-
公开(公告)号：CN118468171A
公开(公告)日：2024-08-09
申请号：CN202410432001.7
申请日：2024-04-11
Applicant: 内蒙古蒙泰不连沟煤业有限责任公司 , 中国矿业大学
IPC: G06F18/2433 , G06F18/213 , G06N3/09 , G06Q50/02
Abstract: 本发明公开了一种基于深度自编码器的煤巷支护参数的特征优化方法，包括：收集不同煤矿区的地质条件、巷道信息以及历史支护数据，构建煤矿巷道支护数据集，并对支护数据进行处理；基于前馈神经网络设计并构建自编码器，将支护数据输入到自编码器，并通过鉴别准则函数提取与支护输入参数紧密相关的关键特征，基于关键特征建立鉴别准则模型；以最小化鉴别准则函数为优化目标，结合优化算法对鉴别准则模型进行迭代优化，更新自编码器的参数，获得自编码器的最优参数；使用测试的支护数据对优化后的鉴别准则模型进行性能评价，并根据评价结果调整优化策略，不断提高巷道支护输入参数的优化结果。本发明提高了巷道的稳定性和生产效率。
-
公开(公告)号：CN116503947A
公开(公告)日：2023-07-28
申请号：CN202310502071.0
申请日：2023-05-06
Applicant: 中国矿业大学
IPC: G06V40/20 , G06V20/40 , G06V10/22 , G06V10/82 , G06V10/764 , G06N3/0455 , G06N3/0499 , G06N3/0895
Abstract: 一种基于自监督学习的煤矿井下人员动作识别方法，属于视频识别领域。首先，对视频数据进行重采样；其次，将重采样后的视频数据处理成时空块序列；再次，将时空块序列经过掩码模块，得到原始时空块序列和掩码时空块序列；再次，将原始时空块序列输入到编码器组中，生成原始时空块序列的潜在表示并将生成的潜在表示和掩码时空块序列输入到解码器组中，得到重建后的视频片段，通过设计好的损失函数进行训练，得到预训练好的模型；最后将预训练好的模型经过微调模块，得到最终的动作识别模型。优点：采用自监督的方式进行训练，大大地降低了视频收集和标注的成本；对视频进行极高掩码比率的掩码操作，降低了模型训练的计算成本，提高了模型训练效率。
-
公开(公告)号：CN116189097A
公开(公告)日：2023-05-30
申请号：CN202310260288.5
申请日：2023-03-17
Applicant: 中国矿业大学
IPC: G06V20/52 , G06T7/246 , G06V10/80 , G06V10/764 , G06N3/0464 , G06N3/048 , G06N3/08 , B60W40/09
Abstract: 一种上下文感知的露天矿卡车司机驾驶风格识别方法，属于轨迹数据挖掘技术领域。方法包括：获取露天矿卡车的GPS数据，进行预处理；将预处理后的GPS数据，经过特征解耦模块，得到运动特征序列、路段序列、全局特征；基于路段序列，经过上下文嵌入模块，将该序列中相互分离的路段特征转化为融合其相邻路段信息的上下文特征序列，并对该模块进行预训练；然后，使用融合特征提取模块，融合运动特征序列和上下文特征序列，产生司机驾驶风格的嵌入表示。最后，将驾驶风格嵌入表示与全局特征输入到驾驶风格识别模块，获取司机驾驶风格类别。该方法将GPS数据解耦分别处理，对上下文嵌入模块进行预训练，充分考虑上下文信息对驾驶风格的影响，提高识别精度。
-
公开(公告)号：CN115984958A
公开(公告)日：2023-04-18
申请号：CN202211631477.0
申请日：2022-12-19
Applicant: 中国矿业大学
IPC: G06V40/20 , G06V20/40 , G06V10/764 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/0475 , G06N3/094
Abstract: 一种应用在低照度环境下的煤矿井下人员动作识别方法，属于视频识别领域。将煤矿井下低照度环境中人员作业的视频数据重采样后，经过风格转换模块，把低照度下的视频数据转换为正常光下的视频数据；再经过全局特征提取模块提取视频帧序列的全局时空特征；再经过目标检测模块检测视频中的人员，从视频帧序列中提取人员动作管道的特征表示；最后将管道特征分别经过回归模块和动作分类模块，计算每个管道的位置和属于每个动作的概率。优点：风格转换模块不需要成对的数据进行训练，降低了数据获取的难度；在目标检测模块中，将视频的目标检测转换为一组集合预测，不需要任何的先验知识和后续处理，实现端到端的检测视频中的人员。
-
公开(公告)号：CN119204290A
公开(公告)日：2024-12-27
申请号：CN202411128283.8
申请日：2024-08-16
Applicant: 内蒙古蒙泰不连沟煤业有限责任公司 , 中国矿业大学
IPC: G06Q10/04 , G06F18/2321 , G06F18/22 , G06Q50/02
Abstract: 本发明公开了一种基于多尺度密度峰值聚类的支护形式预测方法及系统，属于信息科学领域。包括：首先利用实地采集的煤矿支护参数数据，计算不同煤矿多尺度支护形式相似度，以及多种影响支护形式决策的属性语义相似度；然后，基于多尺度支护形式相似度和巷道属性语义相似度构建超图，以表征巷道属性；再次，在巷道属性超图上应用属性密度峰值机制和社区检测方法识别出属性热点重叠社区；最后，分析给定属性在社区中的分布情况，完成支护形式预测。
-
Patent Agency Ranking
公开(公告)号：CN119129412A
公开(公告)日：2024-12-13
申请号：CN202411246231.0
申请日：2024-09-06
Applicant: 内蒙古蒙泰不连沟煤业有限责任公司 , 中国矿业大学
IPC: G06F30/27 , G06F30/13 , G06N3/048 , G06N3/042 , G06N3/08 , G06F119/02 , G06F113/14 , G06F111/10
Abstract: 本发明涉及一种基于图网络和多任务学习的煤巷支护参数预测方法，包括：采集煤矿巷道的巷道信息；根据巷道信息，获取相似巷道构建图采样聚合网络，对所述图采样聚合网络进行采样和聚合，提取所述巷道信息的关键特征；根据所述关键特征，利用多任务学习对所述煤矿巷道的支护参数进行预测，获取支护参数，其中，所述多任务学习基于训练集训练获得，所述训练集包括实际巷道信息和实际支护参数。本发明通过结合图采样聚合网络和多任务学习机制，不仅提升了煤巷支护参数的预测效率，而且能同时预测多个支护参数。
-
公开(公告)号：CN118762210A
公开(公告)日：2024-10-11
申请号：CN202410846793.2
申请日：2024-06-27
Applicant: 中国矿业大学
IPC: G06V10/762 , G06V20/40 , G06V10/82 , G06N3/0455 , G06N3/088 , G06N3/0499 , G06N3/0464 , G06N3/0985
Abstract: 本发明公开了一种基于相关熵的矿井图像深度模糊聚类方法，属于矿山数字化领域。将矿井图像输入到编码器，取得矿井图像在编码空间的深度特征，减少矿井图像的冗余特征；利用模糊隶属度和聚类中心定义基于相关熵的簇内距离以维持相似矿井图像在编码空间的距离；利用解码器定义矿井图像的输出能量；基于簇内距离和解码器的输出能量定义深度模糊聚类的目标函数；利用分式规划算法优化目标函数，使用聚类精度评价聚类方法对矿井图像的聚类性能。本发明利用相关熵的抑制离群点的能力，编码器提取矿井图像深度特征的能力和解码器的重建矿井图像的能力，实现了矿井图像聚类性能的提升，提供了一种有效和稳健的矿井图像聚类方法。
-
公开(公告)号：CN118570011A
公开(公告)日：2024-08-30
申请号：CN202410720019.7
申请日：2024-06-05
Applicant: 中国矿业大学
IPC: G06Q50/02 , G06N3/0455 , G06N3/09 , G06N3/047 , G06F18/2433 , G06N3/048
Abstract: 本发明公开了一种联合自编码器和最优运输的煤巷支护参数预测方法，属于煤巷支护技术领域。收集各个煤矿区的支护数据并进行预处理，从而建立煤巷支护数据集；将巷道信息输入到基于自编码器和最优运输模块取得巷道信息的深度语义特征；将深度语义特征输入到回归网络并结合实际支护参数建立优化目标函数并采用端到端的方式优化目标函数。本发明首次构建了基于自编码器和最优运输的煤巷支护参数预测模型，通过训练集对煤巷支护参数预测模型进行训练，利用训练好的煤巷支护参数预测模型输出巷道支护参数，这提供了一种有效的煤巷支护参数预测方法。
-
公开(公告)号：CN115130599A
公开(公告)日：2022-09-30
申请号：CN202210791397.5
申请日：2022-07-05
Applicant: 中国矿业大学
Abstract: 一种时间序列GAN数据增强下露天矿卡状态识别的半监督方法，属于露天矿卡车状态识别技术领域。该方法采用端到端的方法；收集露天矿现有的卡车轨迹数据；卡车轨迹数据分为两种：一种是已经人工标记过卡车运行状态的轨迹，称为有标签数据；另一种则是原始GPS轨迹，称为无标签数据；设计并训练时间序列GAN模型对有标签数据进行保真增强，平衡有标签数据；利用半监督框架，嵌入通道注意力，联合平衡之后的有标签数据和无标签数据，训练得到最终的卡车状态识别模型；将实际测试数据输入到卡车状态识别模型，得到最终识别结果。优点：在半监督联合模型中嵌入通道注意力量化不同特征之间的差异，进一步提高了模型总体识别精度，轨迹数据更具有保真性。
-
公开(公告)号：CN115062713B
公开(公告)日：2024-10-29
申请号：CN202210728962.3
申请日：2022-06-24
Applicant: 中国矿业大学
IPC: G06F18/243 , G06F16/9035 , G06N3/045 , G06N3/0442 , G06N3/042 , G06N3/0464 , G06N3/08
Abstract: 一种基于GCN‑GRU的露天矿卡车停留区域活动识别方法，属于轨迹数据挖掘领域。方法如下：基于车辆的唯一标识ID和时间，对GPS轨迹数据进行过滤，即数据筛选，以消除无效的数据；基于过滤后的GPS轨迹数据，根据车辆实际的停留时间状况，设置合适的阈值来对轨迹数据进行停留区域识别；基于得到的卡车停留区域，提取其基本特征，将停留区域按照时间顺序相连构建图，并得到邻接矩阵；基于所提取特征和邻接矩阵，使用GCN神经网络对停留区域进行特征嵌入，将停留区域特征转化为特征向量；基于所得到的特征向量，使用GRU神经网络对停留区域序列进行训练，最终得到分类结果。该方法按照时间顺序构建了以停留区域为顶点的邻接矩阵，将GCN神经网络与GRU神经网络模型结合，GCN神经网络能够提取当前停留区域前后停留区域的特征，而GRU神经网络则能够捕捉之前所有停留区域的特征，以此提高了识别准确性。
-
-
-
-
-
-
-
-
-
Search Results
32
records
(took 0.032 seconds)
