-
公开(公告)号：CN117498543A
公开(公告)日：2024-02-02
申请号：CN202311406235.6
申请日：2023-10-27
Applicant: 中国矿业大学
IPC: H02J13/00 , H02J3/00 , G01R21/00 , G06Q10/0637 , G06Q50/06 , G06F18/25 , G06N3/0464 , G06N3/09
Abstract: 本发明公开了一种基于任务特征融合的非侵入式负荷监测功率分解方法，将每个家电的功率分解视为一个子任务，构建基于多任务学习的多家电功率分解模型。设计的模型包括一个共性特征矩阵提取分支和多个个性任务提取分支，分别提取所有家电都需要的共性特征矩阵和个别家电需要的个性特征矩阵，然后将每个家电的个性特征矩阵和共性特征矩阵融合在一起用于每个子任务的功率分解。通过特征融合的方式不仅可以将各个子任务关联起来，并且丰富了家电功率分解特征。本发明增强了功率分解模型的泛化能力，减少了需要多次训练模型的训练时间和训练参数，提高了家电功率分解的准确性。
-
公开(公告)号：CN117498543B
公开(公告)日：2024-06-07
申请号：CN202311406235.6
申请日：2023-10-27
Applicant: 中国矿业大学
IPC: H02J13/00 , H02J3/00 , G01R21/00 , G06Q10/0637 , G06Q50/06 , G06F18/25 , G06N3/0464 , G06N3/09
Abstract: 本发明公开了一种基于任务特征融合的非侵入式负荷监测功率分解方法，将每个家电的功率分解视为一个子任务，构建基于多任务学习的多家电功率分解模型。设计的模型包括一个共性特征矩阵提取分支和多个个性任务提取分支，分别提取所有家电都需要的共性特征矩阵和个别家电需要的个性特征矩阵，然后将每个家电的个性特征矩阵和共性特征矩阵融合在一起用于每个子任务的功率分解。通过特征融合的方式不仅可以将各个子任务关联起来，并且丰富了家电功率分解特征。本发明增强了功率分解模型的泛化能力，减少了需要多次训练模型的训练时间和训练参数，提高了家电功率分解的准确性。
-
公开(公告)号：CN118537932B
公开(公告)日：2025-03-07
申请号：CN202410716512.1
申请日：2024-06-04
Applicant: 中国矿业大学
IPC: G06V40/70 , G06V40/14 , G06V40/12 , G06V10/774 , G06V10/82 , G06V10/80 , G06N3/045 , G06N3/0464 , G06N3/0895
Abstract: 本发明公开了一种基于特征解耦的缺失模态下掌纹掌静脉融合识别方法，针对目前模态缺失下多模态融合方法存在的问题：(1)利用生成式的方法，对于每一种缺失模态都需要设计一个生成模型，导致整体模型庞大，不太适用于实际应用；(2)大多数模态缺失方法是指定缺失模态的，限制了灵活性。针对上述问题，本发明使用简单的网络模型，设计对比学习损失和模态间身份一致性损失解耦共享特征和特定特征并构建在特征层的掌纹跨模态生成器或掌静脉跨模态生成器，利用已知模态特征补全对缺失模态特征。不同于现有方法，本发明提出的多模态融合方法具有卓越的鲁棒性，对于在测试集任意模态缺失的情况，仍能取得准确的识别结果，满足多样化应用场景的需求。
-
公开(公告)号：CN118537932A
公开(公告)日：2024-08-23
申请号：CN202410716512.1
申请日：2024-06-04
Applicant: 中国矿业大学
IPC: G06V40/70 , G06V40/14 , G06V40/12 , G06V10/774 , G06V10/82 , G06V10/80 , G06N3/045 , G06N3/0464 , G06N3/0895
Abstract: 本发明公开了一种基于特征解耦的缺失模态下掌纹掌静脉融合识别方法，针对目前模态缺失下多模态融合方法存在的问题：(1)利用生成式的方法，对于每一种缺失模态都需要设计一个生成模型，导致整体模型庞大，不太适用于实际应用；(2)大多数模态缺失方法是指定缺失模态的，限制了灵活性。针对上述问题，本发明使用简单的网络模型，设计对比学习损失和模态间身份一致性损失解耦共享特征和特定特征并构建在特征层的掌纹跨模态生成器或掌静脉跨模态生成器，利用已知模态特征补全对缺失模态特征。不同于现有方法，本发明提出的多模态融合方法具有卓越的鲁棒性，对于在测试集任意模态缺失的情况，仍能取得准确的识别结果，满足多样化应用场景的需求。
-
-
-
Search Results
4
records
(took 0.021 seconds)
