公开(公告)号：CN116561628A

公开(公告)日：2023-08-08

申请号：CN202310530368.8

申请日：2023-05-12

Applicant: 吉林大学

Inventor： 徐卓君 ,  李浩 ,  于剑博

IPC: G06F18/24 ,  G06F18/214 ,  G06F18/213 ,  G06F18/25 ,  G06N3/0464 ,  G06N3/0442 ,  G06N3/096

Abstract: 一种基于迁移学习的航空复合材料工件损伤诊断方法，属于结构健康监测以及机器学习技术领域。本发明的目的是利用迁移学习中的度量学习理论，从通过仿真软件获取的铝板损伤信号这一源域，迁移到仿真软件与实验获取悬臂梁损伤信号目标域中来的基于迁移学习的航空复合材料工件损伤诊断方法。本发明将仿真软件内获取的铝板的损伤信号作为源域，使用重分布方法，对接收到的信号进行处理，构建卷积神经网络模型，将采用源域知识训练完成的卷积神经网络模型迁移到目标域中，应用最近邻方法对目标域内的样本数据进行分类，得到损伤诊断结果。本发明应对损伤样本数量少且样本分布不平衡的实际情况，实现对航空复合材料的损伤高精度与高准确率识别。

公开(公告)号：CN116561664A

公开(公告)日：2023-08-08

申请号：CN202310571831.3

申请日：2023-05-22

Applicant: 吉林大学

Inventor： 徐卓君 ,  于剑博 ,  李浩

IPC: G06F18/241 ,  G01S7/41 ,  G06F18/2415 ,  G06F18/2131 ,  G06F18/10 ,  G06N3/0464 ,  G06N3/048 ,  G06N3/08

Abstract: 一种基于TCN网络的雷达辐射源脉间调制模式识别方法，属于信号处理技术领域。本发明的目的是以雷达辐射源脉冲信号序列输入到TCN网络中进行基于卷积运算的特征提取识别，从而提高雷达脉冲信号识别率的基于TCN网络的雷达辐射源脉间调制模式识别方法。本发明步骤包括分别生成训练集和测试集数据；对产生的数据集信号进行预处理；构建TCN网络，设置TCN网络参数；将训练集和测试集数据输入到TCN网络中，按算法需求再处理数据；以“训练‑测试”的方式迭代网络，当迭代到n次时，结束训练，网络输出为雷达辐射源调制模式预测类别。本发明以雷达辐射源脉冲信号去噪后的时域和频域信号分别输入到TCN网络中进行基于卷积运算的特征提取并识别，从而实现了提高雷达脉冲信号的识别率。

公开(公告)号：CN118380079A

公开(公告)日：2024-07-23

申请号：CN202410370398.1

申请日：2024-03-29

Applicant: 吉林大学

Inventor： 徐卓君 ,  李浩 ,  于剑博 ,  于敬雯

IPC: G16C60/00 ,  G06N3/0464 ,  G06N3/096

Abstract: 一种基于迁移学习的CFRP材料结构损伤区域定位方法，属于结构健康监测以及机器学习领域。本发明的目的是根据迁移学习中的基于映射的方法，将板状结构损伤定位问题转化为满足源域和目标域部分实例不同时，使用全局条件移位显示场景问题的基于迁移学习的CFRP材料结构损伤区域定位方法。本发明将采集到的连续时域数据作为数据样本；从映射学习的角度设计迁移网络，构建适合条件移位下的损失函数；使用源域数据训练初始网络模型，并利用目标域的知识对预训练的网络进行微调；将目标域样本输入训练完成的神经网络，得到损伤定位结果。本发明通过构建基于不同域差异的迁移学习，可以在不同的外界情况和不同的工件下，实现对于复合材料工件损伤区域坐标的准确诊断。

公开(公告)号：CN118230868A

公开(公告)日：2024-06-21

申请号：CN202410407885.0

申请日：2024-04-07

Applicant: 吉林大学

Inventor： 徐卓君 ,  李浩 ,  于剑博 ,  于敬雯

IPC: G16C60/00 ,  G06F30/27 ,  G06N3/044 ,  G06N3/096 ,  G06F113/26 ,  G06F119/04

Abstract: 一种基于迁移学习对复合材料结构的剩余寿命预测方法，属于结构健康监测以及机器学习技术领域。本发明的目的是将复合材料工件剩余使用寿命预测问题转化为满足源域和目标域部分实例不同时产生的协变量移位显示场景问题的基于迁移学习对复合材料结构的剩余寿命预测方法。本发明从通过与目标域不同铺层和不同应力的复合材料工件这一源域，迁移到其他结构工件的目标域中来。将系统退化看作随时间转移的分布动态改变问题，制定剩余使用寿命预测的协方差平移策略。使得不同的工件在生命周期中的每个时间状态都被会放入RNN单元内进行动态度量，最终完成预测知识迁移。本发明构建了循环神经网络对特征进行提取，增加了损伤信号的展开维度，使得模型能够有效预测剩余使用寿命，提高了损伤诊断的准确率。

公开(公告)号：CN117473389A

公开(公告)日：2024-01-30

申请号：CN202311487065.9

申请日：2023-11-09

Applicant: 吉林大学

Inventor： 徐卓君 ,  李浩 ,  于剑博 ,  于敬雯

IPC: G06F18/241 ,  G06F18/2131 ,  G06F18/10 ,  G06V10/44 ,  G06V10/764 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/045 ,  G16C60/00 ,  G16C20/70

Abstract: 一种基于迁移学习的复合材料工件分层损伤诊断方法，属于结构健康监测以及机器学习领域。本发明的目的是基于迁移学习中的优化学习理论，从通过仿真软件获取的铝板损伤信号这一源域，迁移到仿真软件与实验获取的悬臂梁损伤信号目标域中来的基于迁移学习的复合材料工件分层损伤诊断方法。本发明使用连续小波变换方法，对收集到的信号进行预处理，获得所述待监测图像的低频数据和高频数据，将采用源域知识训练完成的卷积神经网络模型迁移到目标域中，应用基于优化学习的思想对损伤诊断模型进行优化，随后对目标域内的样本数据进行分类，得到损伤诊断结果。本发明利用优化学习理论设计双层优化结构，提升模型精度和泛化能力，避免模型载小样本情况下的过拟合问题，快速构建复合材料损伤诊断模型，从而应对损伤样本数量少且样本分布不平衡的实际情况，实现对复合材料的分层损伤高精度与高准确率识别。