“盛瀚民”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24个，建议您升级VIP下载更多相关专利

[发明专利]一种融合经验模型的数据驱动锂电池SOH估计方法-CN202310573220.2在审
发明人： 盛瀚民;曾文龙;周圆;邵晋梁;马文建 -专利权人：电子科技大学
申请日： 2023-05-19 - 公布日： 2023-08-25 - 主分类号： G01R31/392 文献下载
摘要：本发明公开了一种融合经验模型的数据驱动锂电池SOH估计方法，通过使用少量带标签的样本，利用三种不同的经验子模型对电池充电循环次数和SOH分别拟合出线性关系曲线，将三种关系曲线依据各自对电池实际SOH的拟合程度组合成最终的经验模型，把最终经验模型预测出的SOH代替电池实际SOH嵌入人工神经网络的损失函数中，计算出经验损失，再加上人工经验得出的单调损失，辅助网络进行训练；这样通过机理嵌入的方式可以解决带标签样本较少的小样本环境下对神经网络进行训练的问题，实现接近无监督的神经网络学习，从而具有适用性广、预测精度高、数据依赖低等优点。
一种融合经验模型数据驱动锂电池 soh 估计方法

[发明专利]一种基于孪生网络的盲调制信号识别方法-CN202210427188.2有效
发明人： 盛瀚民;王豪;邵晋梁;马文建;郑家骏;刘鑫 -专利权人：深圳市人工智能与机器人研究院;电子科技大学
申请日： 2022-04-22 - 公布日： 2023-08-08 - 主分类号： G06F18/24 文献下载
摘要：本发明公开了一种基于孪生网络的盲调制信号识别方法，先建立调制数据集和支撑集，再通过利用粗频率偏移估计对调制数据集种的原始IQ数据进行简易频率校正，然后配对输入至孪生网络并训练；然后通过支撑集中的数据与待测数据进行配对，通过训练完成的孪生网络计算数据间欧氏距离以判断信号调制类型，这样的网络可通过少量样本构建支撑数据集，减少对数据量的依赖，而且能够在训练集未知的情况下实现盲调制信号识别，能够适应当前非合作通信对抗的发展。
一种基于孪生网络调制信号识别方法

[发明专利]基于分段线性拟合HI及LSTM的滚动轴承RUL预测方法-CN202110900150.8有效
发明人：米金华;白利兵;刘路路;庄泳昊;孔子薇;盛瀚民;程玉华;邵晋梁 -专利权人：电子科技大学
申请日： 2021-08-06 - 公布日： 2023-06-02 - 主分类号： G06F30/27 文献下载
摘要：本发明公开了一种基于分段线性拟合HI及LSTM的滚动轴承RUL预测方法，获取预设工况下若干滚动轴承的HI曲线并获取剩余寿命序列，基于聚类评价指标和拟合评价指标筛选出每个滚动轴承采用BUP时间序列分割算法进行分段的最优分段数，对HI曲线进行分段并提取出退化期HI曲线以及退化期剩余寿命序列，进行归一化得到归一化退化期HI曲线和归一化退化期剩余寿命序列，采用长短时记忆网络作为RUL预测模型，将归一化退化期HI曲线作为输入，将归一化退化期剩余寿命序列作为标签，对RUL预测模型进行训练，对于预设工况下的某个滚动轴承，采用相同方法得到归一化退化期HI曲线，将其输入RUL预测模型得到预测的剩余寿命序列。本发明可以有效提高RUL的预测准确率和稳健性。
基于分段线性拟合 hi lstm 滚动轴承 rul 预测方法

[发明专利]基于残差-胶囊网络的行星齿轮箱故障诊断方法-CN202210072530.1有效
发明人：米金华;胡自翔;程玉华;白利兵;孔子薇;庄泳昊;盛瀚民;邵晋梁 -专利权人：电子科技大学
申请日： 2022-01-21 - 公布日： 2023-06-02 - 主分类号： G06T7/00 文献下载
摘要：本发明公开了一种基于残差‑胶囊网络的行星齿轮箱故障诊断方法，首先在行星齿轮箱的正常状态下和故障状态下采集时域振动信号，变换得到原始时频图像后进行缩放得到时频图像，并设置时频图像的标签，得到训练样本；构建包括卷积模块、残差模块、注意力模块和胶囊模块的残差‑胶囊网络，采用训练样本对残差‑胶囊网络进行训练，当需要对行星齿轮箱进行故障诊断时，采集时域振动信号并变换得到时频图像，将其输入训练好的残差‑胶囊网络得到故障诊断结果。本发明可以提高行星齿轮箱故障诊断性能。
基于胶囊网络行星齿轮箱故障诊断方法

[发明专利]基于AFF-AAKR融合的滚动轴承健康指标曲线构建方法-CN202110900161.6有效
发明人：米金华;刘路路;白利兵;庄泳昊;胡自翔;盛瀚民;程玉华;邵晋梁 -专利权人：电子科技大学
申请日： 2021-08-06 - 公布日： 2023-04-07 - 主分类号： G06F30/17 文献下载
摘要：本发明公开了一种基于AFF‑AAKR融合的滚动轴承健康指标曲线构建方法，首先对滚动轴承的水平振动加速度传感器信号从时域、频域和时频域进行特征提取得到候选特征集，筛选出优选特征，然后采用AFF方法从优选特征的数据序列中获取观测空间向量，根据观测空间向量中提取出健康空间向量，将观测空间向量映射到健康空间向量所代表的健康空间得到映射向量，计算观测空间向量和映射向量中各时刻数据的残差，将残差数据拟合得到的曲线即为健康指标曲线。本发明将采集得到的滚动轴承的振动加速度信号进行时频域特征提取，通过基于AFF‑AAKR的特征融合实现健康指标曲线的构建，提高健康指标曲线的性能。
基于 aff aakr 融合滚动轴承健康指标曲线构建方法

[发明专利]一种通过加权估计实现红外热图像增强的方法-CN201811518732.4有效
发明人：白利兵;田露露;邵晋梁;周权;程玉华;盛瀚民;米金华 -专利权人：电子科技大学
申请日： 2018-12-12 - 公布日： 2023-03-28 - 主分类号： G06T5/00 文献下载
摘要：本发明公开了一种通过加权估计实现红外热图像增强的方法，先计算目标像素点周围的k个像素点与目标点之间的差值，再将任意两个周围像素点与目标点之间的差值的乘积作为这两个像素点之间的相关系数，然后通过这两个像素点像素值及它们之间的相关系数估算出目标点的像素值，并对其进行归一化，得到增强处理后该目标点的像素值，最后再按照该方法重复对红外热图像中的每个像素点进行处理，并进行平滑滤波处理，即可得到增强处理后的红外热图像。
一种通过加权估计实现红外图像增强方法

[发明专利]一种基于增量学习的电力系统短期负荷预测方法-CN201910221803.2有效
发明人：匡洪君;叶林海;盛瀚民;白利兵;李元元 -专利权人：电子科技大学
申请日： 2019-03-22 - 公布日： 2022-11-22 - 主分类号： G06Q10/04 文献下载
摘要：本发明公开了一种基于增量学习的短期负荷预测方法，首先按照季节的划分，构建初始数据集和增量数据集，然后进行相关性分析提取输入负荷数据，并进行最大最小归一化处理；再利用改进的Adaboost.RT集成算法训练初始数据集和增量数据集，构建初始集成模型和中间集成模型，在此基础上得到进化集成模型；最后将待预测的负荷数据同时输入至初始集成模型、中间集成模型和进化集成模型，通过运用基于粒子群优化算法的最大熵原理，结合多个模型进行负荷预测。
一种基于增量学习电力系统短期负荷预测方法

[发明专利]一种基于磁性探测原理与电感法的发动机金属屑检测方法-CN201910665514.1有效
发明人：白利兵;任超;程玉华;周权;张杰;邵晋梁;盛瀚民;米金华;田露露 -专利权人：电子科技大学
申请日： 2019-07-23 - 公布日： 2022-11-22 - 主分类号： G01N27/904 文献下载
摘要：本发明公开了一种基于磁性探测原理与电感法的发动机金属屑检测方法，通过差分涡流阵列探测与磁场调制相配合，根据金属屑的调制位移，能在差分涡流阵列探测线圈中形成规律性的响应信号；由于金属屑材质、颗粒大小等的未知性，先期无法获得完整的运动模型，因此，先综合运用随机信号处理、调制解调、盲信号分离等算法，从一系列线圈中分离提取出金属屑响应信号，并重构出运动轨迹，然后根据每个运动轨迹估计出金属屑的大小和材质，并进行计数，实现发动机滑油系统的金属屑定量检测及定位。
一种基于磁性探测原理电感发动机金属检测方法

[发明专利]通信连通保持约束下的多智能体覆盖控制方法和装置-CN202210687730.8在审
发明人：张蕴霖;邵晋梁;石磊;麻壮壮;盛瀚民;赵源 -专利权人：深圳市人工智能与机器人研究院
申请日： 2022-06-17 - 公布日： 2022-11-01 - 主分类号： H04W16/18 文献下载
摘要：本发明公开了一种通信连通保持约束下的多智能体覆盖控制方法、装置及终端，上述方法通过分别获取使智能体减小覆盖损失的覆盖控制向量和使智能体增加连通度的通信连通保持控制向量，然后根据智能体是否是关键智能体对覆盖控制向量和通信连通保持控制向量进行合成，并根据合成获得的合成控制向量获得智能体的目标位置并移动至目标位置。与现有技术相比，实现了优化智能体覆盖控制的同时保持智能体之间的通信连通，即在保持通信连通的同时实现最优覆盖。
通信连通保持约束智能覆盖控制方法装置

[发明专利]一种应对干扰模式动态切换的动态频谱自适应接入方法-CN202210667650.6在审
发明人：程玉华;郑家骏;盛瀚民;邵晋梁;马文建;石磊 -专利权人：中车青岛四方机车车辆股份有限公司;电子科技大学
申请日： 2022-06-14 - 公布日： 2022-09-23 - 主分类号： H04W16/10 文献下载
摘要：本发明公开了一种应对干扰模式动态切换的动态频谱自适应接入方法，先为动态频谱接入设备配置了一个传感器，用以感知干扰机干扰模式的切换，在未感知到干扰模式发生切换前，动态频谱接入设备先收集足量的源经验样本，并存入源记忆库中；当传感器感知到干扰模式发生切换后，设备继续收集少量的目标经验样本，并存入目标记忆库中；随后脱离频谱环境并展开离线预训练过程，以习得针对新干扰模式的初始动态频谱接入策略；最后设备重新接入频谱环境中，基于初始动态频谱接入策略展开进一步的优化，直至策略收敛，即可获得适用于新干扰模式下的最优动态频谱接入策略。
一种应对干扰模式动态切换频谱自适应接入方法

[发明专利]一种基于蚁群信息素的无人机集群区域监视控制方法-CN202210674286.6在审
发明人：陈柯宇;邵晋梁;石磊;李彤;盛瀚民;麻壮壮 -专利权人：深圳市人工智能与机器人研究院
申请日： 2022-06-15 - 公布日： 2022-09-13 - 主分类号： G05D1/10 文献下载
摘要：本发明公开了一种基于蚁群信息素的无人机集群区域监视控制方法，所述方法包括：将预设的监视区域初始化为栅格单元，并设置所述栅格单元的监视优先级和初始吸引信息素值；根据所述栅格单元的脱离监视时长和所述监视优先级更新所述初始吸引信息素值，得到实时吸引信息素值；根据所述实时吸引信息素值和所述无人机间距离向量确定无人机所受合力；根据所述无人机所受合力确定所述无人机的飞行速度。本发明采用蚁群信息素对监视区域的监视状态进行量化以引导无人机搜索未知区域，通过监视优先级引导无人机重点监视重要区域，并通过在集群内的无人机个体之间建立信息素势场以实现无人机自适应的航迹规划。
一种基于信息无人机集群区域监视控制方法

[发明专利]一种基于循环生成对抗网络的电磁频谱信息补全方法-CN202210581309.9在审
发明人：邵晋梁;苟艺频;李彤;程玉华;石磊;盛瀚民;白利兵 -专利权人：电子科技大学
申请日： 2022-05-26 - 公布日： 2022-09-02 - 主分类号： G06F30/27 文献下载
摘要：本发明公开了一种基于循环生成对抗网络的电磁频谱信息补全方法，通过将循环生成对抗网络的风格迁移效果运用到分布迁移中，即通过真实样本区域与缺失样本区域的判别器提取真实样本的分布特征，并且通过两个区域的生成器将其分布特征应用于对应的缺失样本，最终达到电磁频谱数据补全的效果。
一种基于循环生成对抗网络电磁频谱信息方法

[发明专利]一种基于星座图相位异众比率校正频偏的调制识别方法-CN202210428506.7在审
发明人： 盛瀚民;周圆;邵晋梁;刘鑫;马文建;陈凯 -专利权人：深圳市人工智能与机器人研究院;电子科技大学
申请日： 2022-04-22 - 公布日： 2022-08-30 - 主分类号： H04L27/00 文献下载
摘要：本发明公开了一种基于星座图相位异众比率校正频偏的调制识别方法，包括根据所述调制数据得到有相同星座图序列特征的训练数据集和测试数据集，并进行数据预处理；将预处理后的测试数据集进行校正载波频率偏移处理，再根据校正频偏的星座图序列特征得到星座数据，并根据所述星座数据分别绘制训练数据集和测试数据集星座图；通过图像识别分类方法对所述训练数据集星座图进行训练得到识别分类模型；通过识别分类模型对所述测试数据集星座图进行调制识别分类。本发明针对调制信号的调制识别，考虑了载波频率的偏移问题，通过最小化星座图的相位异众比率校正星座图的频偏，并用图像识别分类方法对校正星座图进行训练，有效地提升调制识别的准确率。
一种基于星座图相位比率校正调制识别方法

[发明专利]基于改进支持向量机的旋转机械故障识别方法-CN201910318232.4有效
发明人：米金华;王馨苑;程玉华;白利兵;陈凯;盛瀚民 -专利权人：电子科技大学
申请日： 2019-04-19 - 公布日： 2022-07-26 - 主分类号： G06K9/00 文献下载
摘要：本发明公开了一种基于改进支持向量机的旋转机械故障识别方法，首先在旋转机械的各个故障状态下从不同传感器提取工作信号，分别进行时频特征提取并约简，得到各个工作信号的特征向量，基于这些特征向量获取每个故障状态的训练样本集和验证样本集，采用基于云模型的遗传算法对基于支持向量机网络的多分类模型的核函数和惩罚因子进行参数优化处理，得到多分类模型，当旋转机械发生故障时从各个传感器提取出特征向量，输入多分类模型得到故障识别结果。采用本发明可以有效提高旋转机械故障识别的准确度和效率。
基于改进支持向量旋转机械故障识别方法

[发明专利]一种基于交叉流形嵌入迁移学习的电池SOH预测方法-CN202110346401.2有效
发明人： 盛瀚民;周圆;邵晋梁;石磊;白利兵;米金华 -专利权人：电子科技大学
申请日： 2021-03-31 - 公布日： 2022-06-14 - 主分类号： G06F30/27 文献下载
摘要：本发明公开了一种基于交叉流形嵌入迁移学习的电池SOH预测方法，将电池的一次充放电过程所提取的特征与SOH值作为一个循环的样本点，而辅助电池每一次循环提取的源域数据集和新电池前t次循环提取的目标域数据集在特征空间中被视为两个不同的流形。将新电池的目标域数据作为辅助电池的源域数据的锚点集，对于每一个源域样本点，在锚点集中找到关于SOH值的K个近邻点，求解最优权重使得源域样本点能够映射到K个近邻所在的流形，再根据最优权重与K个近邻的特征将源域样本点的特征进行映射。由此将源域数据集嵌入目标域流形中，从而在不丢失特征维度的情况下实现低维数据的特征迁移，由此提高机器学习方法的跨场景泛化性能。
一种基于交叉流形嵌入迁移学习电池 soh 预测方法

1
2
下一页»
尾页
共 24 条