“贾颢”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23个，建议您升级VIP下载更多相关专利

[发明专利]用于电能质量扰动类型识别的序列对序列模型建立方法-CN201910189786.9有效
发明人：邓亚平;贾颢;杨悦;李鹏程;邱晓东;王璐 -专利权人：西安理工大学
申请日： 2019-03-13 - 公布日： 2023-05-23 - 主分类号： G06F18/24 文献下载
摘要：本发明公开了用于电能质量扰动类型识别的序列对序列模型建立方法，具体为：首先，采集信号或数据，对数据进行预处理，进行人工分类；再将输入数据集和标签集转换为矩阵形式，并对其分别进行随机划分为训练集和测试集，之后构建基于独立循环神经网络的序列对序列模型，并对模型进行训练，过拟合判断；最后对序列数据中各单一元素的识别，使用Argmax函数获得对序列中单一元素的识别结果。基于独立循环神经网络的序列对序列模型不仅可以从最大程度上提取出序列数据的内在特征，而且可以极大程度上提高采样点数多或时间跨度大的序列数据中各序列元素所属类别的判断准确率。
用于电能质量扰动类型识别序列模型建立方法

[发明专利]基于双向独立循环神经网络的序列预测模型的建立方法-CN201910189813.2有效
发明人：邓亚平;贾颢;王璐;邱晓东;李鹏程;许昀天 -专利权人：西安理工大学
申请日： 2019-03-13 - 公布日： 2023-04-07 - 主分类号： G06N3/044 文献下载
摘要：本发明公开了基于双向独立循环神经网络的序列预测模型的建立方法，具体为：首先，采集信号或数据进行预处理，形成输入数据集，将输入数据集转换为矩阵形式，再对数据整体向后位移一位，构成所需预测的序列，之后将其转变为矩阵数据，分别形成训练集和测试集，之后再构建基于双向独立循环神经网络的序列对序列模型，进行训练，过拟合判断，最后利用预测模型来预测下一个采样点数据，利用当前预测数据作为下一个输入再次预测下一个采样点数据，循环n次预测出n个采样点数据获得未来数据。该方法可以基于更长的历史依赖数据来预测未来时间序列数据变化趋势，能够更好的发现时序信号或数据中各序列元素之间的依赖关系，获得更加精准的预测结果。
基于双向独立循环神经网络序列预测模型建立方法

[发明专利]基于门控循环单元深度学习模型的电压暂降状态评估方法-CN202210106391.X在审
发明人：邓亚平;张晓晖;席晓莉;贾颢 -专利权人：西安理工大学
申请日： 2022-01-28 - 公布日： 2022-06-14 - 主分类号： G06Q50/06 文献下载
摘要：本发明公开了发明基于门控循环单元深度学习模型的电压暂降状态评估方法，采集每种运行工况下的监测节点电压数据A和待评估节点电压数据B；计算A和B的三相电压均方根值，形成电压暂降样本数据C；对A和B进行归一化预处理后形成电压数据E和电压数据F；取F中的最小值进行区段划分，并进行编号形成L；将E与L形成电压暂降样本数据M；将M划分为样本集；进行训练后获得训练后模型；进行拟合验证，选出最优模型；将监测节点采集到的实际电压数据输入至最优模型中，输出数据即为待评估节点的电压暂降状态分析结果。本发明在一定程度上降低了经济成本，且提高了可靠性。
基于门控循环单元深度学习模型电压状态评估方法

[发明专利]基于独立循环神经网络深度学习的GIS状态分析方法-CN202210106381.6在审
发明人：邓亚平;贾颢;同向前;张晓晖 -专利权人：西安理工大学
申请日： 2022-01-28 - 公布日： 2022-06-10 - 主分类号： G01R31/327 文献下载
摘要：本发明公开了一种基于独立循环神经网络深度学习的GIS状态分析方法，具体包括如下步骤：步骤1，收集样本数据；步骤2，对每一个样本数据进行归一化预处理，并输出项数据进行编号；步骤3，将经步骤2处理后的样本数据分为训练样本集、验证样本集、测试样本集；步骤4，搭建独立循环神经网络深度学习模型的整体结构；步骤5，对步骤4的模型使用步骤3的训练样本集进行训练后获得训练后模型；步骤6，对步骤5的模型使用步骤3的验证样本集进行过拟合验证，获取最优模型；步骤7，输出分析结果。本发明解决了现有GIS状态分析结果易受主观因素影响、可靠性低的问题。
基于独立循环神经网络深度学习 gis 状态分析方法

[发明专利]基于双向门控循环神经网络的雏鸡性别鉴别方法-CN202210108395.1在审
发明人：贾颢;张晓晖;王璐 -专利权人：西安理工大学
申请日： 2022-01-28 - 公布日： 2022-06-10 - 主分类号： G10L17/26 文献下载
摘要：本发明公开了一种基于双向门控循环神经网络的雏鸡性别鉴别方法，步骤包括：1)将雏禽声纹波形数据进行采样；2)将雏禽声纹波形数据转化为序列形式；3)将序列化后的雏禽声纹数据样本划分为训练集、交叉验证集及测试集；4)构建基于循环神经网络的模型构架；5)对基于循环神经网络的模型构架进行训练；6)使用交叉验证集进行模型过拟合测试；7)使用测试集进行测试；8)应用基于循环神经网络的人工智能模型进行雏禽性别鉴定。对雏禽性别鉴定具有极高的准确率和实时性，降低对操作人员的专业技能要求。
基于双向门控循环神经网络雏鸡性别鉴别方法

[发明专利]考虑多源信息时基于深度学习模型的变压器状态评估方法-CN202210101809.8在审
发明人：邓亚平;贾颢;同向前;张晓晖 -专利权人：西安理工大学
申请日： 2022-01-27 - 公布日： 2022-06-03 - 主分类号： G06V10/764 文献下载
摘要：本发明公开了一种考虑多源信息时基于深度学习模型的变压器状态评估方法，包括收集变压器运行状态历史数据作为样本集，对样本集中数据进行预处理和标注，将标注后的样本数据划分为训练集和测试集，搭建基于双向独立循环神经网络结构的深度学习模型，采用训练集中样本数据训练搭建的深度学习模型，得到训练后的深度学习模型，采用测试集中样本数据对训练后的深度学习模型进行过拟合判断，若训练后的模型出现了过拟合现象，调整模型的超参数，然后重新训练模型，直至未出现过拟合现象，获得最优模型，采集待评估变压器的当前信号数据并输入最优模型中，得到变压器状态评估结果。
考虑信息基于深度学习模型变压器状态评估方法

[发明专利]基于WaveNet的多端直流输电线路故障诊断方法-CN202210106519.2在审
发明人：邓亚平;张晓晖;席晓莉;贾颢 -专利权人：西安理工大学
申请日： 2022-01-28 - 公布日： 2022-06-03 - 主分类号： G06K9/62 文献下载
摘要：本发明公开了基于WaveNet的多端直流输电线路故障诊断方法，首先，采集多端柔性直流输电系统中的部分电压电流信号采集收集后进行预处理；其次，对样本数据集人工标注并划分为样本训练集、样本验证集、样本测试集；然后，对搭建完成的WaveNet模型进行训练，直至未出现过拟合现象；最后，使用最优分析模型部署到实际中，得到多端柔性直流输电线路故障诊断分析结果。本发明方法在一定程度上避免了现有技术中人为造成的不确定性因素，且诊断结果不依赖于物理模型，不受线路参数、负荷容量、系统阻抗等因素影响，模型适应能力较强，准确率较高。
基于 wavenet 多端直流输电线路故障诊断方法

[发明专利]计及时变拓扑时基于深度学习的电压暂降源定位方法-CN202210025828.7在审
发明人：邓亚平;贾颢;同向前;王璐 -专利权人：西安理工大学
申请日： 2022-01-11 - 公布日： 2022-05-27 - 主分类号： G01R31/08 文献下载
摘要：本发明公开了一种计及时变拓扑时基于深度学习的电压暂降源定位方法，本发明解决现有方法在面对时变电网拓扑结构时，模型不可用、自适应性差、定位准确率低、算法泛化性能差的问题。通过采用基于1D卷积深度学习模型和迁移学习结合，对电能质量监测设备所采集到的有限个监测节点所对应的三相监测电压进行分析后，获得配电网中具体的电压暂降源所在线路。提高模型在拓扑变化时电压暂降源定位准确率，提高模型自适应能力和泛化性能。
及时拓扑基于深度学习电压暂降源定位方法

[发明专利]基于1D V-net深度学习模型的电压暂降分析方法-CN202210020999.0在审
发明人：邓亚平;贾颢;同向前;王璐 -专利权人：西安理工大学
申请日： 2022-01-10 - 公布日： 2022-05-13 - 主分类号： G01R19/165 文献下载
摘要：本发明公开了基于1D V‑net深度学习模型的电压暂降分析方法，能够直接从原始的监测数据中自主学习由电动机启动、变压器投切、单相短路、两相短路和三相短路原因引起的电压暂降特征信息，避免了繁琐手工特征提取过程。与RNN、LSTM、GRU等结构构成的单向循环网络结构相比较，本发明能够提高电压暂降扰动类型分类准确率和电压暂降起止时刻定位准确率。与RNN、LSTM、GRU等结构构成的双向循环网络结构相比较，本发明能够在降低模型参数的基础上，保障电压暂降扰动类型分类准确率和电压暂降起止时刻定位准确率。
基于 net 深度学习模型电压分析方法

[实用新型]一种便携式无创断喙设备-CN202122115118.7有效
发明人：梁永杰;陈金鹏;孙德昌;张晓晖;邓亚平;贾颢 -专利权人：西安理工大学
申请日： 2021-09-03 - 公布日： 2022-04-01 - 主分类号： A61D1/00 文献下载
摘要：本实用新型的一种便携式无创断喙设备，包括禽类卡座，所述禽类卡座包括卡座前壳体和卡座后挡板，卡座前壳体表面开设有容头凹槽，容头凹槽槽底开设有容喙凹槽，容喙凹槽槽底为开口，容头凹槽槽口下方设有容脖凹槽，容头凹槽槽口与容脖凹槽槽口相通；所述卡座后挡板设置于卡座前壳体的背面，卡座后挡板开设有与容喙凹槽开口配合的切口，位于卡座后挡板切口的上方设置有聚能断喙组件，聚能断喙组件指向卡座后挡板切口处，卡座后挡板切口一侧还装有反光块；本装置设计巧妙，结构紧凑，功能完整，自带分布式风冷，能独立构成手持式或脚踏式断喙器工作。结构简单，无创断喙，使用可靠、安全、效率高。
一种便携式无创断喙设备

[实用新型]一种用于禽类的头部夹具-CN202122115409.6有效
发明人：梁永杰;陈金鹏;孙德昌;张晓晖;邓亚平;贾颢 -专利权人：西安理工大学
申请日： 2021-09-03 - 公布日： 2022-03-29 - 主分类号： A01K37/00 文献下载
摘要：本实用新型公开了一种用于禽类的头部夹具，包括外壳体，外壳体表面开设有容头凹槽，容头凹槽槽底开设有容喙凹槽，容喙凹槽槽底为开口，外壳体位于容头凹槽槽口下方设有容脖凹槽，容头凹槽槽口与容脖凹槽槽口相通，位于容头凹槽两侧通过连接轴活动连接有两个夹头片，所述连接轴连接有驱动装置，驱动装置位于外壳体内，驱动装置驱动连接轴带动两个夹头片旋转，还包括后盖，所述后盖开设有与容喙凹槽配合的开口；将禽类的头部放入容头组件内，转动夹头片挡住禽类的头部，使之固定在凹槽内，实现禽类头部的固定与定位。该头部夹具构造简单，使用方便，能够大大提升禽类头部的固定效率。
一种用于禽类头部夹具

[发明专利]基于双向WaveNet深度学习的电压暂降源定位方法-CN202110965856.2在审
发明人：邓亚平;王璐;林邵杰;贾颢;同向前 -专利权人：西安理工大学
申请日： 2021-08-23 - 公布日： 2021-12-17 - 主分类号： G01R31/00 文献下载
摘要：本发明公开了基于双向WaveNet深度学习的电压暂降源定位方法，具体为：首先，利用电能质量监测设备，对观测节点的三相电压的幅值进行采样，并对数据进行预处理，并形成训练数据集和测试数据集；搭建双向WaveNet整体模型结构，并对模型进行训练；最后使用监测到的实际电压幅值数据，经过预处理后获得电压幅值矩阵数据，将电压矩阵数据输入模型中，输出数据即为所需的电压暂降源定位结果。通过采用基于双向WaveNet模型，将时间依赖信息的分析由隐含状态传递转变为提取时间序列中数据连接特征，从而实现提取更长的数据之间的时序关系，进行电压暂降源定位问题分析。
基于双向 wavenet 深度学习电压暂降源定位方法

[发明专利]基于深度残差网络的骨科病病变分类分级方法-CN201810142302.0有效
发明人：邓亚平;王璐;贾颢 -专利权人：西安理工大学
申请日： 2018-02-11 - 公布日： 2021-11-16 - 主分类号： G06K9/62 文献下载
摘要：本发明公开了一种基于深度残差网络的骨科病病变分类分级方法，具体按照以下步骤实施：步骤1，离线学习，将经过专业分类并做好标记的骨科病病变图像进行预处理，然后进行深度残差神经网络训练；步骤2，在线学习，将经步骤1训练好的深度残差神经网络进行备份后部署到日常诊疗中，同时使用在线学习的训练方法，使深度残差神经网络通过日常的诊疗数据不断的自我修正。本发明的基于深度残差网络的骨科病病变分类分级方法，解决了现有卷积神经网络随着神经网络构架深度的增加，出现精度饱和随后精度下降，且离线学习的方法无法对每天产生的诊疗数据加以利用，因而无法随着诊疗数目的增加进行自我修正的问题。
基于深度网络骨科病变分类分级方法

[发明专利]一种基于门控循环单元的超短期风电功率预测方法-CN202110820694.3在审
发明人：邓亚平;林邵杰;王璐;贾颢;同向前 -专利权人：西安理工大学
申请日： 2021-07-20 - 公布日： 2021-11-12 - 主分类号： G06Q10/04 文献下载
摘要：本发明公开了一种基于门控循环单元的超短期风电功率预测方法，具体按照以下步骤实施：步骤1、对获取的风电功率和风速数据进行预处理；步骤2、搭建基于GRU与全连接层的模型；步骤3、使用经过预处理的数据训练步骤2搭建的模型，获得能够反映输入的风速数据、风电功率数据与输出的风电功率数据之间关系的模型参数和权重，得到用于超短期风电功率预测的模型；步骤4、利用步骤3得到的用于超短期风电功率预测的模型对特定时间的风速功率进行预测。本发明的预测方法可以处理更长的时间序列。
一种基于门控循环单元短期电功率预测方法

[发明专利]基于双向门控循环神经网络的电能质量扰动的分类方法-CN201810647778.X有效
发明人：邓亚平;王璐;贾颢;徐敬一;韩娜;同向前 -专利权人：西安理工大学
申请日： 2018-06-22 - 公布日： 2021-05-25 - 主分类号： G06N3/04 文献下载
摘要：本发明公开了一种基于双向门控循环神经网络的序列中单一元素分类方法，步骤包括：1)对采集到的时序信号或数据进行人工分类；2)将输入数据集和标签集分别转换为矩阵形式；3)将输入数据集和对应的标签集随机划分为训练集和测试集，其中训练集数据占总样本70％，测试集数据占总样本的30％；4)构建双向门控循环神经网络模型；5)对构建好的双向门控循环神经网络模型进行训练；6)过拟合判断；7)使用训练好的双向门控循环神经网络模型进行序列单一元素的分类，使用Argmax函数从输出层得到最终判断结果，获得对序列中单一元素的正确分类。本发明的方法，对序列数据的识别准确率达99％以上。
基于双向门控循环神经网络电能质量扰动分类方法

1
2
下一页»
尾页
共 23 条