“鲍跃全”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28个，建议您升级VIP下载更多相关专利

[发明专利]一种桥梁布跨方法、装置、设备及可读存储介质-CN202110757197.3有效
发明人：徐升桥;李辉;鲍跃全;韩广晖;李寰宇;彭岚平;宋浩;罗天靖;简方梁;杨喜文 -专利权人：中铁工程设计咨询集团有限公司
申请日： 2021-07-05 - 公布日： 2023-10-24 - 主分类号： G06F30/13 文献下载
摘要：本发明提供了一种桥梁布跨方法、装置、设备及可读存储介质，涉及桥梁建造技术领域，包括利用人工智能进行布跨的新思路。针对智能布跨的需求，以桥梁布跨的基本原则和计算原理为基础再结合强化学习优良的学习决策能力，通过经过Sarsa(λ)算法优化输出策略价值网络，并将策略价值网络加入到A l phaGo算法之中，在模拟阶段节点除了可以通过快速布跨策略获取以其为根节点的全局模拟所对应的累计奖励外，还可以直接在策略价值网络中找到与之对应的最大累计奖励，最后取两者中的最大者作为该节点模拟结束后的实际累计奖励，依此提升A l phaGo算法最后的运算结果。
一种桥梁方法装置设备可读存储介质

[发明专利]一种基于随机子空间深度学习的结构模态参数识别方法-CN202210230350.1在审
发明人： 鲍跃全;刘大伟 -专利权人：哈尔滨工业大学
申请日： 2022-03-09 - 公布日： 2023-09-22 - 主分类号： G06F30/27 文献下载
摘要：本发明公开了一种基于随机子空间深度学习的结构模态参数识别方法。利用桥梁测点数据构造Hankel矩阵和Toeplitz矩阵；基于构造的Toeplitz矩阵，得到Toeplitz矩阵的奇异值；建立机器学习神经网络；将Toeplitz矩阵的奇异值作为建立的机器学习神经网络的输入，进而确定系统的阶次；基于构造的Hankel矩阵、Toeplitz矩阵及其建立的机器学习神经网络，得到系统矩阵和观测矩阵，并将系统矩阵和观测矩阵的求解程序自动嵌入到机器学习神经网络中；对神经网络得到的系统矩阵和观测矩阵进行求解，得到结构的模态参数。本发明用以解决现有技术中存在虚假模态的干扰和需要较多人工参数设定的问题。
一种基于随机空间深度学习结构参数识别方法

[发明专利]一种结构健康监测地震事件识别与异常数据诊断方法-CN202310624348.7在审
发明人：郭家星;唐志一;鲍跃全;许蔚;张长兴;吴永红;席恩伟;刘青林 -专利权人：昆明理工大学
申请日： 2023-05-30 - 公布日： 2023-09-15 - 主分类号： G06F18/20 文献下载
摘要：本发明公开了一种结构健康监测地震事件识别与异常数据诊断方法：将待诊断的监测数据转换为时域响应图像数据和频域响应图像数据，并将其叠加；建立分类任务，利用残差网络提取时频图像的特征；采用迁移学习技术高效学习地震数据和异常数据的特征；将梯度加权类激活映射算法嵌入神经网络，以揭示输出决策的兴趣区域；最终将训练好的模型作为异常数据诊断器，将待诊断监测数据输入该诊断器以获取诊断结果。本发明利用残差网络进行特征提取，并在训练过程引入迁移学习，以实现小样本情况下网络的高效训练，显著减少人工干预，并使数据处理过程快速高效，输出结果具有可视化决策依据，满足在线诊断和评估需求。
一种结构健康监测地震事件识别异常数据诊断方法

[发明专利]一种基于卷积神经网络与迁移学习的结构健康监测多元数据异常诊断方法-CN202110720189.1有效
发明人： 鲍跃全;邓岳;潘秋月;唐志一;李惠 -专利权人：哈尔滨工业大学
申请日： 2021-06-28 - 公布日： 2022-11-08 - 主分类号： G06V10/764 文献下载
摘要：本发明提出了一种基于卷积神经网络与迁移学习的结构健康监测多元数据异常诊断方法，将某大型结构A的多元监测数据由时间序列分段数据可视化处理，转换为时域响应图像，根据数据段对应的时域响应图像数据进行人工标记，选取带有人工标记的各种异常类型的样本组成数据集A；将数据集A输入至用于异常检测的卷积神经网络模型A中，训练好模型A；将某大型结构B的多元监测数据可视化，人工标记，组成数据集B；在模型A的基础上加入数据集B，进行迁移学习训练，提升分类模型的泛化性能，使卷积神经网络模型能够适应不同分布的数据，迁移学习训练好的模型作为多元数据异常检测器；本发明能够解决目前结构健康监测多元数据无检测方法等问题。
一种基于卷积神经网络迁移学习结构健康监测多元数据异常诊断方法

[发明专利]一种基于机器学习的自适应稀疏时频分析方法-CN201910993859.X有效
发明人： 鲍跃全;郭奕兵;李惠 -专利权人：哈尔滨工业大学
申请日： 2019-10-18 - 公布日： 2022-08-09 - 主分类号： G06K9/00 文献下载
摘要：本发明提出一种基于机器学习的自适应稀疏时频分析方法，所述方法包括以下步骤：步骤1、传感器测量得到的信号经过滤波得到目标信号矩阵；步骤2、构建初始相位函数和初始基矩阵，作为整个方法的已知输入；步骤3、采用一个四层神经网络作为非凸最小二乘目标函数的求解器；步骤4、通过定义一个损失函数作为目标函数，训练网络权重，由权重计算得到时变频率，并积分更新相位函数和基矩阵，进行神经网络权重进一步优化。该方法结合了机器学习中神经网络和时频分析方法，可实现自动学习和优化求解非凸最小二乘问题，以及显著减少算法对初值的敏感性。
一种基于机器学习自适应稀疏分析方法

[发明专利]一种基于机器学习的结构模态参数识别方法-CN201910994657.7有效
发明人： 鲍跃全;刘大伟;唐志一;李惠 -专利权人：哈尔滨工业大学
申请日： 2019-10-18 - 公布日： 2022-08-02 - 主分类号： G06N20/00 文献下载
摘要：本发明提出一种基于机器学习的结构模态参数识别方法，包括以下步骤：步骤一、将振动传感器收集到的数据进行初步滤波去噪处理；步骤二、将滤波后的数据输入设计的神经网络，设计目标函数，所述目标函数用于保证神经网络第三层的输出结果具有完全的独立性，使得神经网络的训练过程变为混叠信号的分离过程；步骤三、提取神经网络第三层的结果即为各阶模态响应，神经网络三四层之间的权重即为各阶振型系数；步骤四、对提取得到的模态响应进行功率谱变换求频率，利用对数衰减技术并进行曲线拟合得到阻尼比。本发明利用机器学习的方法实现了对监测数据的自动处理，网络自动化程度较高，分离速度较快。
一种基于机器学习结构参数识别方法

[发明专利]一种基于机器学习的自适应稀疏模态分解方法-CN202210316548.1在审
发明人： 鲍跃全;郭奕兵;李惠 -专利权人：哈尔滨工业大学
申请日： 2022-03-29 - 公布日： 2022-07-12 - 主分类号： G06K9/00 文献下载
摘要：本发明提出了一种基于机器学习的自适应稀疏模态分解方法，首先待分析离散时间序列以向量形式作为输入；构建傅里叶变换矩阵作为额外已知输入；然后定义一组可变峰值中心与带宽的自适应滤波器组；再采用一个四层神经网络作为非凸最小二乘目标函数的求解器；最终通过定义一个损失函数作为目标函数，训练网络权重，由权重计算得到自适应滤波器组的波峰中心值和带宽以及滤波器权重系数，得到最稀疏本征模函数，完成信号模态的分解；本发明结合了机器学习中神经网络和信号分解方法，实现待分析时间序列的自适应稀疏分解为本征模函数，在此过程中自动学习和优化求解非凸最小二乘问题，对于非线性非平稳时间序列的自适应稀疏分解尤为重要。
一种基于机器学习自适应稀疏分解方法

[发明专利]基于属性类别关系和少样本元学习的结构损伤识别方法-CN201910757454.6有效
发明人：李惠;徐阳;鲍跃全 -专利权人：哈尔滨工业大学
申请日： 2019-08-16 - 公布日： 2022-06-07 - 主分类号： G06V10/764 文献下载
摘要：本发明公开一种基于属性类别关系和少样本元学习的结构损伤识别方法，能够对几乎所有的损伤类别产生很好的精度和鲁棒性，采用少样本元学习框架，从初始损伤类别中随机、独立地采样得到元训练批次，训练一个参数化模型。每个元批次样本是由随机抽样的训练和测试子集组成的不同分类任务，元批次任务不断地进行迭代，不断涉及到不同的损伤类别。通过训练端到端的属性提取模型，提取损伤类别的共同类间知识作为属性，生成一系列二元语义特征作为描述向量。通过最小化预测属性表示向量与真实属性表示向量之间的距离，在传递已有属性的基础上，对测试集中的损伤类型进行推断和分类。该方法的总体精度为97.61％，召回率为97.58％，最低检测保证精度为92.5％。
基于属性类别关系样本学习结构损伤识别方法

[发明专利]一种基于计算机视觉人体姿态估计的施工安全帽佩戴监测方法-CN201910560913.1有效
发明人： 鲍跃全;吴迪;唐志一;李惠 -专利权人：哈尔滨工业大学
申请日： 2019-06-26 - 公布日： 2022-05-17 - 主分类号： G06V40/10 文献下载
摘要：本发明公开了一种基于计算机视觉人体姿态估计的施工安全帽佩戴监测方法，包括以下步骤：S100根据实时多人姿态估计算法模型OpenPose检测并输出图像中的所有个体的身体骨架姿态；S200根据深度学习目标检测算法模型YOLOv3检测出图像中的工人与安全帽，以两类矩形边框分别进行标识和输出；S300整合两种算法模型，根据两类矩形边框的交面比、以及安全帽矩形边框的对角线长度和人物面部中心点到安全帽中心点长度的比对，判断图中工人是否佩戴安全帽。本发明能够准确判断安全帽是否被正确佩戴，该方法逻辑流程清晰，检测速度快，对实时保障施工现场安全帽的有效佩戴，对维护施工人员的生命安全具有重要意义。
一种基于计算机视觉人体姿态估计施工安全帽佩戴监测方法

[发明专利]一种基于桥梁监控视频中车辆匹配深度学习的桥梁荷载分布识别方法-CN202110971025.6有效
发明人：李惠;黄永;谢俊鑫;陈智成;鲍跃全;蒋运泉 -专利权人：哈尔滨工业大学
申请日： 2021-08-23 - 公布日： 2022-04-12 - 主分类号： G06K9/00 文献下载
摘要：本发明提出了一种基于桥梁监控视频中车辆匹配深度学习的桥梁荷载分布识别方法，所述方法首先进行目标车辆图像的获得及车辆荷载信息关联，然后利用基于HardNet深度学习描述符的图像匹配方法实现不同监控视频图像中的车辆识别，最后对给定时刻的所有位置监控视野中的车辆进行识别，结合目标车辆图像附加的车辆荷载信息，实现桥梁上的车辆荷载识别。本发明的图像匹配过程在各种监控场景下都能很好地建立车辆图像间的点特征对应关系，对于不同监控视频图像间存在的亮度、视角以及尺度变化都有着很好的鲁棒性，从而使得本方法能够有效应对复杂多变的实际监控场景的挑战，稳定识别桥上的车辆荷载。
一种基于桥梁监控视频车辆匹配深度学习荷载分布识别方法

[发明专利]一种基于计算机视觉的结构虚假模态参数自动剔除方法-CN202110384984.8有效
发明人： 鲍跃全;翟伟大;刘大伟;李惠 -专利权人：哈尔滨工业大学
申请日： 2021-04-09 - 公布日： 2022-04-05 - 主分类号： G06K9/00 文献下载
摘要：本发明公开一种基于计算机视觉的结构虚假模态参数自动剔除方法。利用待测结构的已有数据绘制模态振型图；按虚假模态与真实模态阶次进行人工标定并制作成为待测结构的数据集；利用待测结构的数据集训练振型图像分类器；将结构的待测响应信号输入模态参数求解器；求解得到待测结构的真实模态参数与虚假模态参数掺杂的识别结果；进行各阶次的有效分类；利用自动分类器实现待测结构模态参数的自动分类。用以解决模态参数识别的准确结果主要人为判断，面对海量的结构监测数据，人工选取的方式效率低下，难以实现结构模态在线自动分析，严重影响了结构健康监测系统实时预警等功能的问题。
一种基于计算机视觉结构虚假参数自动剔除方法

[发明专利]一种基于计算机视觉和深度学习技术的结构健康监测异常数据诊断方法-CN201810290291.0有效
发明人： 鲍跃全;李惠;唐志一 -专利权人：哈尔滨工业大学
申请日： 2018-04-03 - 公布日： 2021-07-16 - 主分类号： G06Q10/06 文献下载
摘要：本发明提供一种基于计算机视觉和深度学习技术的结构健康监测异常数据诊断方法，是为了解决现有方法难以处理具有多种异常模式的情形，容易产生过处理和欠处理的问题，且人工专家干预的自动化程度低，成本昂贵的缺点而提出的，包括：将待诊断监测数据由时间序列数据通过数据可视化处理转换为时域响应图像数据和频域响应图像数据；根据同一个数据段对应的时域响应图像数据和频域响应图像数据组成双通道时频响应图；从双通道时频响应图中选取样本并标注样本的异常类型，构成训练集；将训练集输入至卷积神经网络模型中，将训练后的模型作为异常数据诊断器；将待诊断监测数据输入至异常数据诊断器中得到诊断结果。本发明适用于结构健康数据监测。
一种基于计算机视觉深度学习技术结构健康监测异常数据诊断方法

[发明专利]基于计算机视觉的桥梁裂缝自动监测与识别方法-CN201810089404.0有效
发明人：李惠;徐阳;鲍跃全;李顺龙 -专利权人：哈尔滨工业大学
申请日： 2018-01-30 - 公布日： 2021-03-16 - 主分类号： G06T7/00 文献下载
摘要：本发明公开一种基于计算机视觉的桥梁裂缝自动监测与识别方法，通过构建训练深度网络模型，以拍摄得到的图像为输入，经过各隐藏层的运算，最终输出得到图像的分类标签，实现裂缝识别，完成计算机对输入图像内容的理解。本发明针对桥梁裂缝的自动监测与识别问题，实现了对于包含复杂背景干扰信息的真实钢箱梁裂缝图像的模型训练、裂缝识别、结果展示的全过程自动化处理。本方法便捷、准确，提升了桥梁裂缝检测的效率以及检测结果的准确度和稳定性。
基于计算机视觉桥梁裂缝自动监测识别方法

[发明专利]一种基于光纤光栅和石墨烯薄膜的结冰监测与融冰系统-CN201711079620.9有效
发明人： 鲍跃全;郭奕兵;李惠;张照辉 -专利权人：哈尔滨工业大学
申请日： 2017-11-06 - 公布日： 2020-02-07 - 主分类号： G01N21/27 文献下载
摘要：一种基于光纤光栅和石墨烯薄膜的结冰监测与融冰一体化系统，涉及一种结冰监测与融冰一体化系统。目的是解决现有测冰融冰技术不能实时同步监测结冰和融冰的过程、现有测冰融冰装置使用受到环境限制和检测结果准确性低的问题。该系统，由测冰融冰复合膜、光纤光栅传感解调仪、复合膜输入电源和计算机构成；该系统由测冰融冰复合膜、光纤光栅传感解调仪、复合膜输入电源和计算机构成；测冰融冰复合膜由光纤布拉格光栅传感带、石墨烯薄膜、上层聚对苯二甲酸乙二醇酯膜、下层聚对苯二甲酸乙二醇酯膜和塑料套管构成；光纤布拉格光栅传感带由数个光纤布拉格光栅传感器串接构成。该系统能够实时同步监测结冰和融冰的过程，布置灵活，准确性高，效率高。
一种基于光纤光栅石墨薄膜结冰监测一体化系统

[发明专利]基于深度强化学习的结构可靠度抽样方法-CN201910212148.4在审
发明人： 鲍跃全;项正良;李惠;唐志一 -专利权人：哈尔滨工业大学
申请日： 2019-03-20 - 公布日： 2019-07-05 - 主分类号： G06N3/04 文献下载
摘要：本发明是基于深度强化学习的结构可靠度抽样方法。本发明针对现有技术在结构可靠度抽样算法方面的不足，利用深度强化学习算法，提出基于深度强化学习的结构可靠度抽样方法，该方法融合的计算机视觉和深度强化学习等技术，可实现抽样空间的智能观察，以及在结构失效面附近的重要区域智能选取样本，作为结构可靠度代理模型的训练样本。为了实现强化学习的结构可靠度抽样，采用深度神经网络作为强化学习中的机器。通过定义一个合适的奖赏，在训练更新机器的同时，可以实现在结构失效面附近的重要区域智能抽样。本发明具有很好的智能结构可靠度采样能力，具有高效性。
结构可靠度强化学习抽样重要区域失效面强化学习算法计算机视觉采样能力抽样算法代理模型方法融合神经网络训练样本智能结构智能选取智能高效性可靠度奖赏样本观察更新

1
2
下一页»
尾页
共 28 条