-
公开(公告)号：CN113299027A
公开(公告)日：2021-08-24
申请号：CN202110448860.1
申请日：2021-04-25
Applicant: 中国科学院武汉岩土力学研究所 , 湖北工业大学
IPC: G08B17/06 , H04B10/25 , H04B10/2537
Abstract: 本发明公开了一种隧道火灾监测方法及系统、终端设备、存储介质，其方法包括步骤：获取所述分布式光纤的布里渊频率/布里渊频移量；根据所述布里渊频率/布里渊频移量，以及布里渊频率/布里渊频移量与拱顶最大温度/拱顶最大温升之间的函数关系获取所述分布式光纤所对应的拱顶最大温度数据/拱顶最大温升数据；根据所述拱顶最大温度数据/拱顶最大温升数据，以及拱顶最大温度/拱顶最大温升对应的纵向温度分布函数得到所述隧道的沿程火灾数据。本发明实现隧道火灾任意一点的实时动态监控，监测过程稳定不受电磁波干扰，技术先进易于集成，成本低廉且测量精度高。
-
公开(公告)号：CN109410114B
公开(公告)日：2023-08-25
申请号：CN201811092084.0
申请日：2018-09-19
Applicant: 湖北工业大学
IPC: G06T1/00 , H03M7/30 , G06N3/0464
Abstract: 本发明涉及一种基于深度学习的压缩感知图像重建算法，方法步骤如下：S1：对图像数据进行预处理，包括提取数据的灰度值和对图像进行分块；S2：对已经切分好的图像块进行测量，获得测量矩阵；S3：构建一个10层的深度压缩感知重建网络；S4：在深度学习框架中对10层网络进行训练；S5：在经过深度神经网络后，得到重建图像块，按照索引，对图像块按照原始行列值进行重排；S6：图像块经过重排得到重建图像后，选择BM3D去噪器对图片进行降噪处理，最终得到重建图像。本发明提供的压缩感知图像重建算法，大部分所耗时间在网络训练阶段，待网络训练完成后图像重建速度非常之快。本发明通过深度学习网络取代了传统重建算法，但依然拥有良好的重建精度。
-
公开(公告)号：CN111666996A
公开(公告)日：2020-09-15
申请号：CN202010479743.7
申请日：2020-05-29
Applicant: 湖北工业大学
Abstract: 本发明提出了一种基于attention机制的高精度设备源识别方法。首先，提出在attention机制中加入卷积池化操作来提升特征的表征性，卷积池化层经过训练可以更好的捕捉设备源特征；其次，提出attention机制，使用神经网络为每一种特征自主学习一个权重，从而剔除原始特征数据的冗余信息和干扰数据，实现特征数据的精简；最后，本发明对将MFCC、高斯超矢量和i-vector三种常见的特征作为设备源特征，并结合attention机制和深度神经网络，用于解决单一特征的局限性。本发明的设备源识别方法与传统设备源识别方法相比能够有效提升系统的识别性能，优化了系统结构，提高了相应设备源识别产品的竞争力。
-
Patent Agency Ranking
公开(公告)号：CN110111797A
公开(公告)日：2019-08-09
申请号：CN201910271166.X
申请日：2019-04-04
Applicant: 湖北工业大学
Abstract: 本发明公开了一种基于高斯超矢量和深度神经网络的说话人识别方法，包括说话人特征提取阶段，深度神经网络设计阶段，说话人识别与决策阶段，本发明通过深度神经网络与说话人识别系统模型相融合，结合高斯超矢量和深度神经网络的多层结构在提高评价模型的表征能力方面的显著效果，并且本发明提出的说话人识别方法在背景噪声的环境下能够有效提升系统的识别性能，在降低噪声对系统性能影响、提高系统噪声鲁棒性的同时，优化系统结构，提高了相应说话人识别产品的竞争力。
-
公开(公告)号：CN113299027B
公开(公告)日：2022-08-16
申请号：CN202110448860.1
申请日：2021-04-25
Applicant: 中国科学院武汉岩土力学研究所 , 湖北工业大学
IPC: G08B17/06 , H04B10/25 , H04B10/2537
Abstract: 本发明公开了一种隧道火灾监测方法及系统、终端设备、存储介质，其方法包括步骤：获取所述分布式光纤的布里渊频率/布里渊频移量；根据所述布里渊频率/布里渊频移量，以及布里渊频率/布里渊频移量与拱顶最大温度/拱顶最大温升之间的函数关系获取所述分布式光纤所对应的拱顶最大温度数据/拱顶最大温升数据；根据所述拱顶最大温度数据/拱顶最大温升数据，以及拱顶最大温度/拱顶最大温升对应的纵向温度分布函数得到所述隧道的沿程火灾数据。本发明实现隧道火灾任意一点的实时动态监控，监测过程稳定不受电磁波干扰，技术先进易于集成，成本低廉且测量精度高。
-
公开(公告)号：CN109346084A
公开(公告)日：2019-02-15
申请号：CN201811092136.4
申请日：2018-09-19
Applicant: 湖北工业大学
CPC classification number: G10L17/005 , G10L17/02 , G10L17/04 , G10L17/18 , G10L17/22
Abstract: 本发明涉及一种基于深度堆栈自编码网络的说话人识别方法，S1：说话人特征提取；S2：堆栈自编码器的网络设计；S3：说话人识别与决策。本发明与传统说话人识别相比，将深度堆栈自编码网络与说话人识别系统模型相融合，结合堆栈自编码器的多层结构在提高评价模型的表征能力方面的显著效果，本发明的说话人识别方法在存在背景噪声的环境下能够有限提升系统的识别性能，在降低噪声对系统性能影响、提高系统噪声鲁棒性的同时，优化系统结构，使识别实时性得到有效增强。
-
公开(公告)号：CN109410114A
公开(公告)日：2019-03-01
申请号：CN201811092084.0
申请日：2018-09-19
Applicant: 湖北工业大学
CPC classification number: G06T1/0007 , G06N3/0454 , H03M7/3062
Abstract: 本发明涉及一种基于深度学习的压缩感知图像重建算法，方法步骤如下：S1：对图像数据进行预处理，包括提取数据的灰度值和对图像进行分块；S2：对已经切分好的图像块进行测量，获得测量矩阵；S3：构建一个10层的深度压缩感知重建网络；S4：在深度学习框架中对10层网络进行训练；S5：在经过深度神经网络后，得到重建图像块，按照索引，对图像块按照原始行列值进行重排；S6：图像块经过重排得到重建图像后，选择BM3D去噪器对图片进行降噪处理，最终得到重建图像。本发明提供的压缩感知图像重建算法，大部分所耗时间在网络训练阶段，待网络训练完成后图像重建速度非常之快。本发明通过深度学习网络取代了传统重建算法，但依然拥有良好的重建精度。
-
公开(公告)号：CN111666996B
公开(公告)日：2023-09-19
申请号：CN202010479743.7
申请日：2020-05-29
Applicant: 湖北工业大学
IPC: G06F18/2415 , G06F18/213 , G06N3/047 , G06N3/0499 , G06N3/084 , G06F18/25 , G10L25/24 , G10L25/27
Abstract: 本发明提出了一种基于attention机制的高精度设备源识别方法。首先，提出在attention机制中加入卷积池化操作来提升特征的表征性，卷积池化层经过训练可以更好的捕捉设备源特征；其次，提出attention机制，使用神经网络为每一种特征自主学习一个权重，从而剔除原始特征数据的冗余信息和干扰数据，实现特征数据的精简；最后，本发明对将MFCC、高斯超矢量和i‑vector三种常见的特征作为设备源特征，并结合attention机制和深度神经网络，用于解决单一特征的局限性。本发明的设备源识别方法与传统设备源识别方法相比能够有效提升系统的识别性能，优化了系统结构，提高了相应设备源识别产品的竞争力。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.019 seconds)
