专利名称
主分类
A 农业
B 作业;运输
C 化学;冶金
D 纺织;造纸
E 固定建筑物
F 机械工程、照明、加热
G 物理
H 电学
专利下载VIP
公布日期
2023-10-24 公布专利
2023-10-20 公布专利
2023-10-17 公布专利
2023-10-13 公布专利
2023-10-10 公布专利
2023-10-03 公布专利
2023-09-29 公布专利
2023-09-26 公布专利
2023-09-22 公布专利
2023-09-19 公布专利
更多 »
专利权人
国家电网公司
华为技术有限公司
浙江大学
中兴通讯股份有限公司
三星电子株式会社
中国石油化工股份有限公司
清华大学
鸿海精密工业股份有限公司
松下电器产业株式会社
上海交通大学
更多 »
钻瓜专利网为您找到相关结果966811个,建议您升级VIP下载更多相关专利
  • [发明专利]电机功率级半实物仿真器-CN201910952042.8有效
  • 张磊;郭宏;邢伟 - 北京航空航天大学
  • 2019-09-30 - 2020-12-01 - G05B17/02
  • 本公开提供了一种电机功率级半实物仿真器,其包括信号采集及调理模块、实时计算模块、负载模拟变换器、双向直流变换器和能量回馈模块;其中,负载模拟变换器包括交流侧和直流侧;信号采集及调理模块用于获取被测电机驱动器的实时输出电压和实时输出电流;实时计算模块内包括电机模型和负载模型,实时计算模块根据实时输出电压和实时输出电流对电机模型和负载模型进行实时解算;负载模拟变换器用于控制交流侧的电流与电机相绕组电流一致;双向直流变换器用于维持直流侧的电压恒定,以保证电机模型和负载模型的解算条件;以及能量回馈模块用于转移或消耗被测电机驱动器输出的电能,以及向被测电机驱动器提供电能。
  • 电机功率实物仿真器
  • [发明专利]基于小波变换的近红外光谱有用信息分辨方法-CN201410744881.8有效
  • 陈晶;张苗;卢小泉 - 西北师范大学;陈晶
  • 2015-08-04 - 2015-07-29 - G01N21/359
  • 本发明提供了一种基于小波变换的近红外光谱有用信息分辨方法,首先获取样本的近红外光谱检测信号;进行小波变换,得到每一个点波长信号的最大小波变换结果,将最大小波变换结果对应的尺度因子作为该点波长信号的最优尺度因子;用所有点波长信号的最优小波变换结果取代最初的检测信号,并将取代后的信号作为新的样本检测信号;利用UVE-PLS方法对新的信号进行选择,构建预测模型;利用最小均方根误差 (root mean square error,RMSE)来检测模型的预测能力。该分辨方法通过连续小波变换最大限度地提取原波长检测信号中的有用信息,再通过这些信息建立预测模型,有效提高预测模型质量。
  • 基于变换红外光谱有用信息分辨方法
  • [发明专利]一种动画模型的肢体动作模拟方法和装置-CN201610192578.0有效
  • 王俊宏 - 腾讯科技(深圳)有限公司
  • 2016-03-30 - 2020-02-11 - G06T13/40
  • 本发明公开一种动画模型的肢体动作模拟方法和装置,用于减少动画资源总量、减少内存占用、提高肢体动作模拟的逼真效果。本发明提供的方法中,分别采用物理模拟的方式、骨骼动画的方式模拟动画模型在多个播放时间需要更新的骨骼运动,从而生成物理模拟的骨骼变换矩阵、骨骼动画的骨骼变换矩阵;根据动画模型在多个播放时间需要更新的骨骼运动确定由骨骼运动驱动产生的肢体动作,并获取肢体动作对应的物理权重,物理权重包括:对应于多个播放时间的权重值;根据物理权重对物理模拟的骨骼变换矩阵和骨骼动画的骨骼变换矩阵进行融合,得到肢体动作对应的骨骼变换矩阵;根据肢体动作对应的骨骼变换矩阵在多个播放时间分别播放动画模型的各个肢体动作
  • 一种动画模型肢体动作模拟方法装置
  • [发明专利]Buck变换器电路参数寄生和退化分析方法-CN201910929752.9有效
  • 孙兰昕;葛杨;英钊;王艳敏 - 哈尔滨工程大学
  • 2019-09-29 - 2023-01-03 - G06F30/20
  • 本发明属于Buck变换器电路设计领域,具体涉及一种基于简化统一模型的Buck变换器电路参数寄生和退化分析方法。本发明包括如下步骤:(1)描述Buck变换器恶劣工况;(2)建立Buck变换器简化模型;(3)分析寄生参数对电路性能的影响;(4)分析铝电解电容失效和劣化对电路性能的影响。本发明全面考虑Buck变换器全部元器件的非理想性及寄生参数,并联合考虑铝电解电容失效和参数退化的恶劣情况,建立一种简化统一模型用于多种工况下的电路性能分析。基于Buck变换器的简化统一模型,分别给出电路寄生参数、铝电解电容失效、劣化等多种恶劣情况对电路性能的量化影响。
  • buck变换器电路参数寄生退化分析方法
  • [发明专利]一种基于多新息递推最小二乘的Boost变换器故障诊断方法-CN201910455779.9有效
  • 王子赟;刘子幸;王艳;纪志成 - 江南大学
  • 2019-05-29 - 2020-11-17 - G06F30/20
  • 本发明公开了一种基于多新息递推最小二乘的Boost变换器故障诊断方法,属于电力变换器故障诊断领域。该方法包括建立Boost变换器的混杂系统离散模型;获取Boost变换器的最小二乘递推模型;根据最小二乘递推模型获取新息标量;获取预定时间范围内Boost变换器的信息向量和系统输出;根据新息长度扩展出多新息向量,获取信息矩阵和输出向量;估计Boost变换器的参数向量;根据估计得到的参数向量,确定Boost变换器中各个元件的估计值并判断Boost变换器是否发生故障;解决了目前Boost变换器故障诊断数据利用率低的问题;达到了平滑各元件的参数估计数值,提高Boost变换器故障诊断的精度和收敛速度的效果。
  • 一种基于多新息递推最小boost变换器故障诊断方法
  • [发明专利]等变网络训练方法和装置、图像识别方法和装置-CN202210082330.4有效
  • 陈智强;余山;陈阳 - 北京智源人工智能研究院
  • 2022-01-24 - 2022-12-16 - G06V10/44
  • 本发明公开了一种等变网络训练方法,包括:构造由卷积层组成的网络模型;利用目标变换群对应的维度参数将所述网络模型中卷积层的卷积操作转变为等变卷积操作;利用训练图像集中的图像对所述网络模型进行训练,以获得等变网络通过在网络的卷积层中增加一个目标变换群维度,即利用目标变换群对应的维度参数将网络中卷积层的卷积操作转变为等变卷积操作,从而实现在目标变换群上的等变网络,能够将图像的变换与本质特征解耦。目标变换群可以是任意线性变换群,包括并不限于平移变换群、旋转变换群、放缩变换群、错切变换群、齐次空间下的三维旋转变换群,因此本方案能够实现任意线性群等变网络的实现,方案通用性强。
  • 网络训练方法装置图像识别
  • [发明专利]一种基于深度学习模型的血管分割方法及装置-CN202211557346.2在审
  • 苏紫昱;刘文博;旷雅唯 - 华科精准(北京)医疗科技有限公司
  • 2022-12-06 - 2023-03-14 - G06T7/00
  • 本发明提供一种基于深度学习模型的血管分割方法及装置,该方法包括:对医学影像进行图像变换,得到变换影像;以所述变换影像为样本,以所述医学影像为标签,形成预训练样本;根据所述预训练样本对深度学习模型进行预训练;利用正式训练样本对所述深度学习模型进行二次训练,得到血管分割模型;将待分割医学影像输入所述血管分割模型,得到分割后的血管影像。本发明通过图像变换生成预训练样本,对深度学习模型进行预训练,预训练过程无需对医学影像样本进行人工标注,降低了模型训练成本;通过标注了血管/非血管标签的正式训练样本在预训练的基础上对深度学习模型进行二次训练,使得模型能够进一步识别出血管结构,提升了血管分割精度。
  • 一种基于深度学习模型血管分割方法装置
  • [发明专利]一种计算撞振模型节点位移的方法、装置-CN202110617607.4有效
  • 卫洪涛;张峰;孙利民;徐文涛;蔡守宇;郭攀;马竞;张强;卫荣汉 - 郑州大学
  • 2021-06-03 - 2022-11-22 - G06F30/23
  • 本申请提供了一种计算撞振模型节点位移的方法、装置,包括获取撞振模型的有限元方程,根据有限元方程和预设的物理位移计算方程获得仿真微分方程;根据预设的仿真步长、模态位移、模态速度初值以及仿真微分方程进行仿真;当撞振模型的状态每发生一次变换,则根据几何条件和振型正交性求解仿真微分方程得到每次变换后的模态速度初值,并设置每次变换后的模态位移初始为零,以形成每次变换后的仿真条件;根据物理位移计算方程、每次变换后的有限元方程通过振型正交性计算得到每次变换后的仿真微分方程,并根据每次变换后的仿真微分方程和对应的每次变换后的仿真条件对撞振模型进行仿真,以获得每一节点在每一仿真步长的总物理位移向量。
  • 一种计算模型节点位移方法装置
  • [发明专利]菜肴图像识别方法及装置-CN202010097854.1在审
  • 胡沁涵;郭心悦;杨季文;朱磊 - 苏州大学
  • 2020-02-18 - 2020-06-16 - G06K9/00
  • 本申请涉及一种菜肴图像识别方法及装置存储介质,属于计算机技术领域,该方法包括:获取待识别的目标菜肴图像;获取图像识别模型,图像识别模型基于神经网络模型建立,且在神经网络模型中的多层中间层中添加了批归一化层,批归一化层包括归一化层和线性变换层;该归一化层用于对当前层的输入数据进行归一化;线性变换层用于将归一化后的数据线性变换至预设分布区间,线性变换层中的线性变换参数是通过对图像识别模型进行训练得到的;将目标菜肴图像输入图像识别模型,得到图像识别结果;可以解决现有的菜肴图像识别模型忽略数据分布随神经网络加深而梯度消失的问题;保证多层中间层计算后数据分布仍存在梯度,提高菜肴识别的准确性。
  • 菜肴图像识别方法装置

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

400-8765-105周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top