-
公开(公告)号：CN113655378A
公开(公告)日：2021-11-16
申请号：CN202110819437.8
申请日：2021-07-20
IPC: G01R31/327 , G01H17/00
Abstract: 本发明涉及新能源汽车零件检测技术领域，特别涉及一种新能源电池电动汽车继电器黏连的检测方法。一种新能源电池电动汽车继电器粘连故障的检测方法，应用于纯电动动力大巴车，包括以下步骤：当汽车中央控制单元获取到对继电器发出的控制指令时，启动声音识别装置对继电器的高压触点进行动作声音采样，如未得到所述动作声音采样，则发出警报。本发明通过用识别声音的原理来检测继电器是否粘连，能够实现高低压系统完全隔离，有效检测继电器黏连故障，有效保障维修人员的生命安全。
-
公开(公告)号：CN113655378B
公开(公告)日：2024-04-05
申请号：CN202110819437.8
申请日：2021-07-20
IPC: G01R31/327 , G01H17/00
Abstract: 本发明涉及新能源汽车零件检测技术领域，特别涉及一种新能源电池电动汽车继电器黏连的检测方法。一种新能源电池电动汽车继电器粘连故障的检测方法，应用于纯电动动力大巴车，包括以下步骤：当汽车中央控制单元获取到对继电器发出的控制指令时，启动声音识别装置对继电器的高压触点进行动作声音采样，如未得到所述动作声音采样，则发出警报。本发明通过用识别声音的原理来检测继电器是否粘连，能够实现高低压系统完全隔离，有效检测继电器黏连故障，有效保障维修人员的生命安全。
-
公开(公告)号：CN117493936A
公开(公告)日：2024-02-02
申请号：CN202311516114.7
申请日：2023-11-15
Applicant: 湖州师范学院
IPC: G06F18/24 , G06F18/214 , G06F17/16 , G06F17/18 , G06N3/0464 , G06N3/09
Abstract: 本发明提出了一种融合幅、频、域特征的光谱诊断模型构建方法，包括以下步骤：(1)采集待测物原始光谱数据，作为诊断模型的第一个输入通道；(2)对原始光谱数据进行增强处理，作为诊断模型的第二个输入通道；(3)生成原始光谱的二维交互关系矩阵，作为诊断模型的第三个输入通道；(3)生成原始光谱的二维频率及频率变化矩阵，作为诊断模型的第四个输入通道；(4)基于上述四个特征通道与标签值，构建多元数卷积操作深度神经网络诊断模型。本发明从光谱信号的幅、频、域三个角度入手以充分挖掘原始光谱中潜藏的特征信息，利用多元数卷积操作进一步发挥不同特征的协同作用，从而构建能够适应复杂样本模式与检测环境的光谱诊断模型。
-
公开(公告)号：CN116883527A
公开(公告)日：2023-10-13
申请号：CN202310681500.5
申请日：2023-06-09
Applicant: 湖州师范学院
IPC: G06T11/00 , G06N3/094 , G06N3/0464 , G06N3/0475 , G06N3/045
Abstract: 本发明公开了基于多阶段全维度动态卷积的单样本图像生成模型，包括多阶段生成器G＝{G1,G2,…,GN}和判别器D，所述多阶段生成器G由一个静态卷积模块ConvBlock和若干个全维度动态卷积模块ODConvBlock组成，所述判别器D由两个静态卷积模块ConvBlock和一个卷积操作Conv2D组成。本发明首次在单样本生成模型中引入动态卷积模块，并采用并行学习方式，以此提出基于多阶段全维度动态卷积的单样本图像生成模型，能够从多个阶段的并行训练出发，根据不同的输入内容图像进行自适应地卷积操作，从而有效地捕获更丰富的特征。与当前均采用静态卷积神经网络组成生成器架构的模型相比，MODConvGAN利用动态卷积提取更充分的输入图像特征信息，使得生成图像的质量更高，更具有结构一致性。
-
公开(公告)号：CN115828135A
公开(公告)日：2023-03-21
申请号：CN202211374690.8
申请日：2022-11-04
Applicant: 湖州师范学院
IPC: G06F18/24 , G06F18/2411 , G06N3/048 , G06N3/08
Abstract: 本发明提出了一种基于栈式结构的深度对抗ELM分类方法，包括以下步骤：S1.将多重ELM子模块进行深度堆叠，构建深度栈式网络；S2.以先前紧邻模块的预测作为当前模块的补偿性知识，将附加知识嵌入到原始输入中，从第二个子模块起，每个子模块的输入设置为先前嵌入知识后的输入数据，学习结果用于更新知识；S3.在多重子模块中提供输入样本时，每个子模块中通过污染一定比例的训练标签引入对抗样本，然后利用栈式结构进行逐层训练，生成基于对抗样本学习的深度栈式网络，该方法能够降低深度模型的复杂程度和计算代价，提高预测性能。
-
Patent Agency Ranking
公开(公告)号：CN110287996B
公开(公告)日：2022-12-09
申请号：CN201910445371.3
申请日：2019-05-27
Applicant: 湖州师范学院
Abstract: 本发明公开了一种基于并行学习的具有高可解释性的模糊集成分类器，依次包括以下步骤：零阶TSK模糊分类器的快速构建方法；构建增强验证数据集，对于验证数据集的每个样本，计算对应的每个输出函数的值，并将其值作为原样本的增强特征，从而形成增强验证数据集；在增强验证数据集上对每一类分别调用FCM算法生成一系列代表性的中心点及其对应的标签，并去掉代表性中心点的增强特征；对于任何测试样本，利用KNN找到距离其最近的k个代表性中心点，以确定其类标。采用并行学习方法，运算复杂度较低，结构简单易懂，能够进行快速学习，在处理分类问题上具有良好的性能。
-
公开(公告)号：CN115186731A
公开(公告)日：2022-10-14
申请号：CN202210650416.2
申请日：2022-06-09
Applicant: 湖州师范学院
Abstract: 本发明提出了一种基于多层次特征融合的深度TSK模糊分类器，包括特征学习模块和知识推理模块；所述特征学习模块为基于卷积神经网络的特征学习模，将原始数据作为基于多层次特征融合的深度TSK模糊分类器的输入，特征学习模块采用局部连接的方式(即卷积核)提取局部信息，并通过逐层的神经表达获得隐含层的深度特征从原始数据中自动提取深层特征；所述知识推理模块为基于TSK模糊分类器的知识推理模块，将深度特征作为模糊规则的训练参数，采用FCM聚类算法生成模糊规则的前件参数，利用原始数据对模糊规则的后件参数进行训练。通过融合卷积神经网络的特征提取能力和模糊表示的不确定性处理能力，形成了一种更易于理解的深层TSK模糊分类器。
-
公开(公告)号：CN115064225A
公开(公告)日：2022-09-16
申请号：CN202210677443.9
申请日：2022-06-16
Applicant: 湖州师范学院
Abstract: 本发明提供一种基于图卷积神经网络的共晶预测方法、装置和存储介质，所述方法包括：获取共晶训练样本集中每个分子对中主体分子的第一数据文件和客体分子的第二数据文件；获取每个分子对的预测分子指纹、目标分子特征、目标连接邻接矩阵和目标点云信息；将目标分子特征、目标连接邻接矩阵和目标点云信息输入特征提取模型，得到分子对的初始特征；将分子对的初始特征与所述预测分子指纹进行拼接，得到分子对的特征向量；将每个分子对的特征向量输入图卷积神经网络进行训练，得到共晶预测模型。本发明解决了现有技术中预测效率低的问题，通过图卷积神经网络对分子的特征以及分子指纹进行融合处理，不仅可以提高预测效率，还提高了预测精度。
-
公开(公告)号：CN110298434A
公开(公告)日：2019-10-01
申请号：CN201910445367.7
申请日：2019-05-27
Applicant: 湖州师范学院
Abstract: 本发明公开了一种基于模糊划分和模糊加权的集成深度信念网络，依次包括以下步骤：a)利用模糊聚类算法FCM，将训练数据集划分为K个子集；b)每个子集分别采用不同结构的DBN模型进行建模，每个DBN子模型中每层隐节点数不一样，由此构成了K个DBN模型，各模型独立并行训练；c)将各模型所得结果进行模糊加权形成最终输出。该算法能够有效且快速解决大样本数据的分类问题，克服了单个DBN用于数据分类时时间复杂度较高等缺点，而且，FE-DBN可以避免过拟合问题，具有分类精度高等优点。
-
公开(公告)号：CN103324095B
公开(公告)日：2014-04-02
申请号：CN201310224741.3
申请日：2013-06-06
Applicant: 湖州师范学院
IPC: G05B17/02
Abstract: 本发明公开了一种舰船火灾损管推理仿真控制系统，包括主控制部、若干舱室传感器、传感器状态检测模块、传感器状态提示模块、手动选择模块、3D模型标示模块、火灾及舱室信息显示模块、数据传输模块、火灾损管推理模块和3D仿真模拟灭火模块。本发明把火灾信息发送到火灾损管推理系统得到灭火处理意见，以帮助控制人员快速的做出准确和安全的灭火决策，从而可以减少由于控制人员延误灭火的时机或者作出不正确的决定而造成不必要的人员危害和经济损失，同时对于做出的决策在3D仿真模拟灭火模块中模拟灭火过程，从而实现在仿真模拟的环境下对舰船发生火灾时控制人员和舱室人员的灭火训练，使得他们非常熟悉自己的任务和操作要求，从而提高灭火的效率。
-
-
-
-
-
-
-
-
-
Search Results
45
records
(took 0.095 seconds)
