-
公开(公告)号：CN119939259A
公开(公告)日：2025-05-06
申请号：CN202510433006.6
申请日：2025-04-08
Applicant: 武汉纺织大学
IPC: G06F18/214 , G06F18/21 , G06F18/213 , G06N3/0464 , G06N3/045 , G06N3/0495 , G06N3/096 , G06F123/02
Abstract: 本发明公开了一种多目标域轴承剩余使用寿命预测方法与系统，包括：从相关数据集中随机选取不同工作条件下的数据分别作为源域、目标域及测试数据，随后利用ModernTCN对处理后的源域数据预训练；接下来，利用DTW计算距离并分配权重，借助MMD算出加权最大均值差异值，实现测试数据与多目标域的特征级迁移学习；进一步地，将加权混合目标域输入RUL预测器得到预测误差，与WMMD一起作为损失函数微调ModernTCN部分参数，得到预测模型；最后，将测试数据输入到预测模型中，得到在线数据的剩余使用寿命预测结果。
-
公开(公告)号：CN118096583B
公开(公告)日：2024-08-13
申请号：CN202410523549.2
申请日：2024-04-28
Applicant: 武汉纺织大学
Abstract: 本发明公开一种基于补丁的去噪扩散模型的高光去除方法，旨在有效去除在各种拍摄条件下产生的图像高光。这种方法结合了先进的去噪扩散模型与独特的基于补丁的处理技术，可以进行任意尺寸的图像处理，以提高图像质量。本发明方法包括：一个预处理步骤，将输入的图像分割成多个小块或“补丁”；采用了一种引导去噪过程，每个补丁的去噪过程都由噪声水平的估计来引导；通过在重叠补丁上基于平滑噪声估计来引导扩散模型的采样过程进一步确保处理后的补丁在重新组合成完整图像时保持自然和一致，这确保了图像在视觉上的连续性和整体美观性。
-
公开(公告)号：CN117688388B
公开(公告)日：2024-04-30
申请号：CN202410128488.X
申请日：2024-01-30
Applicant: 武汉纺织大学
IPC: G06F18/214 , G06F18/213 , G06N3/0455 , G06N3/08
Abstract: 本发明公开了一种基于数据增强与预测联合学习的软测量方法与系统。包括：先对原始数据进行标准化处理，然后用提出的回归约束自编码器（R‑CAE）对标准化后的数据进行建模并生成新数据；将标准化后的数据和新数据进行交叉融合，得到扩增数据，解决工业过程中数据采集成本过高、数据稀缺的问题；之后通过提出的非线性相关堆叠目标相关自编码器（NC‑STAE）对扩增数据建立软测量模型，获得目标特征值的误差值；将误差值作为损失函数返回到R‑CAE中，对R‑CAE的参数进行微调，得到更加有利于软测量的扩增数据；经过多次优化迭代，实现R‑CAE和NC‑STAE的联合学习，进而优化数据扩增效果。最终，使用优化后的扩增数据对目标特征值进行准确预测。
-
公开(公告)号：CN117710690A
公开(公告)日：2024-03-15
申请号：CN202311731853.8
申请日：2023-12-15
Applicant: 武汉纺织大学
Abstract: 本发明公开了一种基于边缘信息引导的图像内部遮挡关系预测方法和系统。所述方法包括边缘检测器和遮挡关系预测器两部分，包括以下步骤：输入图像通过由图像切分模块、多个池化Transformer模块和反卷积模块组成的边缘检测器，生成边缘检测图；然后在遮挡关系预测器中，边缘检测图通过边缘信息引导模块作用于边缘检测器生成的图像元特征上；随后新的图像元特征再依次通过多个池化Transformer模块来优化图像元特征；最后一个反卷积模块将最终得到的图像元特征进行分辨率的调整和放大，并输出遮挡关系图。本发明首次提出了用生成的边缘检测图引导特征计算，并直接生成遮挡关系图的新方法。相比已有的其他方法有更少的计算量，并有更好的预测效果。
-
公开(公告)号：CN118797321A
公开(公告)日：2024-10-18
申请号：CN202411288685.4
申请日：2024-09-14
Applicant: 武汉纺织大学 , 宁波慈星股份有限公司
IPC: G06F18/2135 , G06F18/25 , G06F18/15 , G06N3/045 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了基于时空特征注意力融合的工业过程故障检测方法和系统，包括：对原始正常数据进行数据标准化处理，在变量维度上，采用多通道一维卷积提取空间特征信息。在时间维度上，利用多通道二维卷积提取数据的时间特征信息，从而解决提取多维时序数据特征时变量相关性和数据时序性的问题；随后，对提取的多通道特征数据进行通道注意力加权融合，以更好地捕捉数据在不同通道上的分布特征，从而增强有用的特征信息；接下来，利用交叉注意力机制进行时空特征融合，以增强数据特征的表达能力；进一步地，融合的特征经过全连接层对重构数据进行模型训练，得到故障检测模型；最后，将在线数据输入到故障检测模型中，得到在线数据的故障检测结果。
-
Patent Agency Ranking
公开(公告)号：CN118520383A
公开(公告)日：2024-08-20
申请号：CN202410618850.1
申请日：2024-05-17
Applicant: 武汉纺织大学
IPC: G06F18/2431 , G06F18/2415 , G06F18/214 , G06F18/2135 , G06F18/15 , G06F18/25 , G06N3/0455 , G06N3/047 , G06N3/084
Abstract: 本发明提出了基于多特征融合注意力机制辅助自编码器的故障检测方法，属于工业过程故障检测领域。本发明设计利用传统机器学习提取特征的稳定性优势与深度学习提取特征的包容性优势相结合，适应于复杂工业过程故障检测。本发明通过ICA处理非高斯特征，通过SFA处理动态性特征，通过先升维再降维的自编码器处理非线性特征，挖掘了过程更加全面的特征，使得故障检测的准确率提高。另外，本发明通过优化深度学习网络的反向传播过程，增强了整体模型对含有噪声数据的鲁棒性。本发明通过增加噪声数据，构建权重矩阵，从而改变反向传播的程度，增强了模型鲁棒性，使得故障检测的误报率降低。
-
公开(公告)号：CN118096583A
公开(公告)日：2024-05-28
申请号：CN202410523549.2
申请日：2024-04-28
Applicant: 武汉纺织大学
Abstract: 本发明公开一种基于补丁的去噪扩散模型的高光去除方法，旨在有效去除在各种拍摄条件下产生的图像高光。这种方法结合了先进的去噪扩散模型与独特的基于补丁的处理技术，可以进行任意尺寸的图像处理，以提高图像质量。本发明方法包括：一个预处理步骤，将输入的图像分割成多个小块或“补丁”；采用了一种引导去噪过程，每个补丁的去噪过程都由噪声水平的估计来引导；通过在重叠补丁上基于平滑噪声估计来引导扩散模型的采样过程进一步确保处理后的补丁在重新组合成完整图像时保持自然和一致，这确保了图像在视觉上的连续性和整体美观性。
-
公开(公告)号：CN116776252A
公开(公告)日：2023-09-19
申请号：CN202310600720.0
申请日：2023-05-25
Applicant: 武汉纺织大学
IPC: G06F18/243 , G06F18/213 , G06F18/214
Abstract: 本发明公开了一种改进Mallow's Cp变量选择的工业过程软测量方法和系统，解决工业生产过程辅助变量过多，数据冗余的问题，并且对传统的Mallow's Cp算法进行优化，以缩短算法时间复杂度。该方法首先用随机森林算法对变量重要性进行排序，然后根据排列的顺序，从一个变量开始，依次递增变量个数，并在这个过程中计算每个子集的Cp值，从而选择出一组最优子集。选择出最优子集后，该方法使用最优子集来训练支持向量回归(SVR)模型，并通过测试数据评估模型的性能。本方法通过结合随机森林、Mallow's Cp算法和SVR回归等多种机器学习方法，能够有效地提高机器学习模型的性能和泛化能力，适用于各种需要进行变量重要性排序和建立连续型变量预测模型的实际问题。
-
公开(公告)号：CN119312287A
公开(公告)日：2025-01-14
申请号：CN202411177727.7
申请日：2024-08-26
Applicant: 武汉纺织大学
IPC: G06F18/27 , G06F18/2113 , G06F18/213 , G06F18/214 , G06F18/21
Abstract: 本发明公开了一种基于非线性稀疏矩估计(NS‑GMM)和相关向量回归(RVR)的工业软测量方法和系统，旨在解决工业生产中变量繁多、冗余变量过多及非线性关系导致的关键质量变量测量难题。相比传统广义矩估计(GMM)只能处理线性问题，本发明通过引入核技巧，使GMM模型能够有效处理非线性关系，并通过正则化项解决变量选择中的“污染效应”，筛选出对目标变量有显著影响的辅助变量。随后，选定变量用于训练RVR模型，通过贝叶斯推断和稀疏性先验，精确估计回归模型参数。该方法综合NS‑GMM和RVR，提供了一种在变量选择、预测性能和效率方面优于传统技术的解决方案，适用于各种需要精确快速预测关键质量变量的工业应用场景。
-
公开(公告)号：CN117409299B
公开(公告)日：2024-03-05
申请号：CN202311731854.2
申请日：2023-12-15
Applicant: 武汉纺织大学
IPC: G06V10/82 , G06V10/80 , G06V10/44 , G06N3/0455 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于多尺度池化Transformer的图像内部遮挡关系预测方法。所述的方法包括以下步骤：输入图像首先通过由卷积模块、图像切分模块和多尺度池化Transformer模块组成的编码器；然后这些特征通过逐层对应连接由一些多尺度池化Transformer模块组成的解码器；接着这些特征分别通过预测器里面两个独立的神经网络分支，分别负责生成边缘检测图和遮挡方向图；最后在方法的预测器结构内，边缘检测图和遮挡方向图通过非极大值抑制（NMS）计算后，生成遮挡关系图。本发明是目前首次使用含有Transformer的深度神经网络进行图像内部遮挡关系预测的方法，并首次提出了多尺度池化的Transformer结(56)对比文件韦春苗 等.Transformer与卷积神经网络相结合的皮肤镜图像自动分割算法《.计算机辅助设计与图形学学报》.2022,第34卷(第12期),全文.Youda Mo 等.Swin-Conv-Dspp and GlobalLocal Transformer for Remote SensingImage Semantic Segmentation《.IEEE Journalof Selected Topics in Applied EarthObservations and Remote Sensing》.2023,第16卷全文.
-
-
-
-
-
-
-
-
-
Search Results
18
records
(took 0.024 seconds)
