-
公开(公告)号：CN114372495B
公开(公告)日：2022-05-27
申请号：CN202210280458.1
申请日：2022-03-22
Applicant: 湖南大学
Abstract: 本发明公开了一种基于深度空间残差学习的电能质量扰动分类方法及系统，本发明包括将多种类型的电能质量扰动信号输入预先训练好的深度空间残差模型来将获得电能质量扰动信号的分类结果，深度空间残差模型包括：空间残差模块，用于提取空间信息；特征融合模块，主要用于融合输入电能质量扰动信号数据的空间信息和序列信息；特征提取模块用于提取特异性特征；分类模块用于区分出不同类别的电能质量扰动信号得到分类结果。本发明能够自动提取扰动信号特征，不用人工参与设计特征，避免了人工设计特征的繁琐步骤，而且本发明方法具有很好的抗干扰能力以及精准的分类检测能力，在强噪声环境下能够对多种复杂的电能质量扰动信号实现精准的分类。
-
Patent Agency Ranking
公开(公告)号：CN113254596A
公开(公告)日：2021-08-13
申请号：CN202110689564.0
申请日：2021-06-22
Applicant: 湖南大学
IPC: G06F16/33 , G06F16/35 , G06F40/216 , G06F40/242 , G06F40/289 , G06F40/30 , G06N3/04 , G06K9/62 , G06N3/08
Abstract: 本发明公开了一种基于规则匹配和深度学习的用户质检需求分类方法及系统，本发明方法包括对待分类文本与各个行业的专有名词词典进行匹配，并计算与各个行业对应的行业标签之间匹配的行业概率值Pi，选择最大行业概率值P；若最大行业概率值P大于等于预设阈值G，则将最大行业概率值P对应的行业标签作为分类结果输出；否则，对待分类文本利用深度学习模型预测行业标签并计算预测的行业概率值H；针对最大行业概率值P、预测的行业概率值H两者，选择其中概率较大者所对应的行业标签作为最终的分类结果输出。本发明能够针对用户质检需求文本实现质检需求文本按所属行业自动、准确的分类。
-
公开(公告)号：CN114372495A
公开(公告)日：2022-04-19
申请号：CN202210280458.1
申请日：2022-03-22
Applicant: 湖南大学
Abstract: 本发明公开了一种基于深度空间残差学习的电能质量扰动分类方法及系统，本发明包括将多种类型的电能质量扰动信号输入预先训练好的深度空间残差模型来将获得电能质量扰动信号的分类结果，深度空间残差模型包括：空间残差模块，用于提取空间信息；特征融合模块，主要用于融合输入电能质量扰动信号数据的空间信息和序列信息；特征提取模块用于提取特异性特征；分类模块用于区分出不同类别的电能质量扰动信号得到分类结果。本发明能够自动提取扰动信号特征，不用人工参与设计特征，避免了人工设计特征的繁琐步骤，而且本发明方法具有很好的抗干扰能力以及精准的分类检测能力，在强噪声环境下能够对多种复杂的电能质量扰动信号实现精准的分类。
-
公开(公告)号：CN113254596B
公开(公告)日：2021-10-08
申请号：CN202110689564.0
申请日：2021-06-22
Applicant: 湖南大学
IPC: G06F16/33 , G06F16/35 , G06F40/216 , G06F40/242 , G06F40/289 , G06F40/30 , G06N3/04 , G06K9/62 , G06N3/08
Abstract: 本发明公开了一种基于规则匹配和深度学习的用户质检需求分类方法及系统，本发明方法包括对待分类文本与各个行业的专有名词词典进行匹配，并计算与各个行业对应的行业标签之间匹配的行业概率值Pi，选择最大行业概率值P；若最大行业概率值P大于等于预设阈值G，则将最大行业概率值P对应的行业标签作为分类结果输出；否则，对待分类文本利用深度学习模型预测行业标签并计算预测的行业概率值H；针对最大行业概率值P、预测的行业概率值H两者，选择其中概率较大者所对应的行业标签作为最终的分类结果输出。本发明能够针对用户质检需求文本实现质检需求文本按所属行业自动、准确的分类。
-
公开(公告)号：CN117556715B
公开(公告)日：2024-03-26
申请号：CN202410044729.2
申请日：2024-01-12
Applicant: 湖南大学
IPC: G06F30/27 , G06N3/0464 , G06N3/08 , G06F18/213 , G06F18/21 , G06F18/25 , G06F119/04
Abstract: 本发明公开了一种基于信息融合的典型环境下智能电表退化分析方法及系统，本发明方法包括采用多尺度复合卷积神经网络模型来融合输入的时间t、温度T、湿度H获得输出的智能电表测量误差y，多尺度复合卷积神经网络模型针对输入的时间t、温度T、湿度H采用独立的特征多尺度复合卷积层分别提取特征并将特征融合后用于预测输出智能电表测量误差y，特征多尺度复合卷积层包括采用一维复合卷积通过组合标准卷积与扩张卷积在提高信息感受野的同时减少特征盲点。本发明旨在提高传统卷积神经网络的特征提取与多源信息融合性能，充分考虑多源输入特征差异性实现信息融合与特征互补，提高对智能电表退化趋势预测的准确性与可靠性。
-
公开(公告)号：CN117556715A
公开(公告)日：2024-02-13
申请号：CN202410044729.2
申请日：2024-01-12
Applicant: 湖南大学
IPC: G06F30/27 , G06N3/0464 , G06N3/08 , G06F18/213 , G06F18/21 , G06F18/25 , G06F119/04
Abstract: 本发明公开了一种基于信息融合的典型环境下智能电表退化分析方法及系统，本发明方法包括采用多尺度复合卷积神经网络模型来融合输入的时间t、温度T、湿度H获得输出的智能电表测量误差y，多尺度复合卷积神经网络模型针对输入的时间t、温度T、湿度H采用独立的特征多尺度复合卷积层分别提取特征并将特征融合后用于预测输出智能电表测量误差y，特征多尺度复合卷积层包括采用一维复合卷积通过组合标准卷积与扩张卷积在提高信息感受野的同时减少特征盲点。本发明旨在提高传统卷积神经网络的特征提取与多源信息融合性能，充分考虑多源输入特征差异性实现信息融合与特征互补，提高对智能电表退化趋势预测的准确性与可靠性。
-
-
-
-
-
Search Results
6
records
(took 0.016 seconds)
