-
公开(公告)号：CN119666806A
公开(公告)日：2025-03-21
申请号：CN202411880884.4
申请日：2024-12-19
Applicant: 电子科技大学(深圳)高等研究院 , 电子科技大学
Abstract: 本发明公开了一种基于偏振复用自干涉全息的消毒副产物检测装置，属于消毒副产物检测技术领域。本发明所述检测装置包括光源、分光器、滤光片、透镜、两个偏振片、空间光调制器以及CCD相机。光源发出绿色激发光照射到待测水体中，激发暴露在消毒副产物环境中的荧光探针，水体中反射出的黄色荧光经过滤光片、透镜、第一偏振片后到达纯相位型空间光调制器，实现衍射分光和相移，两束光经过第二偏振片后发生干涉，所形成的干涉条纹记录在CCD上，后续在计算机端进行重建，即可获得发光物体的三维信息。本发明所述装置利用全息技术实现无损检测，同时避免传统自干涉全息的碎片化问题，提高图像信噪比，有利于对消毒副产物进行更准确的检测。
-
公开(公告)号：CN118484649B
公开(公告)日：2024-11-01
申请号：CN202410588875.1
申请日：2024-05-13
Applicant: 电子科技大学
IPC: G06F18/21 , G06F18/241
Abstract: 本发明公开了一种压裂设备故障分类模型监控方法，包括以下步骤：S1、特征提取；S2、训练故障分类模型：使用决策树算法特征进行排序并选择排序靠前的五个特征作为分类模型的输入特征；使用决策树算法进行分类建模；S3、对流量数据的方差和峰度进行监控；S4、对当前故障分类模型的各项指标进行探查；S5、对数据的各个特征进行探查；S6、模型运行服务的各项指标监测。本发明从输入数据漂移、特征偏移、模型性能以及模型运行指标四个维度对压裂设备故障分类模型进行监控，当模型发生问题时可以及时采取适当的维护措施来恢复模型性能；使得模型能够持续稳定的运行，保持稳定的预测效果，及时输出故障诊断结果。
-
公开(公告)号：CN117542535A
公开(公告)日：2024-02-09
申请号：CN202410032753.4
申请日：2024-01-10
Applicant: 电子科技大学
Abstract: 本申请涉及一种临床路径校正方法及其装置，属于临床路径技术领域，该方法包括获取医院上传的任一患者的患者病历，从DRG数据库中查找匹配的第一患者，从DIP数据库中查找匹配的第二患者，计算实际临床路径与第一患者的实际临床路径的第一相似度，和与第二患者的实际临床路径的第二相似度，计算第一平均相似度和第二平均相似度，基于目标第一患者的数量以及目标第二患者的数量确定第一权重和第二权重，基于第一权重、第二权重、第一平均相似度和第二平均相似度计算实际临床路径的第一得分，基于第一得分对任一患者的实际临床路径进行校正。本申请能够便于后续规范和校正与该患者情况接近且所患病种相同的临床路径。
-
公开(公告)号：CN116152441A
公开(公告)日：2023-05-23
申请号：CN202310277429.4
申请日：2023-03-21
Applicant: 电子科技大学
IPC: G06T17/00 , G06N3/0464 , G06N3/08
Abstract: 本发明公开一种基于深度先验的多分辨率U‑net曲面重建方法，应用于地质研究与勘探数据处理领域，针对现有技术存在的重建精度不高的问题；本发明将残缺的图像数据作为多分辨率U‑net网络的学习目标，以达到让多分辨率U‑net网络捕获先验信息的目的，再通过多分辨率U‑net网络对先验信息的学习，将输入图像进行分块，对各局部块数据进行反复迭代得到局部重建结果，再进行局部结果拼接，最终得到重建结果图；因为多分辨率U‑net网络是无监督式网络，使用该网络对层位进行重建，可以规避构建大型训练数据集遇到的问题，并且引入了空洞卷积以及新的损失函数，使得对层位曲面重建的准确性得到了提升。
-
公开(公告)号：CN115757534A
公开(公告)日：2023-03-07
申请号：CN202211286414.6
申请日：2022-10-20
Applicant: 电子科技大学
IPC: G06F16/2458 , G06N3/0464 , G01N33/00
Abstract: 本发明公开一种基于潜在源贡献分析的深度学习模型的空气质量预测方法，应用于空气质量预测技术领域，针对现有技术在空间上仅考虑研究对象的地理距离，缺乏更深层次的对其空间扩散影响的探讨的问题；本发明利用基于气流轨迹的潜在源贡献分析，构建空间影响图来表示城市间的空间相关性；再通过使用图卷积算法从空间影响图结合各城市的污染状况，从中提取有效的空间特征,并采用长短期记忆模型来学习以往空气中污染物浓度数据中的时间特征,产生预测结果首先利用潜在源贡献分析的结果，作用于图卷积网络，再结合长短期记忆模型进行城市大气污染数据的预测；采用本发明的方法能对城市大气污染物进行时空尺度上的精确预测。
-
Patent Agency Ranking
公开(公告)号：CN115146874A
公开(公告)日：2022-10-04
申请号：CN202210925957.1
申请日：2022-08-03
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于多图卷积网络的河流水质预测方法，包括以下步骤：S1、构建距离图、土地利用相似图和排污企业类型相似图；S2、筛选与水质相关性较高的气象数据，将水质指标时间序列数据和筛选出来的气象时间序列数据作为时间特征数据；S3、进行多图融合卷积操作，提取空间特征；S4、将空间特征和时间特征数据输入到时间卷积网络中进行训练，实现监测站点处的水质预测。本发明将多图卷积网络和时间卷积网络应用于河流监测站点水质数据的预测，从空间维度和时间维度出发，充分捕捉河流站点水质的时空特征，时间卷积网络对于时间序列的预测可以很好地抑制网络层增加带来的梯度消失或者爆炸的问题，有利于提高河流水质的预测精度和效率。
-
公开(公告)号：CN114677606A
公开(公告)日：2022-06-28
申请号：CN202210457915.X
申请日：2022-04-28
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于注意力机制的双分支网络的柑橘细粒度病害智能识别方法，具体采用CBAM注意力机制用于增强提取柑橘病害专业化特征的能力，并通过构建双分支网络，设计浅层分支以更好的提取柑橘病害的细节纹理、轮廓等信息，运用SE注意力模块将双分支网络融合后的特征进行通道权重的重分配，以实现针对柑橘病虫害微小病斑的精准分割，最后针对不同病害的呈现形式，分别采用计算病斑与叶片面积占比和计算病斑个数的方式判断病害的病情严重程度。本发明的方法具有较高的分割精度，能够精准的分割叶片病斑，同时针对病害的病情程度可以做到相对自主客观的判别。
-
公开(公告)号：CN119181475A
公开(公告)日：2024-12-24
申请号：CN202411180251.2
申请日：2024-08-27
Applicant: 电子科技大学
IPC: G16H40/20 , G16H50/20 , G16H50/70 , G06F18/243 , G06F18/27 , G06N3/0442 , G06N3/09
Abstract: 本发明提供一种基于机器学习的周末效应下住院资源调配方法，使用机器学习方法构建的周末效应下住院患者离院方式预测框架，从而完成对住院资源的调配。先利用随机森林算法识别出影响离院方式的关键因素；利用贝叶斯因果网络和因果森林模型探索关键因素之间的因果关系；再利用向量自回归模型分析时间序列数据，捕捉各变量之间的动态关系，应用动态时间规整技术衡量不同患者入院和手术过程的相似性，生成时间序列相似性特征；将关键特征、因果关系特征和时间序列特征进行合并输入到长短期记忆网络模型中，输出患者的离院方式，长短期记忆网络模型能够处理复杂的时序数据，提高预测的准确性，为完善住院资源调配提供基础。
-
公开(公告)号：CN118378719A
公开(公告)日：2024-07-23
申请号：CN202410428034.4
申请日：2024-04-10
Applicant: 电子科技大学
IPC: G06N20/00 , G06F18/23213 , G06Q10/10 , G06F18/214 , G06F18/243 , G06F8/41 , G06F8/36
Abstract: 本发明公开了一种机器学习工作流构建方法，包括以下步骤：步骤1、构建算子，包括如下子步骤：步骤11、定义数据加载算子；步骤12、定义kmeans聚类模型算子；步骤13、数据标注及类别平衡处理算子的定义；步骤14、构建决策树分类模型算子；步骤15、模型预测算子的定义；步骤2、定义算子之间的连接和依赖关系，定义一个有向无环图DAG，其中节点代表算子，边代表算子之间的依赖关系；步骤3、编译工作流；步骤4、执行工作流，训练模型；步骤5、提交计算任务。本发明通过复用已有的工作流模板，建模人员可以快速构建新的工作流，减少重复劳动。
-
公开(公告)号：CN116152441B
公开(公告)日：2023-11-14
申请号：CN202310277429.4
申请日：2023-03-21
Applicant: 电子科技大学
IPC: G06T17/00 , G06N3/0464 , G06N3/08
Abstract: 本发明公开一种基于深度先验的多分辨率U‑net曲面重建方法，应用于地质研究与勘探数据处理领域，针对现有技术存在的重建精度不高的问题；本发明将残缺的图像数据作为多分辨率U‑net网络的学习目标，以达到让多分辨率U‑net网络捕获先验信息的目的，再通过多分辨率U‑net网络对先验信息的学习，将输入图像进行分块，对各局部块数据进行反复迭代得到局部重建结果，再进行局部结果拼接，最终得到重建结果图；因为多分辨率U‑net网络是无监督式网络，使用该网络对层位进行重建，可以规避构建大型训练数据集遇到的问题，并且引入了空洞卷积以及新的损失函数，使得对层位曲面重建的准确性得到了提升。
-
-
-
-
-
-
-
-
-
Search Results
29
records
(took 0.02 seconds)
