Document
拖动滑块完成拼图
个人中心

预订订单
商城订单
发布专利 发布成果 人才入驻 发布商标 发布需求

请提出您的宝贵建议,有机会获取IP积分或其他奖励

投诉建议

在线咨询

联系我们

龙图腾公众号
专利交易 积分商城 国际服务 IP管家助手 科技果 科技人才 商标交易 会员权益 需求市场 关于龙图腾 更多
 /  免费注册
到顶部 到底部
清空 搜索
当前位置 : 首页 > 专利喜报 > 北京交通大学王彪获国家专利权

北京交通大学王彪获国家专利权

买专利卖专利找龙图腾,真高效! 查专利查商标用IPTOP,全免费!专利年费监控用IP管家,真方便!

龙图腾网获悉北京交通大学申请的专利一种深度智能故障诊断模型动态两极化剪枝方法获国家发明授权专利权,本发明授权专利权由国家知识产权局授予,授权公告号为:CN115545183B

龙图腾网通过国家知识产权局官网在2026-01-02发布的发明授权授权公告中获悉:该发明授权的专利申请号/专利号为:202210915719.2,技术领域涉及:G06N3/082;该发明授权一种深度智能故障诊断模型动态两极化剪枝方法是由王彪;丁奥;秦勇;贾利民;汪洋设计研发完成,并于2022-08-01向国家知识产权局提交的专利申请。

一种深度智能故障诊断模型动态两极化剪枝方法在说明书摘要公布了:本发明提供了一种深度智能故障诊断模型动态两极化剪枝方法。该方法包括:根据诊断任务的实际情况设计机械设备智能故障诊断模型,确定机械设备智能故障诊断模型中需要剪枝的网络层;将两极化剪枝模块嵌入机械设备智能故障诊断模型,并与需要剪枝的网络层连接,将需要剪枝的网络层的输出特征图作为两极化剪枝模块的输入;利用机械设备故障诊断数据集对机械设备智能故障诊断模型和两极化剪枝模块进行同步训练,两极化剪枝模块输出经过剪枝和通道增强的所述需要剪枝的网络层的特征图。本发明方法可以在诊断模型训练过程中同步地完成大网络粒度单位的动态结构化剪枝,剪枝方式为结构化剪枝而无须特定硬件设备支持;剪枝不影响诊断精度等诸多优点。

本发明授权一种深度智能故障诊断模型动态两极化剪枝方法在权利要求书中公布了:1.一种深度智能故障诊断模型动态两极化剪枝方法,其特征在于,包括: 根据诊断任务的实际情况设计机械设备智能故障诊断模型,确定所述机械设备智能故障诊断模型中需要剪枝的网络层; 将两极化剪枝模块嵌入所述机械设备智能故障诊断模型,将所述两极化剪枝模块与所述需要剪枝的网络层连接,将所述需要剪枝的网络层的输出特征图作为所述两极化剪枝模块的输入; 获取机械设备故障诊断数据集,利用所述机械设备故障诊断数据集对所述机械设备智能故障诊断模型和所述两极化剪枝模块进行同步训练,所述两极化剪枝模块输出经过剪枝和通道增强的所述需要剪枝的网络层的特征图; 所述两极化剪枝模块的执行步骤如下: 3.1设需要剪枝的网络层的输出特征图记作为X={X1,X2,X3...XC},W、H、C分别表示特征图的宽、高和通道数;X首先按通道分别求取各通道特征图Xn的均值μn和方差σ2n,其中n=1,2,3...C,基于每个通道的μn和σ2n进行高斯分布随机采样,得到每个通道的采样值βn,并将βn按通道顺序拼接成采样向量β,具体计算表达式如下: βn=SamplingN~μn,σn2,n=1,2...C β=concatβ1,β2...βC 式中,sampling·表示采样操作,N~μn,σ2n表示均值为μn,方差为σ2n的高斯分布,concat·表示按通道拼接操作; 3.2两极化剪枝模块内的两极化向量γ是一个二值向量,0对应剪枝,1对应保留,γ由α与一个动态自适应阈值算子set-T-1进行比较得到,其数学表达式如下: 式中,set-T-1是动态自适应阈值算子,生成动态的阈值,t表示当前训练所处训练代数,T表示训练的总代数,m表示通道索引,s是一个敏感适应性系数,动态自适应阈值算子的函数性质,从t=1到t=T,算子由-s动态升高到0,且二阶导数为正,随着训练代数的增加,动态自适应阈值增加; 3.3两极化向量γ与特征图在通道维度上相乘,强制被剪枝的通道置零,基于通道和网络粒度单位的对应关系,借助通道置零操作间接实现对网络粒度单位的剪枝,在通道置零后,被剪枝的网络粒度单位也间接地从网络中断开,不再影响后续的训练过程,以上数学表达式如下: 式中,表示剪枝后的特征图,表示按通道相乘; 3.4α与β按通道对位相乘再经过tanh激活,得到赋权向量ξ,利用所述赋权向量ξ对未剪枝的通道进行不同程度的增强,表达式如下: 式中,tanh表示双曲正切激活函数; 3.5为剪枝后的各通道特征图进行增强,表示两极化剪枝模块的输出,其计算表达式如下: α通过迭代进行学习,并配合动态自适应阈值算子生成γ实现自适应动态剪枝,最小化多分类交叉熵损失函数,其中数学表达式如下: 式中,表示训练的目标函数,I为深度智能故障诊断模型的输入,y为其对应的标签,模型训练过程通过优化未剪枝的网络参数使得深度模型所构建的映射F的输出与样本标签y的交叉熵损失函数最小,对于CE的表达式,pk表示模型预测当前样本属于第k类的概率,yk表示样本标签y的独热编码对应的第k类的数值,cl表示诊断任务中所需识别的样本的种类。

如需购买、转让、实施、许可或投资类似专利技术,可联系本专利的申请人或专利权人北京交通大学,其通讯地址为:100044 北京市海淀区西直门外上园村3号;或者联系龙图腾网官方客服,联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。