-
公开(公告)号：CN119221737A
公开(公告)日：2024-12-31
申请号：CN202411591455.5
申请日：2024-11-08
Applicant: 北京工业大学 , 中铁建设集团有限公司 , 中铁建设集团北京工程有限公司
Abstract: 本申请涉及结构工程技术领域，具体涉及一种装配式钢框架站台结构体系和其加工制作方法，包括钢梁模块、板模块和多个站台柱模块；板模块包括叠合板，叠合板包括多个预制板和现浇层，多个预制板铺设在钢梁模块上，预制板上设置预留钢筋，现浇层设置在预制板上；站台柱模块包括混凝土柱和钢管柱，混凝土柱的底端与地面固定连接，钢管柱的一端与板模块连接，另一端与混凝土柱连接，钢梁模块与钢管柱连接。本申请中的装配式钢框架站台结构体系中的钢梁模块和钢管柱均在工厂加工，在现场连接装配。能够提升装配速度，缩短施工工期，同时保证工程质量。
-
公开(公告)号：CN118133983A
公开(公告)日：2024-06-04
申请号：CN202410049729.1
申请日：2024-01-12
Applicant: 北京工业大学
IPC: G06N20/00 , G06F18/22 , G06F18/231 , A61B5/00
Abstract: 一种基于集群联邦学习的睡眠分期方法涉及联邦学习领域，本发明利用集群联邦学习架构进行各医疗机构间的协同训练及模型参数共享，客户端无需上传原始数据至服务器端进行集中式训练，在机构利用本地数据进行小批量训练，并上传模型参数至云端聚合，云端将聚合后的参数再次下发至各客户端，迭代进行上述流程，直至模型收敛。此架构既能提升睡眠分期任务的训练精度，同时解决了睡眠数据共享意愿低而带来的数据孤岛问题。其次，本发明以客户端的本地训练损失值来衡量机构所掌握的数据质量，并以损失值的中位数作为基准，以标准差在损失中位数周围划定区域，对每个客户端损失值与中心损失值的距离取反进行加权。进行模型参数的全局聚合，实现有效调度。
-
公开(公告)号：CN113158964A
公开(公告)日：2021-07-23
申请号：CN202110494434.1
申请日：2021-05-07
Applicant: 北京工业大学
Abstract: 本发明提出了一种基于残差学习和多粒度特征融合的睡眠分期方法，属于信号处理和模式识别领域。首先，对原始睡眠脑电信号进行预处理，获得若干睡眠脑电信号数据样本，且每一个数据样本包含N个通道的数据。接下来，对每一个数据样本的N个通道数据分别进行HHT获得N个脑电数据的时频矩阵特征。最后，将所有样本的上述时频矩阵特征送入基于残差学习和多粒度特征融合的睡眠分期网络中，完成睡眠脑电信号的多粒度特征提取和分类任务。本发明能够在自适应提取到的睡眠脑电信号时频特征上高效融合不同粒度特征，实验证明本发明提出的网络训练速度快，对专家先验知识依赖少，有效提升了现有自动化睡眠分期方法的分类性能和效率。
-
公开(公告)号：CN112989918A
公开(公告)日：2021-06-18
申请号：CN202011558723.5
申请日：2020-12-25
Applicant: 北京工业大学
Abstract: 本发明涉及一种基于核递推最小二乘自适应追踪算法的脑电信号在线预测方法，用于解决在线检测的脑电信号存在不准确、缺失的问题。包括训练和预测两个阶段，训练阶段包括生成脑电信号标签；选择回遗忘策略，更新中间参数；对脑电信号进行在线预测，得到无噪声方差、预测的平均输出信号片段和预测的方差；计算当次迭代的预测的输出信号片段与输出脑电时序序列片段标签之根均方误差，并调节中间参数，如果所有样本中所有片段的根均方误差达到最小，则训练完成，进行在线预测阶段；否则继续训练；本发明实现了脑电信号的预测，解决了脑电信号测量不准确，信号缺失的问题。
-
公开(公告)号：CN112800977A
公开(公告)日：2021-05-14
申请号：CN202110130937.0
申请日：2021-01-30
Applicant: 北京工业大学
Abstract: 一种基于多粒度卷积神经网络剪枝的教师板书动作识别方法属于深度学习领域。本发明结合智慧教育中的教室精品课程智能化录制这一实际应用，将多粒度卷积神经网络剪枝应用到人体动作识别算法中，从而提升人体动作识别算法的处理速度。教书板书动作识别算法分为三步：OpenPose进行特征提取，坐标归一化以及BP神经网络分类。此外，在OpenPose的算法中，我们使用了基于滤波器级和连接级的多粒度卷积神经网络剪枝框架对OpenPose的骨干网络进行压缩，设计并实现了相应的训练策略，实现了两类剪枝方法的结合。最终实验结果表明网络剪枝的准确率和速度完全满足实际应用的需求。
-
Patent Agency Ranking
公开(公告)号：CN112950656B
公开(公告)日：2024-11-29
申请号：CN202110253729.X
申请日：2021-03-09
Applicant: 北京工业大学
Abstract: 一种基于FPGA平台的按通道进行预读取数据的分块卷积方法属于基于硬件的神经网络的定制化优化加速领域。本发明利用FPGA的高灵活性，对整个计算过程进行定制化设计，以提高整个推断过程的计算速度。在数据预读取方面，将特征图进行分块，从而消除传统卷积过程中的各层之间的依赖性，并且以按通道读取的方式进行数据读取，减少缓存的占用；在卷积过程中，利用循环流水和循环展开来充分利用FPGA的大量计算资源，增加计算的并行力度。同时为了使得流水线的流水间隔为1，本发明把并行循环展开层调整到最内层循环中。此种方法充分利用了数据局部性，并降低了硬件所需数据带宽，提高了计算吞吐率。
-
公开(公告)号：CN113269021B
公开(公告)日：2024-03-01
申请号：CN202110293554.5
申请日：2021-03-18
Applicant: 北京工业大学
IPC: G06V20/40 , G06V10/774 , G06V10/82 , G06N3/02 , G06N3/084
Abstract: 本发明公开了一种基于局部全局记忆机制的非监督视频目标分割方法，属于特征学习和视频目标分割技术领域。该方法首先提取一对相同视频的嵌入特征。然后选择该视频中的全局记忆候选帧，提取全局记忆候选特征。每个全局记忆候选特征对应图卷积网络对应的每个节点，增强后的全局记忆特征表达。通过局部记忆模块提取一对帧之间的互注意力信息，交替看作注意力机制中的目标和查找角色来互注意增强。最后经过解码器得到预测的目标掩码，使用交叉熵损失计算损失并更新整个模型从而得到最终分割网络。本发明同时考虑局部和全局记忆机制，同时获得可靠的短时与长时的视频帧间相关性信息，从而实现非监督视频目标分割。
-
公开(公告)号：CN115563536A
公开(公告)日：2023-01-03
申请号：CN202211194417.7
申请日：2022-09-28
Applicant: 北京工业大学
IPC: G06F18/241 , G06F18/10 , G06N3/0464 , G06N3/084 , G01M13/045
Abstract: 基于子域自适应的滚动轴承故障诊断方法，属于深度学习领域。传统的轴承故障诊断方法在已标记的故障数据充足的情况下训练神经网络获得故障诊断模型，但实际场景中，设备往往提供不了大量标记数据。本发明可以在现有的故障诊断模型的基础上，通过迁移学习获得针对新的与原先分布不同的无标记数据的诊断模型，为实际工况下标记不足数据的故障诊断提供一种更有效地诊断工具。基于子域自适应的轴承故障诊断算法分为四步：卷积神经网络进行特征提取；计算源域与目标域的局部最大均值差异；训练深度子域卷积神经网络；最后使用训练获得的模型进行故障诊断。实验结果表明轴承故障诊断的准确率完全满足实际应用的需求。
-
公开(公告)号：CN114529975A
公开(公告)日：2022-05-24
申请号：CN202210183736.1
申请日：2022-02-25
Applicant: 北京工业大学
IPC: G06V40/16 , G06F17/16 , G06K9/62 , G06V10/762 , G06V10/74 , G06V10/764
Abstract: 本发明涉及一种应用于人脸识别的自适应快速无监督特征选择方法，用于解决高维度人脸图像中往往存在大量无意义和冗余特征导致分析困难的问题。具体方案为首先提出一种自适应快速密度峰值聚类方法对人脸图像特征进行聚类操作，然后定义特征重要性评价函数，在每个特征簇中选择出最具代表性特征，加入特征子集，完成特征选择。实施本发明能够达到得到的特征子集更精确，特征选择更快速的效果。
-
公开(公告)号：CN113269021A
公开(公告)日：2021-08-17
申请号：CN202110293554.5
申请日：2021-03-18
Applicant: 北京工业大学
Abstract: 本发明公开了一种基于局部全局记忆机制的非监督视频目标分割方法，属于特征学习和视频目标分割技术领域。该方法首先提取一对相同视频的嵌入特征。然后选择该视频中的全局记忆候选帧，提取全局记忆候选特征。每个全局记忆候选特征对应图卷积网络对应的每个节点，增强后的全局记忆特征表达。通过局部记忆模块提取一对帧之间的互注意力信息，交替看作注意力机制中的目标和查找角色来互注意增强。最后经过解码器得到预测的目标掩码，使用交叉熵损失计算损失并更新整个模型从而得到最终分割网络。本发明同时考虑局部和全局记忆机制，同时获得可靠的短时与长时的视频帧间相关性信息，从而实现非监督视频目标分割。
-
-
-
-
-
-
-
-
-
Search Results
38
records
(took 0.031 seconds)
