-
公开(公告)号：CN109615121B
公开(公告)日：2024-01-23
申请号：CN201811423659.2
申请日：2018-11-27
Applicant: 西安理工大学
IPC: G06F18/2411 , G06F30/20
Abstract: 本发明公开的基于数据驱动支持向量机的高速列车车轴温度预测方法：首先，通过传感器采集车轴温度与影响车轴温度变化的因素，并对采集到的实时数据进行数据预处理；其次，利用互信息和皮尔逊相关系数得到车轴温度与其他影响车轴温度变化的因素的相关性，筛选出与车轴温度变化相关性大的因素以及相关性小的因素；然后，利用支持向量回归机选择用于车轴温度预测模型的核函数，建立车轴温度预测模型；最后，将待测数据代入建立的车轴温度预测模型中，得到车轴温度的预测值。本发明公开的方法能够分析出对车轴温度变化影响显著的因素，可以为轴温报警器工作提供理论支持，同时保障列车的安全运行。
-
公开(公告)号：CN117034071A
公开(公告)日：2023-11-10
申请号：CN202310582943.9
申请日：2023-05-23
Applicant: 西安理工大学
IPC: G06F18/24 , G06F18/214 , G06N3/094 , G06F18/243
Abstract: 本发明公开了基于深度神经网络的对抗样本检测方法，旨在有效检测对神经网络模型产生误导性预测结果的对抗样本；首先基于神经网络输出的一阶梯度与二阶梯度来检测对抗样本，然后，通过准备常用的对抗样本攻击方法和原始样本数据集，生成不同攻击方法得到的对抗样本数据集，并与原始样本集合并，计算支持集样本的一阶梯度与二阶梯度的模长与方差作为特征，并使用该样本是否为对抗样本作为标签，得到检测器训练集；最后，利用检测器训练集训练XGBOOST模型，得到对抗样本检测器，从而对待检测样本进行检测，该方法具有较高的检测准确率，检测速度较快，可广泛应用于离线、在线等图像任务的对抗样本防御场景中。
-
公开(公告)号：CN112669915A
公开(公告)日：2021-04-16
申请号：CN202011230888.X
申请日：2020-11-06
Applicant: 西安理工大学
Abstract: 本发明公开了一种基于神经网络与近红外光谱的梨无损检测方法，首先在实际的分选线运作过程中，获取对于每一个样本而言最具有代表性的近红外光谱，构建初始数据集；并进行预处理；然后使用区间选择、波长选择组合的方式对整个光谱波长区间进行特征选择，并根据选择结果构建特征数据集；按照K折检验法多次划分，得到多组训练、测试数据集，训练、测试数据集的输入特征为特征数据集中处理后的光谱数据，标签为糖度与是否含有霉心病；最后构建两个神经网络模型，用于预测糖度与是否患有霉心病的模型用于后续实际检测，本发明以较高的准确度检测糖度与霉心病，为分选线的品质筛选提供强有力的依据，为农业产品的销售提供极大的便利。
-
公开(公告)号：CN105046210B
公开(公告)日：2018-07-06
申请号：CN201510377612.7
申请日：2015-07-01
Applicant: 西安理工大学
IPC: G06K9/00
Abstract: 本发明公开的列车空调故障的多标签诊断方法，首先以临近支持向量机为基本分类算法建立多标签分类机制，然后采集列车空调机组实际正常运行数据与多种故障运行数据作为训练样本，学习训练得到多个单标签子分类器，最后利用列车空调机组实际运行数据作为这些单标签子分类器的输入，得到多个子分类结果向量，这个结果即是多标签分类问题的解。本发明列车空调故障的多标签诊断方法不仅提高了故障诊断的精度，而且诊断结果更全面。
-
公开(公告)号：CN106372450A
公开(公告)日：2017-02-01
申请号：CN201610982171.8
申请日：2016-11-09
Applicant: 西安理工大学
IPC: G06F19/00
CPC classification number: G16Z99/00
Abstract: 本发明公开了一种基于逐步回归分析的高速列车车轴温度预测方法，对从高速列车采集车轴温度以及影响车轴温度变化的因素的数据进行插值处理和标准化变换，建立相关系数矩阵R(0)；通过逐步回归分析，筛选出对车轴温度变化影响显著的因素；利用这些因素以及标准化回归方程，建立轴温预测方程；最后将筛选后得到的相关因素的数据代入轴温预测方程，得到车轴温度的预测值。本发明的预测方法能够准确预测出车轴温度的变化趋势，为车轴的运行和维护提供一定的理论基础。
-
Patent Agency Ranking
公开(公告)号：CN106226097A
公开(公告)日：2016-12-14
申请号：CN201610822136.X
申请日：2016-09-14
Applicant: 西安理工大学
IPC: G01M17/08
CPC classification number: G01M17/08
Abstract: 本发明公开的基于隐马尔可夫模型的高速列车风管安全状态诊断方法，以高速列车风管压力监测数据为基础，首先通过临近插值、smooth平滑处理，然后利用高速列车风管压力监测数据对隐马尔可夫模型进行训练并训练出若干故障模型，然后将监测数据带入故障模型求取似然概率，最后通过对比似然概率找出当前系统所处的安全状态。本发明基于隐马尔可夫模型的高速列车风管安全状态诊断方法能有效的反映出高速列车风管的隐状态，进而可以反映出高速列车风管的安全状态，为车辆的异常发现，现场的故障分析、排除，故障前特征判定与预警提供理论支持。
-
公开(公告)号：CN105160345A
公开(公告)日：2015-12-16
申请号：CN201510377280.2
申请日：2015-07-01
Applicant: 西安理工大学
IPC: G06K9/62
CPC classification number: G06K9/6269
Abstract: 本发明公开的一种诊断列车空调机组故障的方法，首先依据列车空调机组实际正常运行数据与多种故障运行数据的分布特征，构建多组先验知识；然后基于这多组先验知识得到等式约束；最后利用列车空调机组实际运行数据和这些等式约束，构建基于先验知识的列车空调机组故障诊断模型。本发明的一种诊断列车空调机组故障的方法提高了列车空调机组故障诊断的精度。
-
公开(公告)号：CN105046210A
公开(公告)日：2015-11-11
申请号：CN201510377612.7
申请日：2015-07-01
Applicant: 西安理工大学
IPC: G06K9/00
CPC classification number: G06K9/6269
Abstract: 本发明公开的列车空调故障的多标签诊断方法，首先以临近支持向量机为基本分类算法建立多标签分类机制，然后采集列车空调机组实际正常运行数据与多种故障运行数据作为训练样本，学习训练得到多个单标签子分类器，最后利用列车空调机组实际运行数据作为这些单标签子分类器的输入，得到多个子分类结果向量，这个结果即是多标签分类问题的解。本发明列车空调故障的多标签诊断方法不仅提高了故障诊断的精度，而且诊断结果更全面。
-
公开(公告)号：CN118114125B
公开(公告)日：2024-07-05
申请号：CN202410517797.6
申请日：2024-04-28
Applicant: 西安理工大学
IPC: G06F18/241 , G06F18/214 , G06N3/044 , G06N3/08 , G16B20/30 , G16B40/00
Abstract: 本发明提供了一种基于增量学习的miRNA及其异构体家族信息识别方法，具体包括：构建miRNA成熟体及其异构体的家族信息识别问题的基准数据集；构建基于增量学习的miRNA成熟体及其异构体家族信息识别的基准模型；选取旧基准模型所使用的旧类别数据，和新类别数据合并，构建增量学习数据集；在全连接层添加新类别数量维度，在偏差校正层开放对新类别的校正函数，更新家族信息识别模型；将增量学习数据集输入到新家族信息识别模型，在损失函数约束下进行训练；最后将待分类miRNA序列输入到训练后的模型中，进行序列家族信息识别，得到家族分类结果。本发明可用于鉴定miRNA成熟体和异构体的家族归属，使得多分类问题结果更为可靠和可信，降低系统误差。
-
公开(公告)号：CN112669915B
公开(公告)日：2024-03-29
申请号：CN202011230888.X
申请日：2020-11-06
Applicant: 西安理工大学
IPC: G16C20/70 , G16C20/20 , G06N3/045 , G06N3/084 , G06N3/0985 , G06N3/126 , G06N20/10 , G01N21/359
Abstract: 本发明公开了一种基于神经网络与近红外光谱的梨无损检测方法，首先在实际的分选线运作过程中，获取对于每一个样本而言最具有代表性的近红外光谱，构建初始数据集；并进行预处理；然后使用区间选择、波长选择组合的方式对整个光谱波长区间进行特征选择，并根据选择结果构建特征数据集；按照K折检验法多次划分，得到多组训练、测试数据集，训练、测试数据集的输入特征为特征数据集中处理后的光谱数据，标签为糖度与是否含有霉心病；最后构建两个神经网络模型，用于预测糖度与是否患有霉心病的模型用于后续实际检测，本发明以较高的准确度检测糖度与霉心病，为分选线的品质筛选提供强有力的依据，为农业产品的销售提供极大的便利。
-
-
-
-
-
-
-
-
-
Search Results
24
records
(took 0.023 seconds)
