-
公开(公告)号：CN110942637A
公开(公告)日：2020-03-31
申请号：CN201911298731.8
申请日：2019-12-17
Applicant: 浙江工业大学
Abstract: 一种基于空域图卷积神经网络的SCATS系统道路交通流预测方法，首先将车道作为节点，根据交通邻接矩阵得到具有相互连接的节点，将有连接节点的相关性从高到低进行排序，然后找到每个目标节点的邻域节点，将目标节点及其邻域节点的交通流状态数据构建高阶邻域交通状态矩阵作为CNN的输入，最后得到被预测车道的交通流状态预测结果。本发明充分挖掘了交通流状态时间和空间的相关性，既提高了准确性也增强了随机结果的抗干扰性。
-
公开(公告)号：CN110021165A
公开(公告)日：2019-07-16
申请号：CN201910201454.8
申请日：2019-03-18
Applicant: 浙江工业大学
Abstract: 一种基于Autoencoder-LSTM融合模型的交通流预测方法，包括以下步骤：步骤一、提取道路交通流数据并对数据进行预处理，构建交通流数据矩阵；步骤二、获取道路交通状态矩阵，提取道路交通状态矩阵高维抽象特征；步骤三、基于融合后的时空特征实现道路交通流预测；步骤四、基于融合模型的道路交通流预测：获取道路实时交通流数据作为融合模型的输入，实现道路实时交通流预测。本发明提供一种基于Autoencoder-LSTM(自编码器与长短期时间记忆神经网络)融合模型的交通流预测方法，利用自编码器和长短期记忆神经网络分别获取道路交通流数据中的空间和时间信息，充分挖掘了道路交通流数据中的时空特性，提高了交通流短期预测的准确性。
-
公开(公告)号：CN112834921B
公开(公告)日：2022-07-15
申请号：CN202011537414.X
申请日：2020-12-23
Applicant: 浙江工业大学
IPC: G01R31/34
Abstract: 一种基于残差图注意力网络的电机故障诊断方法，包括以下步骤：1)数据样本划分；2)故障特征信号提取；3)以故障特征信号的极值点为图网络的节点，定义节点之间相关性的规则，分别融合10个连续的小样本中的电流图网络作为模型输入样本，每个输入样本包括两个电流图网络；4)通过将残差网络ResNet和GAT进行结合，利用ResNet中的恒等映射思想来保证图信息在特征传递时的完整性；5)对于输入样本中的两个电流图网络，通过一层ResGAT和一层GAT提取特征，然后融合这两个特征图，再利用CNN提取特征并实现故障分类。本发明采用的电流数据获取容易且成本较低，ResGAT可以保证图信息的完整性。
-
公开(公告)号：CN111599170B
公开(公告)日：2021-12-17
申请号：CN202010283867.8
申请日：2020-04-13
Applicant: 浙江工业大学
Abstract: 一种基于时序交通网络图的交通运行状态分类方法，首先对交通流数据进行预处理并利用LPVG(有限穿越可视图复杂网络)完成时序交通网路图的构建；然后对每个交通网络图提取特征；接着将时序交通网络图信息转化为特征向量vector；最后根据保存了时序交通网络图的vector结合交通运行状态进行分类，计算预测出的交通运行状态的准确性。本发明利用了保存时序交通网络图特征为向量的方法，充分地提取出了时序交通流量特征对于交通运行状态的影响，从而有效提高了交通运行状态分类的精度。
-
公开(公告)号：CN112834921A
公开(公告)日：2021-05-25
申请号：CN202011537414.X
申请日：2020-12-23
Applicant: 浙江工业大学
IPC: G01R31/34
Abstract: 一种基于残差图注意力网络的电机故障诊断方法，包括以下步骤：1)数据样本划分；2)故障特征信号提取；3)以故障特征信号的极值点为图网络的节点，定义节点之间相关性的规则，分别融合10个连续的小样本中的电流图网络作为模型输入样本，每个输入样本包括两个电流图网络；4)通过将残差网络ResNet和GAT进行结合，利用ResNet中的恒等映射思想来保证图信息在特征传递时的完整性；5)对于输入样本中的两个电流图网络，通过一层ResGAT和一层GAT提取特征，然后融合这两个特征图，再利用CNN提取特征并实现故障分类。本发明采用的电流数据获取容易且成本较低，ResGAT可以保证图信息的完整性。
-
Patent Agency Ranking
公开(公告)号：CN112347844B
公开(公告)日：2024-04-19
申请号：CN202010994743.0
申请日：2020-09-21
Applicant: 浙江工业大学
IPC: G06F18/24 , G06F18/213 , G06F18/214
Abstract: 一种基于LID的信号对抗样本检测器的设计方法，包括以下步骤：1)对信号调制数据进行预处理，并设计调制分类模型；2)根据信号调制分类器结合对抗样本生成方法设计对抗样本生成器；3)根据调制分类器模型设计网络层信息评估函数；4)设计信号的正常样本与对抗样本检测器：根据网络层信息评估函数得到的特征值，将正常样本与对抗样本的特征值拼接并添加标签，其中对抗样本标签为0，正常样本标签为1，将拼接后的数据划分为训练集与测试集，并训练一个逻辑回归分类器，最后用测试集测试分类器效果。本发明识别正常信号和对抗信号，以此减少信号在解调过程中对抗信号造成的损失；有效降信号在解调过程中的风险，加强信号的安全性。
-
公开(公告)号：CN112347844A
公开(公告)日：2021-02-09
申请号：CN202010994743.0
申请日：2020-09-21
Applicant: 浙江工业大学
Abstract: 一种基于LID的信号对抗样本检测器的设计方法，包括以下步骤：1)对信号调制数据进行预处理，并设计调制分类模型；2)根据信号调制分类器结合对抗样本生成方法设计对抗样本生成器；3)根据调制分类器模型设计网络层信息评估函数；4)设计信号的正常样本与对抗样本检测器：根据网络层信息评估函数得到的特征值，将正常样本与对抗样本的特征值拼接并添加标签，其中对抗样本标签为0，正常样本标签为1，将拼接后的数据划分为训练集与测试集，并训练一个逻辑回归分类器，最后用测试集测试分类器效果。本发明识别正常信号和对抗信号，以此减少信号在解调过程中对抗信号造成的损失；有效降信号在解调过程中的风险，加强信号的安全性。
-
公开(公告)号：CN110164129A
公开(公告)日：2019-08-23
申请号：CN201910339787.7
申请日：2019-04-25
Applicant: 浙江工业大学
Abstract: 一种基于GERNN的单交叉口多车道交通流量预测方法，首先是对道路交通网络的构建；其次基于道路交通网络构建节点映射矩阵；然后基于节点映射矩阵构建GERNN模型的道路交通输入矩阵；接着基于GERNN模型的道路交通输入矩阵构建单交叉口多车道交通流预测模型；最后验证单交叉口多车道交通流预测模型。本发明解决了现有交通流数据高维、稀疏的时空特征的缺点，将网络中的节点投影到一个低维、稠密的空间中进行运算，从而有效提高了交通流预测的精度。
-
公开(公告)号：CN111812507B
公开(公告)日：2023-05-02
申请号：CN202010462054.5
申请日：2020-05-27
Applicant: 浙江工业大学
IPC: G01R31/34 , G06F18/213 , G06F18/214 , G06F18/2415 , G06N3/0464
Abstract: 一种基于图卷积的电机故障诊断方法，包括以下步骤：1)划分数据样本：利用傅里叶变换和逆变换将定子电流数据参照单个周期正弦函数划分单位样本的；2)构建电流图网络：在每个单位周期样本中，首先根据电流数值正负以及样本周期将样本划分为两个部分，然后分别确定两个部分中的数据点是否存在联系，并以数据点为节点创建节点关系矩阵，最后根据节点关系矩阵和电流数值波动特征构建电流图网络；3)构建图卷积神经网络并分类：将电流图网络作为模型训练数据，设计图卷积神经网络分类模型，并进行故障分类。本发明大大降低了人的工作量，使用的电流数据获取更为方便。
-
公开(公告)号：CN111812507A
公开(公告)日：2020-10-23
申请号：CN202010462054.5
申请日：2020-05-27
Applicant: 浙江工业大学
Abstract: 一种基于图卷积的电机故障诊断方法，包括以下步骤：1)划分数据样本：利用傅里叶变换和逆变换将定子电流数据参照单个周期正弦函数划分单位样本的；2)构建电流图网络：在每个单位周期样本中，首先根据电流数值正负以及样本周期将样本划分为两个部分，然后分别确定两个部分中的数据点是否存在联系，并以数据点为节点创建节点关系矩阵，最后根据节点关系矩阵和电流数值波动特征构建电流图网络；3)构建图卷积神经网络并分类：将电流图网络作为模型训练数据，设计图卷积神经网络分类模型，并进行故障分类。本发明大大降低了人的工作量，使用的电流数据获取更为方便。
-
-
-
-
-
-
-
-
-
Search Results
18
records
(took 0.019 seconds)
