“朱钟华”申请（专利权）人搜索_中国专利权人_发明人_技术持有人_科研专家_钻瓜专利网

钻瓜专利网为您找到相关结果11个，建议您升级VIP下载更多相关专利

[发明专利]一种基于图卷积的电机故障诊断方法-CN202010462054.5有效
发明人：徐东伟;朱钟华;宣琦 -专利权人：浙江工业大学
申请日： 2020-05-27 - 公布日： 2023-05-02 - 主分类号： G01R31/34 文献下载
摘要：一种基于图卷积的电机故障诊断方法，包括以下步骤：1)划分数据样本：利用傅里叶变换和逆变换将定子电流数据参照单个周期正弦函数划分单位样本的；2)构建电流图网络：在每个单位周期样本中，首先根据电流数值正负以及样本周期将样本划分为两个部分，然后分别确定两个部分中的数据点是否存在联系，并以数据点为节点创建节点关系矩阵，最后根据节点关系矩阵和电流数值波动特征构建电流图网络；3)构建图卷积神经网络并分类：将电流图网络作为模型训练数据，设计图卷积神经网络分类模型，并进行故障分类。本发明大大降低了人的工作量，使用的电流数据获取更为方便。
一种基于图卷电机故障诊断方法

[发明专利]一种基于残差图注意力网络的电机故障诊断方法-CN202011537414.X有效
发明人：徐东伟;朱钟华;林臻谦;周磊;杨浩;顾淳涛;宣琦 -专利权人：浙江工业大学
申请日： 2020-12-23 - 公布日： 2022-07-15 - 主分类号： G01R31/34 文献下载
摘要：一种基于残差图注意力网络的电机故障诊断方法，包括以下步骤：1)数据样本划分；2)故障特征信号提取；3)以故障特征信号的极值点为图网络的节点，定义节点之间相关性的规则，分别融合10个连续的小样本中的电流图网络作为模型输入样本，每个输入样本包括两个电流图网络；4)通过将残差网络ResNet和GAT进行结合，利用ResNet中的恒等映射思想来保证图信息在特征传递时的完整性；5)对于输入样本中的两个电流图网络，通过一层ResGAT和一层GAT提取特征，然后融合这两个特征图，再利用CNN提取特征并实现故障分类。本发明采用的电流数据获取容易且成本较低，ResGAT可以保证图信息的完整性。
一种基于残差图注意力网络电机故障诊断方法

[发明专利]一种基于图注意力网络的电机故障诊断方法-CN202010881735.5有效
发明人：徐东伟;朱钟华;戴宏伟;杨浩;林臻谦;宣琦 -专利权人：浙江工业大学
申请日： 2020-08-27 - 公布日： 2022-06-17 - 主分类号： G01R31/34 文献下载
摘要：一种基于图注意力网络的电机故障诊断方法，包括以下步骤：1)、数据样本划分；2)、对每个小样本中的两相电流分别进行带通滤波，得到去噪的状态特征电信号；3)、构建图网络：根据状态特征电信号的极值点构建电流图网络，再将大样本中两相电流的n个电流图网络融合得到该大样本的两相电流图网络；4)、构建基于图注意力网络的分类模型：基于两相电流图网络分别构建图注意力网络，再融合两个网络提取的特征进行分类。本发明采用的电信号数据在采集数据方面比较方便且成本低，并提出了一种将信号转成图网络的方法，在经过图注意力网络和卷积神经网络提取特征后，能够有效的对电机故障进行分类诊断。
一种基于注意力网络电机故障诊断方法

[发明专利]一种基于时序交通网络图的交通运行状态分类方法-CN202010283867.8有效
发明人：徐东伟;林臻谦;魏臣臣;王永东;彭鹏;朱钟华;戴宏伟;周磊;宣琦 -专利权人：浙江工业大学
申请日： 2020-04-13 - 公布日： 2021-12-17 - 主分类号： G08G1/01 文献下载
摘要：一种基于时序交通网络图的交通运行状态分类方法，首先对交通流数据进行预处理并利用LPVG(有限穿越可视图复杂网络)完成时序交通网路图的构建；然后对每个交通网络图提取特征；接着将时序交通网络图信息转化为特征向量vector；最后根据保存了时序交通网络图的vector结合交通运行状态进行分类，计算预测出的交通运行状态的准确性。本发明利用了保存时序交通网络图特征为向量的方法，充分地提取出了时序交通流量特征对于交通运行状态的影响，从而有效提高了交通运行状态分类的精度。
一种基于时序交通网络图运行状态分类方法

[发明专利]基于空域图卷积神经网络的SCATS系统道路交通流预测方法-CN201911298731.8有效
发明人：徐东伟;周磊;林臻谦;魏臣臣;戴宏伟;彭鹏;朱钟华 -专利权人：浙江工业大学
申请日： 2019-12-17 - 公布日： 2021-04-06 - 主分类号： G08G1/01 文献下载
摘要：一种基于空域图卷积神经网络的SCATS系统道路交通流预测方法，首先将车道作为节点，根据交通邻接矩阵得到具有相互连接的节点，将有连接节点的相关性从高到低进行排序，然后找到每个目标节点的邻域节点，将目标节点及其邻域节点的交通流状态数据构建高阶邻域交通状态矩阵作为CNN的输入，最后得到被预测车道的交通流状态预测结果。本发明充分挖掘了交通流状态时间和空间的相关性，既提高了准确性也增强了随机结果的抗干扰性。
基于空域图卷神经网络 scats 系统道路通流预测方法

[发明专利]基于GERNN的单交叉口多车道交通流量预测方法-CN201910339787.7有效
发明人：徐东伟;戴宏伟;彭鹏;王永东;魏臣臣;朱钟华;宣琦 -专利权人：浙江工业大学
申请日： 2019-04-25 - 公布日： 2021-02-26 - 主分类号： G08G1/01 文献下载
摘要：一种基于GERNN的单交叉口多车道交通流量预测方法，首先是对道路交通网络的构建；其次基于道路交通网络构建节点映射矩阵；然后基于节点映射矩阵构建GERNN模型的道路交通输入矩阵；接着基于GERNN模型的道路交通输入矩阵构建单交叉口多车道交通流预测模型；最后验证单交叉口多车道交通流预测模型。本发明解决了现有交通流数据高维、稀疏的时空特征的缺点，将网络中的节点投影到一个低维、稠密的空间中进行运算，从而有效提高了交通流预测的精度。
基于 gernn 交叉口车道交通流量预测方法

[发明专利]一种基于LID的信号对抗样本检测器设计方法-CN202010994743.0在审
发明人：徐东伟;杨浩;顾淳涛;林臻谦;朱钟华;宣琦 -专利权人：浙江工业大学
申请日： 2020-09-21 - 公布日： 2021-02-09 - 主分类号： G06K9/00 文献下载
摘要：一种基于LID的信号对抗样本检测器的设计方法，包括以下步骤：1)对信号调制数据进行预处理，并设计调制分类模型；2)根据信号调制分类器结合对抗样本生成方法设计对抗样本生成器；3)根据调制分类器模型设计网络层信息评估函数；4)设计信号的正常样本与对抗样本检测器：根据网络层信息评估函数得到的特征值，将正常样本与对抗样本的特征值拼接并添加标签，其中对抗样本标签为0，正常样本标签为1，将拼接后的数据划分为训练集与测试集，并训练一个逻辑回归分类器，最后用测试集测试分类器效果。本发明识别正常信号和对抗信号，以此减少信号在解调过程中对抗信号造成的损失；有效降信号在解调过程中的风险，加强信号的安全性。
一种基于 lid 信号对抗样本检测器设计方法

[发明专利]基于带有金字塔池化与多尺度鉴别器的Cycle-GAN的图像去雾方法-CN201910715042.6在审
发明人：徐东伟;朱钟华;魏臣臣;戴宏伟;彭鹏;王永东;宣琦 -专利权人：浙江工业大学
申请日： 2019-08-05 - 公布日： 2019-12-13 - 主分类号： G06T5/00 文献下载
摘要：一种基于带有金字塔池化与多尺度鉴别器的Cycle‑GAN的图像去雾方法，包括以下步骤：1)生成器由残差网络、金字塔池化网络以及卷积操作构成，且每次卷积结果都需要经过正则化激活运算；2)构建多尺度鉴别器；3)构建Cycle‑GAN；4)提取去雾模型并验证模型效果：从训练好的Cycle‑GAN中提取生成器G作为去雾模型，并用测试集中的有雾图像进行测试。本发明避免了人工设计特征，而且本发明中的多尺度输入、多尺度鉴别器和金字塔池化网络能够更好的保留图像细节特征。
多尺度鉴别器池化金字塔生成器构建卷积去雾测试模型效果人工设计图像去雾图像细节网络正则化残差运算验证并用激活图像保留

[发明专利]一种基于特征提取的Bi-LSTM预测道路交通状态的方法-CN201910593469.3在审
发明人：徐东伟;魏臣臣;彭鹏;金燕;宣琦;戴宏伟;朱钟华 -专利权人：浙江工业大学
申请日： 2019-07-03 - 公布日： 2019-11-29 - 主分类号： G06Q10/04 文献下载
摘要：一种基于特征提取的Bi‑LSTM预测道路交通状态的方法，首先采用多个自编码器堆叠而成的堆叠自编码器(SAE)对道路状态数据的特征进行提取，然后将提取到的道路交通状态时空特征作为双向长短期时间记忆网络(Bi‑LSTM)模型的输入，完成基于特征提取的Bi‑LSTM网络模型的构建。本发明对道路交通状态矩阵进行特征提取后作为Bi‑LSTM模型的输入，可以有效提高道路交通状态的预测精度。
道路交通状态特征提取编码器堆叠矩阵道路状态时间记忆时空特征网络模型预测构建网络

[发明专利]一种基于Conv1D-NLSTMs神经网络结构的道路交通流预测方法-CN201910352267.X在审
发明人：徐东伟;朱钟华;彭鹏;王永东;戴宏伟;魏臣臣;宣琦 -专利权人：浙江工业大学
申请日： 2019-04-29 - 公布日： 2019-07-30 - 主分类号： G08G1/01 文献下载
摘要：一种基于Conv1D‑NLSTMs神经网络结构的道路交通流预测方法，包括以下步骤：1)、构建关联道路的交通流数据矩阵，并对数据进行预处理；2)、基于交通流数据矩阵提取道路交通流时空特征；3)、基于道路交通流时空特征构建道路交通流预测模型：采用全连接层对得到的道路交通流时空特征作回归预测，得到未来时刻未经过反归一化的道路交通流的预测结果，并根据均方误差的结果利用反向传播算法不断优化模型参数，最终通过反归一化将结果映射为实际交通流量值；4)、验证道路交通流预测模型：使用训练完成的模型对测试集中的道路交通流数据进行预测，对比预测结果和实际值从而测试模型性能。由实验结果可知本发明预测结果更准确。
道路交通流时空特征预测结果神经网络结构交通流数据预测反归一化预测模型构建预处理矩阵测试模型反向传播关联道路矩阵提取均方误差未来时刻优化模型交通流连接层映射算法验证测试回归

[发明专利]一种基于Autoencoder-LSTM融合模型的交通流预测方法-CN201910201454.8在审
发明人：徐东伟;魏臣臣;彭鹏;宣琦;朱钟华 -专利权人：浙江工业大学
申请日： 2019-03-18 - 公布日： 2019-07-16 - 主分类号： G08G1/01 文献下载
摘要：一种基于Autoencoder‑LSTM融合模型的交通流预测方法，包括以下步骤：步骤一、提取道路交通流数据并对数据进行预处理，构建交通流数据矩阵；步骤二、获取道路交通状态矩阵，提取道路交通状态矩阵高维抽象特征；步骤三、基于融合后的时空特征实现道路交通流预测；步骤四、基于融合模型的道路交通流预测：获取道路实时交通流数据作为融合模型的输入，实现道路实时交通流预测。本发明提供一种基于Autoencoder‑LSTM(自编码器与长短期时间记忆神经网络)融合模型的交通流预测方法，利用自编码器和长短期记忆神经网络分别获取道路交通流数据中的空间和时间信息，充分挖掘了道路交通流数据中的时空特性，提高了交通流短期预测的准确性。
道路交通流融合矩阵交通流预测道路交通状态实时交通流编码器预测预处理记忆神经网络交通流数据抽象特征短期预测神经网络时间记忆时间信息时空特性时空特征交通流高维构建挖掘

1
共 11 条