CN110197201A - 一种电梯保养5s检测方法与系统 - Google Patents
一种电梯保养5s检测方法与系统 Download PDFInfo
- Publication number
- CN110197201A CN110197201A CN201910340285.6A CN201910340285A CN110197201A CN 110197201 A CN110197201 A CN 110197201A CN 201910340285 A CN201910340285 A CN 201910340285A CN 110197201 A CN110197201 A CN 110197201A
- Authority
- CN
- China
- Prior art keywords
- image
- output
- layer
- elevator mainteinance
- input
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 30
- 238000013528 artificial neural network Methods 0.000 claims abstract description 12
- 238000000034 method Methods 0.000 claims description 44
- 238000012549 training Methods 0.000 claims description 22
- 238000001914 filtration Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 230000001537 neural effect Effects 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000013499 data model Methods 0.000 claims description 3
- 238000003709 image segmentation Methods 0.000 claims description 3
- 206010044565 Tremor Diseases 0.000 claims 1
- 238000013145 classification model Methods 0.000 abstract description 3
- 238000005070 sampling Methods 0.000 abstract description 2
- 238000012423 maintenance Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000011017 operating method Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开的一种电梯保养5S检测方法，包括以下步骤：步骤1：收集现有的电梯保养5S图像数据；步骤2：将步骤1所收集的电梯保养5S图像数据进行彩色或灰度的直方图统计以及反光、色偏、模糊与正常的分类处理,得到处理后图像数据；步骤3：将步骤2所得到的处理后图像数据进行滤波处理，取出图像纹理特征；步骤4：将步骤3的图像纹理特征转成二维图像特征矩阵；步骤5：将步骤4构建的二维图像特征矩阵输入神经网络进行训练，得到电梯保养5S图像分类模型。本发明还公开了实现上述电梯保养5S检测方法的系统。本发明相较于现有的人工抽检方式，大大降低了人工抽检的成本、同时改善全面检查的速度与可行性。
Description
技术领域
本发明涉及电梯保养技术领域，特别涉及一种利用视觉识别技术对电梯保 养5S检测方法与系统。
背景技术
因国内建筑慢慢朝着立体空间的方向演进，所以我国电梯数量呈现出急剧 上涨的趋势。电梯的使用安全也越来越受到百姓和政府的关注,而电梯的维保 则是保证电梯使用安全的重要环节。然而电梯在使用中，由于受安装、机械磨 损、使用条件和环境等多方面影响，不可避免地会出现各类故障。对电梯设备 进行正确、及时维修保养是非常重要，同时也是直接影响电梯维保公司核心竞 争力的一大因素。目前对于电梯保养与相关5S作业，大都采用上传后端服务 器备查或人工抽检的方式进行。随着电梯保养数量急遽攀升，目前的人工处理 方式将很难全面因应未来快速增长的海量数据。
发明内容
本发明所要解决的技术问题之一在于针对现有电梯保养与相关5S检查的 人工处理方式所存在的不足而提供一种电梯保养5S检测方法，其目的在于， 应用计算机视觉识别技术，自动检测电梯保养5S图像数据，以因应未来快速 增长的海量数据。
本发明所要解决的技术问题之二在于提供一种实现上述电梯保养5S检测 方法的系统。
作为本发明第一方面的一种电梯保养5S检测方法，包括以下步骤：
步骤1：收集现有的电梯保养5S图像数据；
步骤2：将步骤1所收集的电梯保养5S图像数据进行彩色或灰度的直方图 统计以及反光、色偏、模糊与正常的分类处理,得到处理后图像数据；
步骤3：将步骤2所得到的处理后图像数据进行滤波处理，取出图像纹理 特征；
步骤4：将步骤3的图像纹理特征转成二维图像特征矩阵；
步骤5：将步骤4构建的二维图像特征矩阵输入神经网络进行训练，得到 电梯保养5S图像分类模型。
在本发明的一个优选实施例中,步骤2中,所述正常的分类包含分类属性。
在本发明的一个优选实施例中,步骤5中，采用神经网络作为电梯保养5S 图像分类的分类器，其方法是将样本从输入层输入到感知器中，经过隐含层的 权值处理后，从输出层输出；而输出层的实际输出与期望输出信号做比较，产 生误差信号，然后通过误差信号调整训练部的权值，使得新产生的权值能让误 差信号尽可能的小，从而达到训练的作用；因此在数据模型的训练过程中，其 结构与流程如下：
神经网络是由输入层、隐含层和输出层组成，其拓扑结构如图1所示，图 中x1,x2,…xn为输入，y1,y2,…yn为输出值，设输入层神经元个数为m，隐 含层节点为p，W1、W2分别为输入层至隐含层以及隐含层至输出层的权值阈 值矩阵，隐层激活函数为输出层激活函数为g(x)；其中：
隐含层的输入为：
隐含层的输出为：
输出层的输入为：
输出层输出为：
流程是由误差的反向传播和输入数据的正向传播两个过程组成。正向传播 使输入信息在相应的权阈值和激活函数下传输到输出层，当输出误差大于给定 精度时，则转入误差反向传播,在误差返回过程中，网络修正各层权阈值，如 此反复迭代直到达到给定的精度。
在本发明的一个优选实施例中,步骤5中，通过差分进化算法对权值阈值 矩阵进行了优化，以提高分类器的分类性能。
作为本发明第二方面的实现上述电梯保养5S检测方法的系统，包括图像 预处理模块、直方图处理模块、滤波处理模块、特征值处理模块、模型训练与 储存模块、差分策略模块、识别模块、分类与输出模块；其中：
所述图像预处理模块用于图像分割；
所述直方图处理模块用于彩色或灰度的直方图统计以及反光、色偏、模糊 与正常的属性分类；
所述滤波处理模块用于提取图像文理特征，采用的方式有：限幅滤波法、 中位值滤波法、算术平均滤波法、滑动平均滤波法、中位值平均滤波法、限幅 平均滤波法、一阶滞后滤波法、加权递推平均滤波法、消抖滤波法、限幅消抖 滤波法；
所述特征值处理模块用于将处理后的数据转成二维图像特征矩阵；
所述模型训练与储存模块用于训练模型，同时储存各种训练后的识别模 型；
所述识别模块用于图像识别；
所述分类与输出模块用于图像识别结果的分类与输出；
所述差分策略模块用于储存与加快神经算法中的权阈值运算效能与提升 准确度的差分策略；其策略种类包含但不限于：DE/rand/1/bin、 DE/rand/2/bin、DE/best/1/bin、DE/best/2/bin、DE/rand–to-best/bin、 DE/current–to-rand/bin、DE/current–to-best/bin…等。
本发明相较于现有的人工抽检方式，大大降低了人工抽检的成本、同时改 善全面检查的速度与可行性。
附图说明：
图1为本发明实施例中的神经网络结构图。
图2为本发明实施例中的图像特征提取与模型训练流程图。
图3为本发明实施例中的图像识别系统结构示意图。
具体实施方式
为使本领域技术人员更好地理解本发明的技术方按，下面结合附图和具体 实施方式对本发明作进一步详细描述。
实施例1：
如图2所示，是本发明实施例中的电梯保养5S图像特征提取与模型训练 流程图。相关流程包括以下步骤：
步骤1：收集现有的电梯保养5S图像数据；
步骤2：将步骤1所收集的现有的电梯保养5S图像数据进行彩色或灰度的 直方图统计以及反光、色偏、模糊与正常(包含分类属性)的分类处理,得到处 理后图像数据；
步骤3：将步骤2所得到的处理后图像数据进行滤波处理，取出图像纹理 特征；
步骤4：将步骤3的图像纹理特征转成二维图像特征矩阵；
步骤5：将步骤4构建的二维图像特征矩阵输入神经网络进行训练，得到 电梯保养5S图像分类模型。
步骤5中，采用神经网络作为电梯保养5S图像分类的分类器，其方法是 将样本从输入层输入到感知器中，经过隐含层的权值处理后，从输出层输出； 而输出层的实际输出与期望输出信号做比较，产生误差信号，然后通过误差信 号调整训练部的权值，使得新产生的权值能让误差信号尽可能的小，从而达到 训练的作用；因此在数据模型的训练过程中，其结构与流程如下：
神经网络是由输入层100、隐含层200和输出层300组成，其拓扑结构如 图1所示。图中x1,x2,…xn为输入，y1,y2,…yn为输出值，设输入层100 神经元个数为m，隐含层节点为p，W1、W2分别为输入层100至隐含层200以 及隐含层200至输出层300的权值阈值矩阵，隐层激活函数为输出层 激活函数为g(x)。
隐含层200的输入为：
隐含层200的输出为：
输出层300的输入为：
输出层300的输出为：
流程是由误差的反向传播和输入数据的正向传播两个过程组成。正向传播 使输入信息在相应的权阈值和激活函数下传输到输出层300，当输出误差大于 给定精度时，则转入误差反向传播,在误差返回过程中，网络修正各层权阈值， 如此反复迭代直到达到给定的精度。
具体流程图如图2所示，首先初始化连接权值、节点阈值，然后输入训练 样本，计算隐含层和输出层节点输出，再计算输出层误差。如果输出误差小于 期望差，则结束；如果输出误差大于期望差，则反向逐层计算各节点误差，反 向修改各层连接权值、阈值，重新计算输出层误差。
参阅图3，图中本发明面向电梯保养5S图像识别系统结构示意图。该系统 包括图像预处理模块10、直方图处理模块20、滤波处理模块30、特征值处理 模块40、模型训练与储存模块50、识别模块60、分类与输出模块70以及差分 策略模块80。
图像预处理模块10用于图像分割；
直方图处理模块20用于彩色或灰度的直方图统计以及反光、色偏、模糊 与正常的属性分类。
滤波处理模块30用于提取图像文理特征，采用的方式有：限幅滤波法、 中位值滤波法、算术平均滤波法、滑动平均滤波法、中位值平均滤波法、限幅 平均滤波法、一阶滞后滤波法、加权递推平均滤波法、消抖滤波法、限幅消抖 滤波法。
特征值处理模块40用于将处理后的数据转成二维图像特征矩阵。
模型训练与储存模块50用于训练模型，同时储存各种训练后的识别模型。
识别模块60用于图像识别。
分类与输出模块70用于图像识别结果的分类与输出。
差分策略模块80用于储存与加快神经算法中的权阈值运算效能与提升准 确度的差分策略；其策略种类包含但不限于：DE/rand/1/bin、DE/rand/2/bin、 DE/best/1/bin、DE/best/2/bin、DE/rand–to-best/bin、DE/current– to-rand/bin、DE/current–to-best/bin…等。
实施例2：
实施例1中所构建的基于神经网络的分类器，其中开始训练前各层的连接 权值及阈值，通常初始化接采用[0,1]之间的随机值，这种未经优化的随机初 始化往往会使神经网络的收敛速度变慢，且容易使最终结果为非最优解，进而 影响分类的准确度。因此，通过差分进化算法(Differential Evolution,DE) 加快神经算法中的权阈值运算效能与提升准确度。
DE算法的基本原理为：通过一连串的变异，交叉与选择，找到最优解。首 先是初始化，其方式是在解空间中随机均匀产生M个个体，每个个体由n维向 量组成，其可表示為：
第i个个体的第j维值取值方式如下：
再来是进入一连串的变异，交叉与选择。
首先变异的部分，以第g次迭代中的第i个个体为例，从种群中随机选择3个个体Xp1(g)，Xp2(g)，Xp3(g)且p1≠p2≠p3≠i，生成的变异向量为：
Vi(g)＝Xpi(g)+F·(Xp2(g)-Xp3(g)) (7)
式(7)中的F为缩放因子，一般是在[0，2]之间选择，通常取0.5。
再来是交叉，其方式是通过概率的方式随机生成新的个体，操作方法如下：
式(8)中的CR称为交叉概率。
最后是选择，其方式是采用贪婪选择的策略，选择较优的个体作为新的个 体。，操作方法如下：
然后按照公式(7)至(9)进行迭代更新，直到找出合适的解为止。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的 精神和原则内，所作的任何修改、等同替换、改进等，均应包含在本发明的保 护范围内。
Claims (6)
1.一种电梯保养5S检测方法，其特征在于，包括以下步骤：
步骤1：收集现有的电梯保养5S图像数据；
步骤2：将步骤1所收集的电梯保养5S图像数据进行彩色或灰度的直方图统计以及反光、色偏、模糊与正常的分类处理，得到处理后图像数据；
步骤3：将步骤2所得到的处理后图像数据进行滤波处理，取出图像纹理特征；
步骤4：将步骤3的图像纹理特征转成二维图像特征矩阵；
步骤5：将步骤4构建的二维图像特征矩阵输入神经网络进行训练，得到电梯保养5S图像分类模型。
2.如权利要求1所述的一种电梯保养5S检测方法，其特征在于，步骤2中，所述正常的分类包含分类属性。
3.如权利要求1所述的一种电梯保养5S检测方法，其特征在于，步骤5中，采用神经网络作为电梯保养5S图像分类的分类器，其方法是将样本从输入层输入到感知器中，经过隐含层的权值处理后，从输出层输出；而输出层的实际输出与期望输出信号做比较，产生误差信号，然后通过误差信号调整训练部的权值，使得新产生的权值能让误差信号尽可能的小，从而达到训练的作用；因此在数据模型的训练过程中，其结构与流程如下：
神经网络是由输入层、隐含层和输出层组成，其拓扑结构如图1所示，图中x1，x2，…xn为输入，y1，y2，…yn为输出值，设输入层神经元个数为m，隐含层节点为p，W1、W2分别为输入层至隐含层以及隐含层至输出层的权值阈值矩阵，隐层激活函数为输出层激活函数为g(x)；其中：
隐含层的输入为：
隐含层的输出为：
输出层的输入为：
输出层输出为：
流程是由误差的反向传播和输入数据的正向传播两个过程组成。正向传播使输入信息在相应的权阈值和激活函数下传输到输出层，当输出误差大于给定精度时，则转入误差反向传播，在误差返回过程中，网络修正各层权阈值，如此反复迭代直到达到给定的精度。
4.如权利要求1所述的一种电梯保养5S检测方法，其特征在于，步骤5中，通过差分进化算法对权值阈值矩阵进行了优化，以提高分类器的分类性能。
5.一种实现权利要求1至4任一项权利要求所述的电梯保养5S检测方法的系统，其特征在于，包括图像预处理模块、直方图处理模块、滤波处理模块、特征值处理模块、模型训练与储存模块、差分策略模块、识别模块、分类与输出模块；其中：
所述图像预处理模块用于图像分割；
所述直方图处理模块用于彩色或灰度的直方图统计以及反光、色偏、模糊与正常的属性分类；
所述滤波处理模块用于提取图像文理特征；
所述特征值处理模块用于将处理后的数据转成二维图像特征矩阵；
所述模型训练与储存模块用于训练模型，同时储存各种训练后的识别模型；
所述识别模块用于图像识别；
所述分类与输出模块用于图像识别结果的分类与输出；
所述差分策略模块用于储存与加快神经算法中的权阈值运算效能与提升准确度的差分策略。
6.如权利要求5所述的系统，其特征在于，所述滤波处理模块用于提取图像文理特征采用的方式有限幅滤波法、中位值滤波法、算术平均滤波法、滑动平均滤波法、中位值平均滤波法、限幅平均滤波法、一阶滞后滤波法、加权递推平均滤波法、消抖滤波法或限幅消抖滤波法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910340285.6A CN110197201A (zh) | 2019-04-25 | 2019-04-25 | 一种电梯保养5s检测方法与系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910340285.6A CN110197201A (zh) | 2019-04-25 | 2019-04-25 | 一种电梯保养5s检测方法与系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110197201A true CN110197201A (zh) | 2019-09-03 |
Family
ID=67752171
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910340285.6A Pending CN110197201A (zh) | 2019-04-25 | 2019-04-25 | 一种电梯保养5s检测方法与系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110197201A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113676311A (zh) * | 2021-07-05 | 2021-11-19 | 浙江工业大学 | 一种基于侧信道信息获取深度学习模型结构的方法及系统 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105731209A (zh) * | 2016-03-17 | 2016-07-06 | 天津大学 | 基于物联网的电梯故障智能预测与诊断及维护方法 |
| CN106219367A (zh) * | 2016-08-05 | 2016-12-14 | 沈阳聚德视频技术有限公司 | 一种基于智能视觉光幕的电梯运维监控方法 |
| CN106650933A (zh) * | 2017-01-12 | 2017-05-10 | 西安电子科技大学 | 基于协同进化和反向传播的深度神经网络优化方法 |
| KR20180043928A (ko) * | 2016-10-21 | 2018-05-02 | 현대엘리베이터주식회사 | 하이브리드 인공지능 학습 기술을 이용한 엘리베이터 미래호출 예측방법 |
| CN108275530A (zh) * | 2018-01-18 | 2018-07-13 | 柯钢 | 一种基于机器学习的电梯安全预警方法 |
| CN108275524A (zh) * | 2018-01-12 | 2018-07-13 | 东北大学 | 一种基于第一视角视频序列操作评估的电梯维保操作监测与指导装置 |
| CN108776452A (zh) * | 2018-05-25 | 2018-11-09 | 李智彤 | 一种特种设备现场维保监控方法及系统 |
| WO2018214348A1 (zh) * | 2017-05-25 | 2018-11-29 | 中国矿业大学 | 千米深井提升机主轴多失效模式可靠性评估方法 |
| CN109292567A (zh) * | 2018-02-28 | 2019-02-01 | 武汉大学 | 一种基于bp神经网络的电梯故障预测方法 |
-
2019
- 2019-04-25 CN CN201910340285.6A patent/CN110197201A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105731209A (zh) * | 2016-03-17 | 2016-07-06 | 天津大学 | 基于物联网的电梯故障智能预测与诊断及维护方法 |
| CN106219367A (zh) * | 2016-08-05 | 2016-12-14 | 沈阳聚德视频技术有限公司 | 一种基于智能视觉光幕的电梯运维监控方法 |
| KR20180043928A (ko) * | 2016-10-21 | 2018-05-02 | 현대엘리베이터주식회사 | 하이브리드 인공지능 학습 기술을 이용한 엘리베이터 미래호출 예측방법 |
| CN106650933A (zh) * | 2017-01-12 | 2017-05-10 | 西安电子科技大学 | 基于协同进化和反向传播的深度神经网络优化方法 |
| WO2018214348A1 (zh) * | 2017-05-25 | 2018-11-29 | 中国矿业大学 | 千米深井提升机主轴多失效模式可靠性评估方法 |
| CN108275524A (zh) * | 2018-01-12 | 2018-07-13 | 东北大学 | 一种基于第一视角视频序列操作评估的电梯维保操作监测与指导装置 |
| CN108275530A (zh) * | 2018-01-18 | 2018-07-13 | 柯钢 | 一种基于机器学习的电梯安全预警方法 |
| CN109292567A (zh) * | 2018-02-28 | 2019-02-01 | 武汉大学 | 一种基于bp神经网络的电梯故障预测方法 |
| CN108776452A (zh) * | 2018-05-25 | 2018-11-09 | 李智彤 | 一种特种设备现场维保监控方法及系统 |
Non-Patent Citations (3)
| Title |
|---|
| PENGGAO WEN等: "Fault Prediction of Elevator Door System Based on PSO-BP Neural Network", 《ENGINEERING》 * |
| 赵育等: "基于BP神经网络的电梯维保质量评价", 《中国电梯》 * |
| 韦松伯: "基于图像处理的电梯曳引机和钢丝绳故障检测", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113676311A (zh) * | 2021-07-05 | 2021-11-19 | 浙江工业大学 | 一种基于侧信道信息获取深度学习模型结构的方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111476263B (zh) | 一种基于sdae和改进gwo-svm的轴承缺陷识别方法 | |
| CN109190665B (zh) | 一种基于半监督生成对抗网络的通用图像分类方法和装置 | |
| CN108491765B (zh) | 一种蔬菜图像的分类识别方法及系统 | |
| Yin et al. | Wasserstein generative adversarial network and convolutional neural network (WG-CNN) for bearing fault diagnosis | |
| CN109871940B (zh) | 一种脉冲神经网络的多层训练算法 | |
| CN111368885B (zh) | 一种航空发动机气路故障诊断方法 | |
| CN105488528B (zh) | 基于改进自适应遗传算法的神经网络图像分类方法 | |
| CN108898154A (zh) | 一种电力负荷som-fcm分层聚类方法 | |
| CN108052968B (zh) | 一种qsfla-svm的感知入侵检测方法 | |
| CN111273288B (zh) | 一种基于长短期记忆网络的雷达未知目标识别方法 | |
| CN111988329B (zh) | 一种基于深度学习的网络入侵检测方法 | |
| CN113869145A (zh) | 轻量级梯度提升机和麻雀搜索的电路故障诊断方法及系统 | |
| Cai et al. | Cloud classification of satellite image based on convolutional neural networks | |
| CN110188621A (zh) | 一种基于ssf-il-cnn的三维人脸表情识别方法 | |
| CN110197201A (zh) | 一种电梯保养5s检测方法与系统 | |
| CN111178897B (zh) | 在不平衡数据上快速特征学习的代价敏感的动态聚类方法 | |
| CN117439069A (zh) | 一种基于神经网络的电量预测方法 | |
| CN102955946A (zh) | 基于线性分类树和神经网络的两阶段快速分类器 | |
| CN116400168A (zh) | 一种基于深度特征聚类的电网故障诊断方法及系统 | |
| CN112949954A (zh) | 基于识别学习建立财务欺诈识别模型的方法 | |
| CN114143210B (zh) | 一种基于深度学习的指挥控制网络关键节点识别方法 | |
| CN115392710A (zh) | 一种基于数据过滤的风电机组运行决策方法及系统 | |
| CN115017988A (zh) | 一种用于状态异常诊断的竞争聚类方法 | |
| CN114624715A (zh) | 一种基于自注意力时空神经网络模型的雷达回波外推方法 | |
| CN113935413A (zh) | 一种基于卷积神经网的配网录波文件波形识别方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190903 |
|
| RJ01 | Rejection of invention patent application after publication |