“欧阳彤彬”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6个，建议您升级VIP下载更多相关专利

[发明专利]基于特征学习与协同表示网络的高光谱图像异常检测方法-CN202310002992.0在审
发明人： 欧阳彤彬 -专利权人：中国船舶集团有限公司第七〇九研究所
申请日： 2023-01-03 - 公布日： 2023-09-22 - 主分类号： G06V10/82 文献下载
摘要：本发明公开了一种基于特征学习与协同表示网络的高光谱图像异常检测方法，包括S1选择待处理的高光谱图像数据，并随机抽取70％作为训练数据，30％作为测试数据；S2构建网络结构；S3根据训练数据对网络结构进行训练后获得异常检测网络；S4将测试数据输入至异常检测网络中，提取高光谱图像数据的隐层特征图像，并根据协同表示网络对隐层特征图像进行重建获得重建图像，通过计算重建图像与隐层特征图像中各个对应像素的欧氏距离获得异常检测图。本发明将自编码器与自注意力模块相结合，更好地提取图像的全局特征，利用训练好的协同表示网络生成全局背景字典以及权重矩阵，对特征进行表示，通过表示结果与原特征图的误差图来检测异常目标，耗时短，精度高。
基于特征学习协同表示网络光谱图像异常检测方法

[发明专利]一种基于深度学习网络的高光谱异常检测方法-CN202310652449.5在审
发明人：王津申;欧阳彤彬;何益凡;段宇宵 -专利权人：北京航空航天大学
申请日： 2023-06-02 - 公布日： 2023-08-18 - 主分类号： G06V10/774 文献下载
摘要：本发明涉及数据处理技术领域，尤其涉及一种基于深度学习网络的高光谱异常检测方法，所述方法包括：S1、获取待处理的高光谱图像；S2、将所述待处理的高光谱图像输入训练好的深度学习网络得到最终的异常检测结果；所述训练好的深度学习网络包括：隐层特征提取网络、深层综合潜在特征提取网络、协同表示神经网络和检测融合网络；其中，预先采用高光谱图像的训练数据对深度学习网络中的隐层特征提取网络、深层综合潜在特征提取网络、协同表示神经网络和检测融合网络进行联合训练以获取训练好的深度学习网络。相对于现有技术而言，其可以提高检测性能以及提高检测精度。
一种基于深度学习网络光谱异常检测方法

[发明专利]一种高光谱图像异常检测方法-CN202110362373.3有效
发明人：王津申;欧阳彤彬;鲜宁;武姝洁;赵欣玥 -专利权人：北京航空航天大学
申请日： 2021-04-02 - 公布日： 2023-03-24 - 主分类号： G06V20/13 文献下载
摘要：本发明涉及一种高光谱图像异常检测方法，包括：获取待处理的高光谱图像；将所述高光谱图像中的行数据依序输入到预先训练的对抗自编码器AAE中，并获取对应各行数据的隐层特征，采用RXD算法对所有行数据的隐层特征进行异常检测，获取异常检测结果；训练后的AAE包括：用于输出符合高斯分布的特征数据的编码器，所述编码器包括至少一层LSTM层和批归一化层；其中，预先采用高光谱图像的训练数据集借助于包括至少一个判别器的训练网络对AAE进行训练以获取的训练后的AAE。
一种光谱图像异常检测方法

[发明专利]基于infoGAN的三维温度场预测方法-CN202111239698.9有效
发明人：李涛;孙全胜;王津申;王艳丽;李洪涛;郭拂娟;李梦瑶;武姝洁;欧阳彤彬;荆瑞静;高丽岩;景大尉;梁江卫;曹德成 -专利权人：中国石油化工股份有限公司
申请日： 2021-10-25 - 公布日： 2022-09-27 - 主分类号： G06F30/28 文献下载
摘要：本发明公开了一种基于infoGAN的三维温度场预测方法，包括以下步骤：获取工况数据，CFD仿真计算获得该工业加热炉的三维温度场数据，由该三维温度场数据所得样本为真样本；数据预处理后分为训练集和测试集；训练infoGAN网络，其中，通过比较假样本与真样本分布之间的Wasserstein距离的差异，并分别求出判别器和生成器目标损失函数，更新判别器和生成器各层的参数，使得生成器和判别器不断互相博弈，交替训练；使用测试集对训练后的infoGAN网络性能进行测试，利用最终训练好的infoGAN网络实现工业加热炉三维温度场的预测。本发明能够直接从加热炉入口工况数据预测加热炉内部温度场，节省计算时间和计算成本。
基于 infogan 三维温度场预测方法

[发明专利]基于数字孪生的工业加热炉温度场预测方法-CN202011113821.8在审
发明人：李涛;孙全胜;王津申;王艳丽;李洪涛;郭拂娟;李梦瑶;欧阳彤彬;孙磊;武姝洁;景大尉;梁江卫;邓文博;荆瑞静;曹德成 -专利权人：中国石油化工股份有限公司
申请日： 2020-10-17 - 公布日： 2021-03-19 - 主分类号： G06F30/28 文献下载
摘要：一种基于数字孪生的工业加热炉温度场预测方法：建立工业加热炉的数据集，包括工况数据和根据CFD仿真温度场确定温度场；进行数据处理：对工况各数据进行归一化处理、根据温度场还原炉膛平面温度云图；改进cGAN网络的损失函数；训练改进的cGAN网络；在完成网络训练之后，得到一个以工况作为输入，温度矩阵作为输出的生成器，再分别将不同平面的工况数据输入所述的生成器，最终得到工业加热炉温度场。本发明大大节省了计算过程的时间空间消耗，并且能够获得实时温度场。同时，深度学习得到的映射模型具有较好的迁移能力，这为很多研究场景提供了更多更快捷的数据来源。
基于数字孪生工业加热炉温度场预测方法

[发明专利]基于卷积长短期记忆网络的加热炉温度场实时预测方法-CN201911036206.9在审
发明人：李涛;孙全胜;王津申;王艳丽;李洪涛;郭拂娟;李梦瑶;欧阳彤彬;孙磊;景大尉;邓文博;薛志新 -专利权人：中国石油化工股份有限公司
申请日： 2019-10-29 - 公布日： 2020-03-24 - 主分类号： G06F30/27 文献下载
摘要：一种基于卷积长短期记忆网络的加热炉温度场实时预测方法，包括：搭建温度场实时预测网络；对温度场实时预测网络进行训练；对工业加热炉各数据分别进行归一化处理；对工业加热炉各数据进行三维扩展；将扩展后的数据送入训练好的温度场实时预测网络得到三维温度场预测结果；通过保留的三维温度场每个点对应的管壁温度场的空间坐标，将得到的三维温度场预测结果还原为管壁温度场。本发明可以快速得到预测温度场，相比于计算流体力学方法计算一次温度场需要数天的时间，本发明的方法只需要数秒就可以得到预测温度场，效率提升显著，同时预测误差很小。
基于卷积短期记忆网络加热炉温度场实时预测方法