数据集；利用预训练数据集对小样本目标检测模型进行预训练，获得小样本目标检测模型的预训练权重θ′；构建待检测的目标数据集；将目标数据集划分为有标记的支持集和无标记的查询集；对目标数据集进行预处理；对小样本目标检测模型进行微调，得到最终训练完成的小样本目标检测模型；采用基于TPE的贝叶斯优化模型对训练完成的小样本目标检测模型进行超参数优化，得到优化后的小样本目标检测模型；输入预处理后的查询集至优化后的目标检测模型，得到目标检测结果。本发明实现了不依赖于大样本、可以自动调节超参数的目标检测。
-
Patent Agency Ranking
公开(公告)号：CN112527547A
公开(公告)日：2021-03-19
申请号：CN202011496477.5
申请日：2020-12-17
Applicant: 中国地质大学(武汉) , 华中科技大学
Abstract: 本发明提供一种基于自动卷积神经网络的机械智能故障预测方法，获取设备故障信号，并对其进行预处理，得到预处理后的故障信号；构建自动卷积神经网络ACNN故障诊断模型；所述ACNN故障诊断模型包括1组卷积神经网络CNN和1组深度确定性策略梯度网络DDPG；所述卷积神经网络CNN用于设备故障预测，所述深度确定性策略梯度网络DDPG用于实现对所述卷积神经网络CNN的学习率、批量和正则化三个参数进行自动调节；利用预处理后的故障信号训练所述ACNN故障诊断模型，得到训练完成的ACNN故障诊断模型；将所述训练完成的故障诊断模型应用于设备故障诊断。本发明提供的有益效果是：实现了对卷积神经网络参数的自动调节与优化，使得卷积神经网络对故障特征具有良好的提取能力。
-
公开(公告)号：CN111625992A
公开(公告)日：2020-09-04
申请号：CN202010437200.9
申请日：2020-05-21
Applicant: 中国地质大学(武汉) , 华中科技大学
Abstract: 本发明提供了一种基于自调优深度学习的机械故障预测方法，方法包括：构建基于CNN的故障诊断模型；利用所述故障诊断模型构建强化学习模型；训练所述强化学习模型，并利用所述强化学习模型自适应调节所述故障诊断模型的学习率；利用自适应调节学习率的所述故障诊断模型进行故障诊断。本发明的有益效果是：构建了一个卷积神经网络强化学习混合模型，该模型根据基于CNN的故障诊断模型的实时状态，实现对学习率的自动调节，进而提高该故障诊断模型的学习效率和学习效果，提高故障诊断性能。
-
公开(公告)号：CN120013348A
公开(公告)日：2025-05-16
申请号：CN202510107016.0
申请日：2025-01-23
Applicant: 中国地质大学(武汉)
IPC: G06Q10/0639 , G06Q10/0635 , G06Q50/26 , G06N3/006 , G06N3/0895 , G06N3/0985 , G06N3/126 , G06N7/01
Abstract: 本发明公开了一种基于渐进式优化框架的泥石流易发性评价方法，包括研究区的基础资料进行收集和整理；选取评价因子，并对评价因子进行相关性分析；划分流域单元，构建频率比模型进行易发性评价，并选择最优流域单元；采用半监督学习对负样本进行选择，构建机器学习数据集；通过对比不同Boosting算法和超参数优化算法，通过多种评估指标构建乡镇尺度下精度最高的评价模型以及采用SHAP技术，以量化分析不同评价因子对评价模型决策过程的贡献。本发明通过渐进式优化框架的方法不仅能够为乡镇区域地质灾害的风险评估提供精确且可解释的理论支撑，也将为灾害管理与防控策略的优化提供重要的实践参考，从而有效降低潜在风险和经济损失。
-
公开(公告)号：CN111625992B
公开(公告)日：2023-06-27
申请号：CN202010437200.9
申请日：2020-05-21
Applicant: 中国地质大学(武汉) , 华中科技大学
IPC: G06F18/2415 , G06F18/2131 , G06N3/045 , G06N3/0464 , G06N3/047 , G06N3/092 , G06N3/0985
Abstract: 本发明提供了一种基于自调优深度学习的机械故障预测方法，方法包括：构建基于CNN的故障诊断模型；利用所述故障诊断模型构建强化学习模型；训练所述强化学习模型，并利用所述强化学习模型自适应调节所述故障诊断模型的学习率；利用自适应调节学习率的所述故障诊断模型进行故障诊断。本发明的有益效果是：构建了一个卷积神经网络强化学习混合模型，该模型根据基于CNN的故障诊断模型的实时状态，实现对学习率的自动调节，进而提高该故障诊断模型的学习效率和学习效果，提高故障诊断性能。
-
公开(公告)号：CN113239980B
公开(公告)日：2022-07-05
申请号：CN202110442031.2
申请日：2021-04-23
Applicant: 华中科技大学 , 中国地质大学(武汉)
Abstract: 本发明提供了一种基于小样本机器学习与超参数优化的水下目标检测方法，包括：构建基于Cascade‑RCNN的小样本目标检测模型；预训练数据集；利用预训练数据集对小样本目标检测模型进行预训练，获得小样本目标检测模型的预训练权重θ′；构建待检测的目标数据集；将目标数据集划分为有标记的支持集和无标记的查询集；对目标数据集进行预处理；对小样本目标检测模型进行微调，得到最终训练完成的小样本目标检测模型；采用基于TPE的贝叶斯优化模型对训练完成的小样本目标检测模型进行超参数优化，得到优化后的小样本目标检测模型；输入预处理后的查询集至优化后的目标检测模型，得到目标检测结果。本发明实现了不依赖于大样本、可以自动调节超参数的目标检测。
-
-
-
-
-
-
Search Results
7
records
(took 0.019 seconds)
