本申请提供了一种基于人工智能的供热管网节能效果评估方法及系统,涉及节能效果评估技术领域,该方法包括:采集待改造区域的供热设备信息、历史供热运行参数、供热对象特征、区域环境特征和供热管网分布,并以区域环境特征和历史供热设备信息为约束,检索真实样本数据集;对真实样本数据集进行优化扰动,生成扩充样本数据集;采用真实样本数据集和扩充样本数据集分别训练深度神经网络,构建节能预测模型;将供热管网改造方案、供热对象特征、供热管网分布和历史供热运行参数,输入节能预测主、辅助通道进行节能效果预测,通过融合通道输出节能效果评估结果。解决了现有技术中供热管网节能效果评估的准确性和实用性不足的技术问题。
📄 2025108883877
📂 G06F18_214
👤 青岛海希诺咨询管理有限公司
📅 2025-06-30
本发明属于数据安全领域,涉及一种针对不平衡样本分布的漏洞分类方法、装置及计算机设备;所述方法包括获取漏洞分类数据集,并从中选出样本数量少的漏洞类别,构建少样本漏洞分类数据集;将少样本漏洞分类数据集的漏洞描述输入到漏洞描述生成模型中;将生成的漏洞描述输入到分类模块中,对漏洞描述进行筛选;将筛选后的漏洞描述、对应的漏洞危险等级、所属的漏洞类别作为新的样本加入漏洞分类数据集中,得到漏洞分类增强数据集;将漏洞危险等级作为外部特征,与漏洞描述特征进行融合表示,构建并训练漏洞描述分类模型,将训练好的模型应用于漏洞分类。本发明解决了安全漏洞分类数据集存在的样本分布不平衡问题。使模型能更好地学会不同类别漏洞之间的差异。
📄 2024103998649
📂 G06F18_214
👤 重庆邮电大学
📅 2024-04-03
本发明公开了一种生成对抗网络的自生长训练方法,包括以下步骤,将随机噪声数据输入到生成对抗网络的生成器中,通过反卷积操作,训练卷积通道较小的种子神经网络框架,并将所述种子神经网络框架训练至目标程度;在所述种子网络训练结束之后将所述种子神经网络框架进行自生长运算,将所述种子神经网络框架的通道数增多,生长为成熟型网络;将所述成熟型网络进行剪枝操作,并设定剪枝操作为稀疏化剪枝。本发明的有益效果:本发明提出的自生长生成对抗网络能够有效的解决这个问题;三是同时针对生长方式提出特定的剪枝方法‑稀疏化剪枝,能够减掉特征图中相似性较高的特征图。
📄 201910231530X
📂 G06F18_214
👤 江南大学
📅 2019-03-26
本发明涉及一种倒装芯片缺陷检测方法、系统、设备和介质,其中,方法包括:步骤S1:采集倒装芯片的一维振动数据,并将采集的一维振动数据划分为训练集、测试集和未标记样本集;步骤S2:将所述训练集划分为支持集和查询集,基于所述支持集和所述查询集构建若干损失函数,通过若干损失函数对预先设置的改进原型网络进行训练;步骤S3:对所述未标记样本集中的样本赋予伪标签,得到伪标签样本,并扩充所述训练集,通过扩充的训练集对改进原型网络进一步训练,得到训练好的改进原型网络;步骤S4:将所述测试集导入训练好的改进原型网络进行缺陷检测,得到检测结果。本发明能够有效提高在小样本情况下倒装芯片缺陷检测的准确性。
📄 2024107664986
📂 G06F18_214
👤 江南大学, 中国电子科技集团公司第五十八研究所
📅 2024-06-14
本发明公开了一种基于编码输入的生成对抗网络故障检测方法及系统,包括:获取原始正常工况数据集及待测样本;归一化处理所获得的数据分别的得到正常工况标准数据集、待测标准样本;利用正常工况标准数据集通过最小化重构误差训练自编码器模型,得到编码器,训练对抗网络得到生成器和判别器;分别求取正常工况标准数据集、待测标准样本对应的统计量,基于正常工况标准数据集的统计量利用核密度估计方法计算出控制限;基于待测标准样本统计量与控制限绘制控制图并比较判断是否发生故障,完成故障检测。本发明改善了训练过程缓慢的问题,提升了生成对抗网络的训练效果和检测性能,且本方法大大减少了计算成本,降低了检测延时。
📄 2021103878874
📂 G06F18_214
👤 江南大学
📅 2021-04-12
本发明涉及感应电机故障监测技术领域,公开了一种感应电机典型故障增量监测方法,采集电机的振动信号与电流信号,通过极坐标映射进行多源信号融合,生成融合图像;构建由特征提取器和可扩展分类器组成的诊断网络;构造知识选择损失、特征传递损失、第一分类器损失及预测损失,并可选地结合原型偏移正则化损失、第二分类器分类损失及知识蒸馏损失,对诊断网络进行无示例增量训练。本发明无需存储历史故障样本,基于Transformer的补丁级感知策略实现细粒度特征提取,有效降低机械故障与电气故障的特征重叠,同时通过原型校正与特征生成机制抑制原型漂移,缓解灾难性遗忘,在保障数据隐私的同时实现电机故障的高精度连续监测。
📄 2026107782587
📂 G06F18_214
👤 江南大学
📅 2026-06-02
本发明涉及人工智能与工业过程建模技术领域,尤其是指一种基于Gamma变分自编码器的时间序列数据生成方法及装置,包括:在变分自编码器中利用Gamma分布对潜在变量进行建模,并在训练该变分自编码器时,首先根据约束条件对训练集中原始时间序列数据的每个变量值进行归一化作为训练输入,再引入可微重参数化采样机制对编码器输出参数构建的Gamma分布进行采样,以解决传统采样方法在小形状参数条件下存在的训练不稳定问题,使得完成训练的变分自编码器能够显著提高生成时间序列数据的约束满足率和物理一致性。本发明能够稳定生成具有良好工程可用性的高质量时间序列数据。
📄 2025110633009
📂 G06F18_214
👤 江南大学
📅 2025-07-31
一种基于数据增强和自监督时频对比的机电设备故障诊断方法,属于机电设备故障诊断领域,所述方法包括以下步骤:第一步,机电设备数据增强与预处理;第二步,使用基于通道‑空间注意机制的选择性卷积核SKCS优化自监督时频对比学习;第三步,使用改进的互相关损失矩阵来衡量频域数据与时域数据之间的相关性,并通过损失函数训练模型;将参数更新后的编码器保留到下游的故障诊断任务中,实现对机电设备故障故障诊断。本发明提高故障表征学习的准确性和鲁棒性,提升跨场景故障诊断的效率和实用性。
📄 2025112797075
📂 G06F18_214
👤 中国计量大学
📅 2025-09-09
本发明公开了一种风电机组齿轮箱故障诊断方法及系统,包括:对原始振动信号进行VMD变分模态分解得到本征模态分量IMF,取相关系数ρi最大的本征模态分量IMF做Hilbert变换,得到Hilbert‑Huang谱图;将各原始振动信号对应的Hilbert‑Huang谱图分为源域数据样本和目标域数据样本;构建深度残差网络模型,利用源域数据样本和目标域数据样本训练深度残差网络模型得到针对目标域的迁移诊断模型;输入目标域待测数据样本到迁移诊断模型中得到诊断结果;利用MK‑MMD损失函数对深度残差网络模型进行调整使得模型能够在仅有少量样本的情况下实现故障的高精度诊断。
📄 2023117207978
📂 G06F18_214
👤 河海大学
📅 2023-12-14
本发明公开一种基于MD抽样和模型可信度的联邦学习聚合方法,MD抽样方法进行边缘设备的抽样,基于边缘设备样本量与总体样本量的比值进行抽样,服务器向被选中的边缘设备发送模型,被抽样边缘设备进行本地训练,通过随机梯度下降方法进行局部模型更新,当达到本地训练次数后,将本地训练的相关参数进行上传。基于模型可信度的全局模型聚合策略,首先对上传的边缘设备的局部模型计算其模型可信度;基于局部模型准确率计算出其模型精度,基于时间衰减函数计算出每个边缘设备局部模型的历史精度模型;最后利用模型可信度和局部的历史模型精度作为聚合全局模型时局部模型所占的比重。本发明保证了模型的准确率以及安全性,提高了模型的收敛速率。
📄 2022116189272
📂 G06F18_214
👤 淮安大学
📅 2022-12-14
本发明公开了一种基于改进神经网络的网络安全态势理解和评估方法,通过采用复合最优单元,使用Relu6作为卷积层的激活函数,对模型框架的改进和优化;同时充分考虑核对测试样本数据分布特点,对测试数据集平衡调整后进行网络训练,提高了态势理解和评估的准确率;本发明根据网络数据信息在时间上具有连续性的特点,对当下的网络信息进行分析的同时结合攻击发生前的网络数据,对时间序列数据进行有效的数据融合;在属性特征较多和样本量较大时避传统态势感知研究方法运行时间短。
📄 2021101172359
📂 G06F18_214
👤 河北师范大学
📅 2021-01-28
本发明涉及联合学习技术领域,特别涉及一种基于参数扩充的联合学习方法、装置及系统;所述方法包括在本地训练全局模型,记录本地训练过程中产生的梯度值;利用梯度值集合采用扩充法改进k匿名算法,扩充出参数集合;将这些参数集合发送给服务器,服务器将对接收到的参数集合进行单点聚合,求出每个参数集合中的平均值;将这些平均值采用加权平均求出新的参数;利用新的参数构建新的全局模型,测试所述新的全局模型是否满足停止迭代条件,若满足,则停止训练过程,否则服务器将全局模型发送至计算设备继续进行训练;在上述方案中,本发明可以解决联合学习过程中的重构攻击问题,增强参数的隐匿性,保护数据安全。
📄 2020110153988
📂 G06F18_214
👤 重庆邮电大学
📅 2020-09-24