-
公开(公告)号：CN119792798A
公开(公告)日：2025-04-11
申请号：CN202411756663.6
申请日：2024-12-03
Applicant: 华中科技大学同济医学院附属同济医院
Abstract: 本发明公开了一种用于无线电疗炎症的可生物降解电容耦合神经刺激器，该电容耦合神经刺激器包括神经刺激元件和封装元件，封装元件位于所述神经刺激元件表面，所述封装元件为弹性体SBPUE，弹性体SBPUE的制备方法包括以下步骤：S1：将PCL和PTMEG放入容器中混合，将混合物在真空100℃的油浴中加热以去除水分，然后冷却至70℃；S2：将溶解在DMAc中的异佛尔酮二异氰酸酯和DBTDL逐滴加入容器中并在氮气氛围下搅拌，合成预聚物后冷却至室温；S3：加入溶解在DMAc中的二甲基乙二肟作为链延长剂，密封反应；S4：反应完成后，添加DMAc将产物的浓度调整为30wt％，即得弹性体SBPUE。本发明通过对幼年大鼠模型中的迷走神经进行慢性电刺激，证明了其在电子药物抗炎治疗PIBD中的成功应用。
-
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。
-
公开(公告)号：CN110609524A
公开(公告)日：2019-12-24
申请号：CN201910750456.2
申请日：2019-08-14
Applicant: 华中科技大学
IPC: G05B19/418
Abstract: 本发明公开一种工业设备剩余寿命预测模型及其构建方法和应用，方法包括：采集多个相同工业设备分别在不同故障模式下的全寿命多特征数据集，并构建每个全寿命多特征数据集的多维矩阵；采用滑动窗口对每个多维矩阵进行时间序列切片，得到该多维矩阵的多个时间切片矩阵；根据故障模式种类，对所有时间切片矩阵分类；基于每种故障模式对应的所有时间切片矩阵，训练该故障模式的CNN-RNN混合预测模型得到工业设备剩余寿命。本发明通过使用滑动窗口对多维数据进行时间序列切片，增加混合模型输入的多样性，利用预分类构建模型库，对含有多种故障模式的数据集处理，提高模型预测精度；构建CNN-RNN混合网络实现了无需自定义失效阈值的端到端的剩余使用寿命预测模型。
-
公开(公告)号：CN108010016A
公开(公告)日：2018-05-08
申请号：CN201711160396.6
申请日：2017-11-20
Applicant: 华中科技大学
CPC classification number: G06T7/0002 , G06N3/0454 , G06T5/005 , G06T11/00 , G06T2207/20084 , G06T2207/30168
Abstract: 本发明属于故障诊断方法领域，并公开了一种基于卷积神经网络的数据驱动故障诊断方法，包括以下步骤：1)对要检测故障进行时域信号采样；2)将采集到的时域信号转化为待处理的图像；3)根据待处理图像的特点构建卷积神经网络模型；4)对图像进行训练；5)使用卷积神经网络模型进行预测，得出故障诊断结果。本发明将原始时域信号转换为2维灰度图像，采用改进卷积神经网络自动提取灰度图像的数据特征；由于将时域信号转化为二维灰度图像，信号噪声将被转换为图像的亮度、灰度等与图像分类结果无关的因素，能尽可能消除信号噪声对最终结果的影响。该方法易于执行且具有较高的精度，并极大地降低了特征提取过程和信号噪声对最终结果造成的影响。
-
Patent Agency Ranking
公开(公告)号：CN115035055A
公开(公告)日：2022-09-09
申请号：CN202210588370.6
申请日：2022-05-27
Applicant: 中国地质大学(武汉) , 华中科技大学同济医学院附属同济医院
IPC: G06T7/00 , G06T5/50 , G06V10/774 , G06V10/80 , G06V10/82
Abstract: 本发明提供了一种基于注意力机制的循环一致性对抗网络的肺炎检测方法，包括图像合成和图像检测步骤；合成模块由AttenCycleGAN构成，包括：随机数据增强单元、注意力引导合成的生成器和判别器；检测模块包括：自动数据增强单元、特征提取单元、基于注意力引导的数据增强单元、BAP特征融合单元；利用图像模型对肺炎X光射线进行合成以实现数据集的扩充：将正常的图像输入合成模块中，经生成器得到合成的肺炎X光射线图像，并增加到肺部医学原始图像得到扩充后的肺部医学数据集；然后输入至检测模块，得到最终的肺部X射线图像。本发明极大地提高了基于注意力卷积神经网络的肺炎X射线图像检测模型的性能，同时提高了肺炎检测的精度和效率。
-
公开(公告)号：CN113610757A
公开(公告)日：2021-11-05
申请号：CN202110751986.6
申请日：2021-07-02
Applicant: 华中科技大学同济医学院附属同济医院 , 中国地质大学(武汉)
Abstract: 本发明提供了一种基于细粒度的医学x射线肺部图像检测方法，包括以下：构建检测模型，包括：特征提取模块、注意力引导数据增强模块、BAP特征融合模块；利用检测模型实现肺部图像检测：获取原始肺部图像样本数据，将原始数据输入至特征提取模块，得到图像特征和注意力地图；将注意力地图输入至注意力引导数据增强模块进行数据增强；将增强数据和原始数据输入至所述特征提取模块中进行训练，得到训练后的注意力地图和图像特征；利用BAP特征融合模块进行融合，得到融合特征；将融合特征输入全连接层，得到最终的检测结果。本发明大大提高了医学x射线图像检测的精度和效率，避免了因为环境条件或是主观判断等因素影响检测结果的准确性。
-
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：CN109406118B
公开(公告)日：2020-05-19
申请号：CN201811197982.2
申请日：2018-10-15
Applicant: 华中科技大学
IPC: G01M13/00 , G01M13/045 , G06N3/04
Abstract: 本发明属于神经网络故障预测相关技术领域，其公开了一种基于层次卷积神经网络的机械故障预测方法，该方法包括以下步骤：(1)采用S变换将待故障预测的机械的振动信号从时序信号变换成时频图，以备用；(2)结合故障类型在不同粒度上的层次划分，以构建双输出的层次卷积神经网络模型，所述时频图为所述层次卷积神经网络模型的输入；所述层次卷积神经网模型具有两类分类器，分别为粗分类器及精分类器；(3)依次采用粗标签及精标签对所述粗分类器及所述精分类器进行训练，以得到训练好的层次卷积神经网络模型，进而进行机械故障预测。本发明提高了精度及效率，适用性较好，有利于在实际应用中推广应用。
-
公开(公告)号：CN108334936A
公开(公告)日：2018-07-27
申请号：CN201810087864.X
申请日：2018-01-30
Applicant: 华中科技大学
IPC: G06N3/04
Abstract: 本发明属于神经网络故障预测领域，并公开了基于迁移卷积神经网络的故障预测方法。该方法包括下列步骤：(a)将故障类型进行编号，采集待预测对象的时域信号并获取初始故障类型编号，将时域信号转化为RGB图像；(b)将深度残差网络模型的FC层初始化并添加分类器，获得改进的网络模型；(c)将RGB图像输入网络模型训练FC层和分类器，不断更新FC层的权重值，当获得的故障类型编号与初始故障类型编号相近时对应的权重值为所需的新的权重值，并完成网络模型的迁移；(d)将待预测对象的RGB图像输入迁移卷积神经网络模型中，输出预测故障类型编号。通过本发明，所采用的迁移卷积神经网络模型结构简单、预测速度快，预测结果准确。
-
-
-
-
-
-
-
-
-
Search Results
20
records
(took 0.026 seconds)
