一种基于知识图谱的岭南文化可视化展示方法及系统

    公开(公告)号:CN119940517A

    公开(公告)日:2025-05-06

    申请号:CN202510020732.5

    申请日:2025-01-07

    Abstract: 本发明公开了一种基于知识图谱的岭南文化可视化展示方法及系统,属于文化可视化技术领域,能够提高岭南文化可视化展示效果;包括获取来自多个数据源的岭南文化原始数据,并对原始数据进行数据清洗;将清洗后的数据统一转换预设的标准格式,得到初步处理数据;依据预设的分类规则,对初步处理数据进行分类,形成多个数据类别;针对每个数据类别,提取关键特征,并构建特征向量;通过预设的聚类算法,对特征向量进行聚类分析,确定数据簇;基于数据簇,构建动态岭南文化知识模型,利用预设的渲染引擎,对动态岭南文化知识模型进行渲染处理,生成三维可视化场景;在三维可视化场景中设置交互触发点,根据用户操作获得最终的可视化展示效果。

    一种基于优化堆栈自编码网络的化工过程故障分类方法

    公开(公告)号:CN114925783B

    公开(公告)日:2025-05-06

    申请号:CN202210705720.2

    申请日:2022-06-21

    Applicant: 江南大学

    Abstract: 本发明公开了一种基于优化堆栈自编码网络的化工过程故障分类方法,属于故障分类技术领域。所述方法通过在自监督学习训练阶段,使用有标签和无标签样本,结合Fisher判别准则优化堆栈自编码网络,寻找有利于分类的映射方向,逐层减小同类故障特征的类内距离,增大异类特征的类间距离。通过改进后的损失函数约束模型训练,使得堆栈自编码网络在反向传播时更新的神经元参数,既能最小化重构误差,使堆栈自编码网络从大量无标签样本中提取重构特征,又考虑到标签信息的利用,使堆栈自编码网络提取到尽可能多的分类特征。因此本发明提出的基于优化堆栈自编码网络的故障分类方法可以学习有效分类特征信息,提升的故障分类的准确率。

    环境噪声智能监测方法及系统
    4.
    发明公开

    公开(公告)号:CN119880130A

    公开(公告)日:2025-04-25

    申请号:CN202510346779.0

    申请日:2025-03-24

    Abstract: 本公开提供了一种环境噪声智能监测方法及系统,应用于噪声监测系统,噪声监测系统包括齿轮组件和旋转杆,旋转杆用于支撑采样探头,齿轮组件用于对旋转杆的转动提供阻力,所述方法包括:响应于监测到噪声数据,将噪声数据输入至去噪模型进行降噪处理,得到目标监测数据;其中,噪声数据为连续时间段内的时间序列数据,去噪模型用于基于噪声数据的时间波动情况,对噪声数据中各数据点进行异常程度评估。本公开可实现无需登高便对旋转杆上的采样探头进行运维,同时,利用去噪模型对监测到的噪声数据进行降噪处理,可以剔除运维过程中产生的噪音,使得运维过程中无需暂停监测,从而既满足连续进行环境噪声监测的需求,又保障运维人员的安全。

    一种轨道车辆系统结构模态测试测点优化方法及介质

    公开(公告)号:CN119862412A

    公开(公告)日:2025-04-22

    申请号:CN202411911436.6

    申请日:2024-12-24

    Applicant: 同济大学

    Abstract: 本发明涉及一种轨道车辆系统结构模态测试测点优化方法及介质,该方法包括以下步骤:构建轨道车辆系统结构的模态矩阵,提取模态测试的候选测点,形成候选测点集,其中候选测点位置为模态测试时传感器的候选位置,传感器包括三向传感器和单向传感器;若选择三向传感器进行模态测试,则基于所述模态矩阵,采用多维有效独立法计算所述候选测点集中候选测点的测量值,并根据所述测量值确定最终的模态测试的测点;若选取单向传感器进行模态测试,则基于所述模态矩阵和候选测点集构造辅助矩阵,并根据所述辅助矩阵确定最终的模态测试的测点。与现有技术相比,本发明具有优化测点分布,提高模态辨识结果的准确性等优点。

    金属氧化物避雷器缺陷智能诊断系统及方法

    公开(公告)号:CN119830142A

    公开(公告)日:2025-04-15

    申请号:CN202411904088.X

    申请日:2024-12-23

    Abstract: 金属氧化物避雷器缺陷智能诊断系统及方法,包括数据采集与预处理、特征提取与模型训练、实时诊断、异常检测与健康评估、自适应学习五个模块;数据采集与预处理模块采集避雷器测试点数据,通过接口连接测量设备,并存储于MySQL数据库;特征提取与模型训练模块从预处理数据中提取关键特征,用PCA和LDA降维,构建特征矩阵,使用机器学习算法进行模型训练和验证;实时诊断模块实时采集避雷器运行数据,监控运行状态,使用训练模型进行智能诊断;异常检测与健康评估模块监测运行数据异常模式,评估整体健康状态,提供健康报告;自适应学习模块根据新数据优化重新训练模型,更新参数智能诊断。提高了诊断的精确度和全面性,判断更为科学和准确。

Patent Agency Ranking