-
公开(公告)号：CN110490946B
公开(公告)日：2023-07-04
申请号：CN201910635075.X
申请日：2019-07-15
Applicant: 同济大学
IPC: G06T11/00 , G06V10/74 , G06V10/75 , G06F40/30 , G06F40/289 , G06V10/82 , G06N3/0464 , G06N3/0442 , G06N3/045 , G06N3/0475 , G06N3/094
Abstract: 本发明涉及一种基于跨模态相似度和生成对抗网络的文本生成图像方法，包括：步骤S1：使用匹配和不匹配的数据训练全局一致性模型、局部一致性模型和关系一致性模型，其中，三个模型分别用于得到文本与图像的全局表示、局部表示和关系表示；步骤S2：利用训练好的全局一致性模型、局部一致性模型和关系一致性模型得到待处理的文本的全局表示、局部表示和关系表示；步骤S3：将待处理文本的全局表示、局部表示和关系表示串联得到待处理文本的文本表示；步骤S4：利用Fca条件增强模块待处理文本的文本表示转换为条件向量；步骤S5：将条件向量输入生成器得到生成的图像。与现有技术相比，本发明具有考虑了局部和关系信息等优点。
-
公开(公告)号：CN110376457A
公开(公告)日：2019-10-25
申请号：CN201910571745.6
申请日：2019-06-28
Applicant: 同济大学
Abstract: 本发明涉及一种基于半监督学习算法的非侵入式负荷监测方法及装置，其中方法包括：步骤S1：采集智能电表总用电量和各设备运行状态信息的时序信息；步骤S2，预处理数据，首先清洗数据，其次将数据归一化处理，最后以0填充总用电量序列的首尾；步骤S3，每次滑动一个时间长度来获得训练窗口，以总用电量序列作为输入窗口数据，以序列中点时间设备的开关状态作为输出标签，重复多次得到训练样本数据集；步骤S4，使用训练样本训练神经网络模型；步骤S5，将待识别的总电量序列输入训练好的神经网络模型，可以获得正确的各设备运行状态。与现有技术相比，本发明具有可以得到精细化的用户内部设备使用状态等优点。
-
公开(公告)号：CN110490946A
公开(公告)日：2019-11-22
申请号：CN201910635075.X
申请日：2019-07-15
Applicant: 同济大学
Abstract: 本发明涉及一种基于跨模态相似度和生成对抗网络的文本生成图像方法，包括：步骤S1：使用匹配和不匹配的数据训练全局一致性模型、局部一致性模型和关系一致性模型，其中，三个模型分别用于得到文本与图像的全局表示、局部表示和关系表示；步骤S2：利用训练好的全局一致性模型、局部一致性模型和关系一致性模型得到待处理的文本的全局表示、局部表示和关系表示；步骤S3：将待处理文本的全局表示、局部表示和关系表示串联得到待处理文本的文本表示；步骤S4：利用Fca条件增强模块待处理文本的文本表示转换为条件向量；步骤S5：将条件向量输入生成器得到生成的图像。与现有技术相比，本发明具有考虑了局部和关系信息等优点。
-
公开(公告)号：CN110376457B
公开(公告)日：2020-10-02
申请号：CN201910571745.6
申请日：2019-06-28
Applicant: 同济大学
Abstract: 本发明涉及一种基于半监督学习算法的非侵入式负荷监测方法及装置，其中方法包括：步骤S1：采集智能电表总用电量和各设备运行状态信息的时序信息；步骤S2，预处理数据，首先清洗数据，其次将数据归一化处理，最后以0填充总用电量序列的首尾；步骤S3，每次滑动一个时间长度来获得训练窗口，以总用电量序列作为输入窗口数据，以序列中点时间设备的开关状态作为输出标签，重复多次得到训练样本数据集；步骤S4，使用训练样本训练神经网络模型；步骤S5，将待识别的总电量序列输入训练好的神经网络模型，可以获得正确的各设备运行状态。与现有技术相比，本发明具有可以得到精细化的用户内部设备使用状态等优点。
-
-
-
Search Results
4
records
(took 0.013 seconds)
