-
公开(公告)号：CN118469818B
公开(公告)日：2025-04-18
申请号：CN202410671523.2
申请日：2024-05-28
Applicant: 哈尔滨工业大学
IPC: G06T3/4053 , G06T3/4046 , G06N3/0464 , G06N3/084 , G06N3/048
Abstract: 一种基于FSRCNN和OPE的图像超分辨率重建方法、电子设备及存储介质，属于图像超分辨率重建技术领域。为解决图像超分辨率算法在不同上采样率下独立训练模型的问题，本发明将数据集中的低分辨率图像输入到FSRCNN网络中，通过卷积层提取图像的特征，输出特征映射输入到OPE模块中，对特征映射进行编码，得到正交位置编码，然后利用得到的正交位置编码对特征映射进行上采样处理，通过OPE模块的线性组合，计算超分辨率图像SR的像素值，生成初步的SR图像进行后处理，得到超分辨率处理后的图像；进行性能评估并计算损失函数，根据损失函数的结果，通过反向传播调整FSRCNN网络结构和OPE模块的参数。本发明节省训练时间。
-
公开(公告)号：CN118981693B
公开(公告)日：2025-04-25
申请号：CN202411256447.5
申请日：2024-09-09
Applicant: 哈尔滨工业大学
IPC: G06F18/2415 , G06N3/0464 , G06F18/214 , G06N3/08 , G06F30/20 , G06F18/15 , G01R31/316
Abstract: 基于BV‑CNN的模拟电路故障诊断方法、电子设备及存储介质，属于模拟电路故障诊断技术领域。为高效的进行BV‑CNN的模拟电路故障诊断，本发明定义优化目标函数，设置模态个数K和惩罚参数α作为贝叶斯优化参数搜索空间，使用贝叶斯优化方法搜索VMD算法的模态个数K和惩罚参数α的最优组合，得到优化后的VMD算法的参数，贝叶斯优化自动选择VMD参数，避免了在参数选择不当时会出现模态混叠或信号过度分解的问题，提升了信号分解效果，并结合CNN自动特征提取和分类能力，大大提高了故障诊断的准确性和鲁棒性，对非线性、非平稳信号也能实现较好的处理，适应了复杂信号和多工况，实现了高效的参数优化和模型训练。
-
公开(公告)号：CN118981693A
公开(公告)日：2024-11-19
申请号：CN202411256447.5
申请日：2024-09-09
Applicant: 哈尔滨工业大学
IPC: G06F18/2415 , G06N3/0464 , G06F18/214 , G06N3/08 , G06F30/20 , G06F18/15 , G01R31/316
Abstract: 基于BV‑CNN的模拟电路故障诊断方法、电子设备及存储介质，属于模拟电路故障诊断技术领域。为高效的进行BV‑CNN的模拟电路故障诊断，本发明定义优化目标函数，设置模态个数K和惩罚参数α作为贝叶斯优化参数搜索空间，使用贝叶斯优化方法搜索VMD算法的模态个数K和惩罚参数α的最优组合，得到优化后的VMD算法的参数，贝叶斯优化自动选择VMD参数，避免了在参数选择不当时会出现模态混叠或信号过度分解的问题，提升了信号分解效果，并结合CNN自动特征提取和分类能力，大大提高了故障诊断的准确性和鲁棒性，对非线性、非平稳信号也能实现较好的处理，适应了复杂信号和多工况，实现了高效的参数优化和模型训练。
-
公开(公告)号：CN118469818A
公开(公告)日：2024-08-09
申请号：CN202410671523.2
申请日：2024-05-28
Applicant: 哈尔滨工业大学
IPC: G06T3/4053 , G06T3/4046 , G06N3/0464 , G06N3/084 , G06N3/048
Abstract: 一种基于FSRCNN和OPE的图像超分辨率重建方法、电子设备及存储介质，属于图像超分辨率重建技术领域。为解决图像超分辨率算法在不同上采样率下独立训练模型的问题，本发明将数据集中的低分辨率图像输入到FSRCNN网络中，通过卷积层提取图像的特征，输出特征映射输入到OPE模块中，对特征映射进行编码，得到正交位置编码，然后利用得到的正交位置编码对特征映射进行上采样处理，通过OPE模块的线性组合，计算超分辨率图像SR的像素值，生成初步的SR图像进行后处理，得到超分辨率处理后的图像；进行性能评估并计算损失函数，根据损失函数的结果，通过反向传播调整FSRCNN网络结构和OPE模块的参数。本发明节省训练时间。
-
-
-
Search Results
4
records
(took 0.018 seconds)
