-
公开(公告)号：CN120012575A
公开(公告)日：2025-05-16
申请号：CN202510082216.5
申请日：2025-01-17
Applicant: 中国科学院自动化研究所 , 中车戚墅堰机车车辆工艺研究所股份有限公司
IPC: G06F30/27 , G06F30/17 , G06N3/0464 , G06N3/048 , G06N3/084 , G06N3/086 , G06F119/04
Abstract: 本公开提供了一种齿轮箱寿命预估方法、装置、电子设备、存储介质和程序产品，该齿轮箱寿命预估方法包括：获取目标齿轮箱的历史运行信号和工况信息；对历史运行信号进行特征提取处理，得到运行特征；使用训练好的预估模型处理运行特征和工况信息，得到预估剩余寿命，其中，预估模型为机器学习模型，预估模型的训练样本包括多个不同工况下的齿轮箱的全寿命周期运行信号。该方法能够准确预估目标齿轮箱的剩余寿命，从而为设备的维护策略优化提供了科学依据，既减少了资源浪费，降低了维护成本，提高了齿轮箱的监测和维护效率，又有助于减少因故障导致的生产停滞、生产事故和经济损失，对于提高机械设备的运行效率、可靠性和安全性具有重要的意义。
-
公开(公告)号：CN119885034A
公开(公告)日：2025-04-25
申请号：CN202510142424.X
申请日：2025-02-08
Applicant: 中国科学院自动化研究所 , 中车戚墅堰机车车辆工艺研究所股份有限公司
IPC: G06F18/2433 , G01M13/045 , G06F18/214 , G06N3/0442 , G06N3/0464
Abstract: 本公开关于齿轮箱轴承的故障诊断模型的训练方法、故障诊断方法和装置，包括：将每个振动信号样本所包含的多个振动数据分别输入多个LSTM单元，获得多个输出结果；基于多个注意力权重，对多个输出结果进行加权求和；基于加权求和结果预测每个振动信号样本对应的故障类型；基于预测出的每个振动信号样本对应的故障类型以及每个振动信号样本对应的故障类型标签，计算损失函数的值；通过根据损失函数的值调整注意力权重。这样，通过引入注意力层，可以帮助故障诊断模型更好地理解振动数据(序列数据)中的关键部分，使得故障诊断模型在面对复杂且多变的故障数据时也能够准确地进行故障诊断。
-
公开(公告)号：CN109165667B
公开(公告)日：2022-02-22
申请号：CN201810739141.3
申请日：2018-07-06
Applicant: 中国科学院自动化研究所
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06K9/62 , G16H50/20
Abstract: 本发明涉及图像处理技术领域，并提出了一种基于自注意力机制的脑疾病分类系统，旨在解决脑疾病分类诊断中需要对磁共振影像进行预处理、特征提取和特征选择的复杂过程及其所导致的分类准确率不高的技术问题。为此目的，本发明中的基于自注意力机制的脑疾病分类系统包括：对获取脑疾病病人的人脑磁共振影像进行预处理，得到人脑的灰质密度图；利用预先构建的脑疾病分类模型对所述灰质密度图进行脑疾病分类，得到所述脑疾病病人的脑疾病类别；其中，所述预先构建的脑疾病分类模型是基于自注意力机制构建的三维卷积神经网络模型。本发明实施例所示的系统可以快速、准确的分类脑疾病的类别。
-
公开(公告)号：CN110070935B
公开(公告)日：2021-04-30
申请号：CN201910211463.5
申请日：2019-03-20
Applicant: 中国科学院自动化研究所
Abstract: 本发明属于医学图像处理技术领域，具体涉及一种基于对抗神经网络的医学图像合成方法、分类方法及装置，旨在解决脑疾病分类任务中训练样本不足带来的准确度不能满足需求的问题，本发明合成方法包括：获取第一特征图像集及第二特征图像集；构建包括类别损失计算功能的循环生成对抗模型；基于所述第一特征图像集和所述第二特征图像集训练所述循环生成对抗模型；以及当样本分类损失满足条件时，将所述循环生成对抗模型生成的图像作为样本数据。本发明在Cycle‑GAN网络模型基础上添加类别损失使合成脑图像更加真实，通过无监督的方式增加了两倍的样本量，解决了使用深度学习方法进行脑疾病分类过程中出现的样本量不足的问题，可以提升分类准确度。
-
公开(公告)号：CN109165667A
公开(公告)日：2019-01-08
申请号：CN201810739141.3
申请日：2018-07-06
Applicant: 中国科学院自动化研究所
Abstract: 本发明涉及图像处理技术领域，并提出了一种基于自注意力机制的脑疾病分类系统，旨在解决脑疾病分类诊断中需要对磁共振影像进行预处理、特征提取和特征选择的复杂过程及其所导致的分类准确率不高的技术问题。为此目的，本发明中的基于自注意力机制的脑疾病分类系统包括：对获取脑疾病病人的人脑磁共振影像进行预处理，得到人脑的灰质密度图；利用预先构建的脑疾病分类模型对所述灰质密度图进行脑疾病分类，得到所述脑疾病病人的脑疾病类别；其中，所述预先构建的脑疾病分类模型是基于自注意力机制构建的三维卷积神经网络模型。本发明实施例所示的系统可以快速、准确的分类脑疾病的类别。
-
Patent Agency Ranking
公开(公告)号：CN101876992A
公开(公告)日：2010-11-03
申请号：CN200910237783.4
申请日：2009-11-17
Applicant: 中国科学院自动化研究所
IPC: G06F17/30
Abstract: 本发明公开一种图像数据仓库管理方法，是利用基于文本的图像数据描述信息，对图像数据仓库进行高效管理，该管理过程包括图像数据索引文件的生成、上传、关键词检索及图像数据的下载；该方法分成图像数据上传和下载两路工作，客户端用户在对图像数据仓库的上传操作中，利用加锁的方式使该用户在当前时间成为对该仓库具有唯一更改性操作权限的用户。整个上传及下载操作都是通过数据描述文件进行，该描述文件记录了所有图像数据的分字段编号、存储路径及各种属性的详细信息。客户端与服务器端保持同样的图像数据描述文件，使得用户对图像数据进行的检索操作都能在客户端进行，从而减轻网络以及服务器端的压力，从根本上提高了数据仓库管理的效率。
-
公开(公告)号：CN110969614B
公开(公告)日：2024-03-29
申请号：CN201911262846.1
申请日：2019-12-11
Applicant: 中国科学院自动化研究所
Abstract: 本发明涉及一种基于三维卷积神经网络的脑龄预测方法及系统，所述预测方法包括：采集历史样本集，所述历史样本集包括多对历史结构磁共振影像数据及对应测试者的生理年龄，所述历史样本集分为训练样本集及测试样本集；对所述训练样本集中的各所述历史结构磁共振影像数据预处理，得到对应的处理图像；根据各处理图像及对应测试者的生理年龄，对三维卷积神经网络进行训练，得到训练后的三维卷积神经网络；获取当前测试者的当前结构磁共振影像数据；基于训练后的三维卷积神经网络，根据所述当前结构磁共振影像数据，可确定当前测试者的脑龄情况，实现端到端的检测，准确度高。
-
公开(公告)号：CN111681479A
公开(公告)日：2020-09-18
申请号：CN202010592273.5
申请日：2020-06-24
Applicant: 中国科学院自动化研究所
Abstract: 本发明属于电子教学领域，具体涉及了一种自适应情境化人工智能教学系统、方法及装置，旨在解决常规方式去讲解人工智能知识和应用学习效率低、知识转化困难学生积极性不高的问题。本发明包括：学员评测模块对学员进行评测，根据评测结果生成学员的学习状况档案，情境互动模块根据学习状况档案生成情境实践游戏，学习管理模块根据学员在情境互动模块中解决问题的操作时间及操作步骤生成学习报告并更新学习状况档案。本发明通过情境互动的方式增强学员的代入感和体验感，并根据学员解决问题的时间和操作步骤调整学习计划，增强了教学系统的自适应能力实现个性化教学。
-
公开(公告)号：CN110969614A
公开(公告)日：2020-04-07
申请号：CN201911262846.1
申请日：2019-12-11
Applicant: 中国科学院自动化研究所
Abstract: 本发明涉及一种基于三维卷积神经网络的脑龄预测方法及系统，所述预测方法包括：采集历史样本集，所述历史样本集包括多对历史结构磁共振影像数据及对应测试者的生理年龄，所述历史样本集分为训练样本集及测试样本集；对所述训练样本集中的各所述历史结构磁共振影像数据预处理，得到对应的处理图像；根据各处理图像及对应测试者的生理年龄，对三维卷积神经网络进行训练，得到训练后的三维卷积神经网络；获取当前测试者的当前结构磁共振影像数据；基于训练后的三维卷积神经网络，根据所述当前结构磁共振影像数据，可确定当前测试者的脑龄情况，实现端到端的检测，准确度高。
-
公开(公告)号：CN110070935A
公开(公告)日：2019-07-30
申请号：CN201910211463.5
申请日：2019-03-20
Applicant: 中国科学院自动化研究所
Abstract: 本发明属于医学图像处理技术领域，具体涉及一种基于对抗神经网络的医学图像合成方法、分类方法及装置，旨在解决脑疾病分类任务中训练样本不足带来的准确度不能满足需求的问题，本发明合成方法包括：获取第一特征图像集及第二特征图像集；构建包括类别损失计算功能的循环生成对抗模型；基于所述第一特征图像集和所述第二特征图像集训练所述循环生成对抗模型；以及当样本分类损失满足条件时，将所述循环生成对抗模型生成的图像作为样本数据。本发明在Cycle-GAN网络模型基础上添加类别损失使合成脑图像更加真实，通过无监督的方式增加了两倍的样本量，解决了使用深度学习方法进行脑疾病分类过程中出现的样本量不足的问题，可以提升分类准确度。
-
-
-
-
-
-
-
-
-
Search Results
11
records
(took 0.042 seconds)
