-
公开(公告)号：CN114549925B
公开(公告)日：2024-09-13
申请号：CN202210052118.3
申请日：2022-01-18
Applicant: 大连理工大学
IPC: G06F18/214 , G06F18/241 , G06F18/213 , G06N3/0464 , G06N3/08
Abstract: 本发明属于时间序列预测领域，涉及一种基于深度学习的海浪有效波高时间序列预测方法。对于进行了离差标准化后的输入序列，采用小波分解对海浪有效波高时间序列进行消噪和特征提取，将分解得到的序列输入深层残差卷积神经网络，最后将网络的输出转换为一维序列，通过两层的线性层汇集成一维的预测结果，作为海浪有效波高的预测值。最后通过对比实验证明，本发明提出的模型具有较高的精度。
-
公开(公告)号：CN117952020A
公开(公告)日：2024-04-30
申请号：CN202410345882.9
申请日：2024-03-26
Applicant: 大连理工大学
Abstract: 本发明公开了一种基于物理信息神经网络的多层介质电磁计算方法。所述方法包括：步骤一：确定计算域内的麦克斯韦方程、边界条件、电磁分界面条件和初始条件；步骤二：根据不同的介质将计算域进行划分；步骤三：为计算域内各个子域分配一个神经网络，建立电磁模型；步骤四：在计算域内选取用于训练的残差点、边界约束点、分界面约束点和初始约束点；步骤五：根据选取的训练点计算麦克斯韦方程残差损失、边界条件损失、分界面条件和初始条件损失，并计算总损失函数；步骤六：使用基于梯度下降的优化算法优化神经网络参数；步骤七：根据得到电磁模型，模拟计算域内的电磁场。本发明能够快速准确地计算多层介质中的麦克斯韦方程，模拟电磁传播。
-
公开(公告)号：CN116910428B
公开(公告)日：2024-03-22
申请号：CN202310974079.7
申请日：2023-08-03
Applicant: 大连理工大学
Abstract: 一种用于自动确定偏微分方程结构的时空动态系统软测量方法，属于神经网络的软测量技术领域。首先，构建用于训练具有循环预测机制的耦合物理信息神经网络的损失函数，获得满足用于描述时空工业过程偏微分方程的解和源项；其次，利用自动微分方法获得微分算子候选库，从微分算子候选库中选择适当的偏微分方程结构准确描述时空工业过程；最后，利用热扩散现象和实际振动过程，验证软测量结果。本发明提出的CPINNRP‑AIC适用于具有时空依存特征的多类动态系统的软测量方法，包括实际工业过程中热扩散现象以及实际振动过程中的波动现象等；可实现高端复杂装备，如航空发动机运行过程关键变量值的有效获取，为高端工业装备的良好控制性能和安全运行的稳定性提供保障，具有实际工程应用意义。
-
公开(公告)号：CN114218870A
公开(公告)日：2022-03-22
申请号：CN202111583769.7
申请日：2021-12-22
Applicant: 大连理工大学
IPC: G06F30/27 , G06F17/14 , G06F17/16 , G06N3/04 , G06N3/08 , G06F111/04 , G06F113/08 , G06F119/10 , G06F119/12
Abstract: 本发明属于风速预测方法技术领域，提出了一种基于变分模态分解与注意力机制的风速预测方法。考虑自然因素的影响，研究多变量条件下风速预测问题。通过预处理已采集的数据进行变分模态分解，深度神经网络的输入序列；深度神经网络包括位置编码、编码器与解码器；位置编码为输入信号提供相对位置信息；编码器包括注意力机制层、前馈网络层与归一化残差连接层，用于神经网络模型捕获时序特征间的相互关系；解码器由双层全连接网络构成，用于将编码器获取的时序特征信息进行解构从而输出预测值。该方法能有效提高超短期风速预测精度；对操作平台没有限制，使用灵活方便，可移植性强，风速预测性能优异。
-
公开(公告)号：CN115204073B
公开(公告)日：2025-05-09
申请号：CN202210924597.3
申请日：2022-08-02
Applicant: 大连理工大学
IPC: G06F30/28 , G01C13/00 , G06F113/08 , G06F119/14
Abstract: 本发明属于空间插值技术领域，涉及一种基于克里金插值算法的潮汐预测方法。对经过预处理后的已知验潮站的历史潮高数据进行调和分析，求得各个验潮站的潮汐特征信息。计算各个验潮站之间的距离，对验潮站的调和常数的半方差函数和距离关系进行函数拟合，然后确定调和常数的半方差函数。将半方差函数作为权重对要预测的位置进行插值计算，确定其调和常数，然后根据潮汐调和预报方法预测任意时间的潮高信息，最后通过实验证明，本发明提出了一种可行的空间插值潮汐预测方法。
-
Patent Agency Ranking
公开(公告)号：CN114218870B
公开(公告)日：2024-08-23
申请号：CN202111583769.7
申请日：2021-12-22
Applicant: 大连理工大学
IPC: G06F30/27 , G06F17/14 , G06F17/16 , G06N3/0455 , G06N3/0499 , G06N3/08 , G06F111/04 , G06F113/08 , G06F119/10 , G06F119/12
Abstract: 本发明属于风速预测方法技术领域，提出了一种基于变分模态分解与注意力机制的风速预测方法。考虑自然因素的影响，研究多变量条件下风速预测问题。通过预处理已采集的数据进行变分模态分解，深度神经网络的输入序列；深度神经网络包括位置编码、编码器与解码器；位置编码为输入信号提供相对位置信息；编码器包括注意力机制层、前馈网络层与归一化残差连接层，用于神经网络模型捕获时序特征间的相互关系；解码器由双层全连接网络构成，用于将编码器获取的时序特征信息进行解构从而输出预测值。该方法能有效提高超短期风速预测精度；对操作平台没有限制，使用灵活方便，可移植性强，风速预测性能优异。
-
公开(公告)号：CN116050247B
公开(公告)日：2024-07-05
申请号：CN202211555055.X
申请日：2022-12-06
Applicant: 大连理工大学
IPC: G06F30/27 , G06F17/13 , G06N3/04 , G06N3/08 , G06F119/14
Abstract: 一种用于求解未知外部驱动力作用下的有界振动杆位移分布的耦合物理信息神经网络，提出一种新的PINN，称为C‑PINN，用于求解有界振动杆在具有较少或甚至没有任何先验信息的外部驱动力作用下的位移分布。包含两个神经网络，NetU和NetG。NetU逼近满足所研究有界振动杆的位移分布；NetG用于正则化NetU中的u以满足NetU逼近的位移分布。将两个网络集成为一个数据‑物理混合的损失函数中。此外，利用所提出的分层训练策略对该损失函数进行优化，实现两个网络的耦合。最后，验证C‑PINN在求解有界振动杆在外部驱动力作用时位移分布的性能。本发明的C‑PINN适用于解决具有外部驱动作用下并与时间空间具有依赖关系的多类动态系统，即包括求解在外部热源作用下的温度分布，电磁波在外源影响下的电磁分布等。
-
公开(公告)号：CN117786286A
公开(公告)日：2024-03-29
申请号：CN202311803802.1
申请日：2023-12-26
Applicant: 大连理工大学
IPC: G06F17/11 , G06F30/28 , G06F30/27 , G06F17/13 , G06F111/04 , G06F113/08 , G06F119/14
Abstract: 本发明公开了一种基于物理信息神经网络的流体力学方程求解方法，包括：步骤一：确定计算域满足的流体力学控制方程以及边界条件和初始条件；步骤二：在计算域内选取用于训练的残差点、边界约束点和初始约束点；步骤三：根据自定义的改进多层感知机结构构建神经网络，输入训练点，通过神经网络输出相应的流场数据，建立流体力学模型；步骤四：利用自动微分技术计算控制方程残差；步骤五：计算控制方程损失、边界条件损失和初始条件损失，采用加权和形式得到损失函数；步骤六：通过自适应权重法平衡各项损失函数，实现自适应调整损失函数权重；步骤七：使用优化算法获得最优损失函数权重和神经网络参数，得到所求的流体力学模型，对流场进行模拟。
-
公开(公告)号：CN116910428A
公开(公告)日：2023-10-20
申请号：CN202310974079.7
申请日：2023-08-03
Applicant: 大连理工大学
Abstract: 一种用于自动确定偏微分方程结构的时空动态系统软测量方法，属于神经网络的软测量技术领域。首先，构建用于训练具有循环预测机制的耦合物理信息神经网络的损失函数，获得满足用于描述时空工业过程偏微分方程的解和源项；其次，利用自动微分方法获得微分算子候选库，从微分算子候选库中选择适当的偏微分方程结构准确描述时空工业过程；最后，利用热扩散现象和实际振动过程，验证软测量结果。本发明提出的CPINNRP‑AIC适用于具有时空依存特征的多类动态系统的软测量方法，包括实际工业过程中热扩散现象以及实际振动过程中的波动现象等；可实现高端复杂装备，如航空发动机运行过程关键变量值的有效获取，为高端工业装备的良好控制性能和安全运行的稳定性提供保障，具有实际工程应用意义。
-
公开(公告)号：CN116453019A
公开(公告)日：2023-07-18
申请号：CN202310393543.3
申请日：2023-04-13
Applicant: 大连理工大学
IPC: G06V20/40 , G06T7/246 , G06N3/04 , G06N3/08 , G06V10/774
Abstract: 本发明属于深度学习、目标检测和多目标跟踪技术领域，涉及一种基于YOLOv5的机房环境异常检测方法。本发明对YOLOv5L模型的检测方法进行改进，改进后的模型额外获得了开关门检测功能、环境异物检测功能、人员检测功能、人员违规携带物品检测功能、人员行为异常检测功能，检测精度也有所提升，且降低了行人目标的漏检率。在开关门检测部分采用哈希均值法进行相似度比较，再根据光线场景和静置对比调整报警阈值，使得精度更高且算法简单，并且能达到实时性的要求。
-
-
-
-
-
-
-
-
-
Search Results
33
records
(took 0.032 seconds)
