公开(公告)号：CN114925832A

公开(公告)日：2022-08-19

申请号：CN202210623881.7

申请日：2022-06-02

Applicant: 安徽理工大学

Inventor： 来文豪 ,  宋奇 ,  郑晓亮

IPC: G06N3/12 ,  G06Q10/04

Abstract: 本发明公开了一种基于膜搜索算法的多目标优化方法(Multi‑Objective Membrane Search Algorithm，MOMSA)，将细胞内各种细胞器的功能抽象为细胞器膜结构，各类细胞器膜具有不同功能。发明的MOMSA根据求解问题的深度，生成不同数量的细胞器膜，不同细胞器膜都有自己的规则集，这些规则集对于其它细胞器膜的数据集不起作用。它能在解空间进行更广泛的搜索，也可以精细化搜索每个解变量，收敛速度快且不易陷入局部最优，为复杂的多目标工程问题求解提供更加有效的方法。此外，与现有的混合多目标问题求解方法相比，MOMSA需要输入的参数少，省去了复杂的调参过程，编程实现简单。

公开(公告)号：CN109272061A

公开(公告)日：2019-01-25

申请号：CN201811127743.X

申请日：2018-09-27

Applicant: 安徽理工大学

Inventor： 来文豪 ,  周孟然 ,  江白华 ,  宋奇

IPC: G06K9/66 ,  G06N3/04

Abstract: 本发明公开了一种新的深度学习模型的构建方法，具体是发明了一种包含两个结构相异的CNN且快速收敛的深度学习模型。本发明构建的深度学习模型中的两个CNN的卷积层、卷积核大小、池化层数和全连接方式均不相同，且每个CNN各分享一次其学习获得的特征信息，在分享或接受特征信息前，两个CNN均经历一次批归一化处理，若在特征信息分享时两CNN的通道数不同，调整通道数后，再做批归一化处理。当前深度学习模型提高性能的研究方向都是加深模型的网络深度，本发明提出的深度学习模型在不构建较深网络的前提下，提升了模型的性能，大大的加快网络的收敛速度，减少模型的参数，降低优秀的深度学习模型对计算机性能的严重依赖。

公开(公告)号：CN209684641U

公开(公告)日：2019-11-26

申请号：CN201920467515.0

申请日：2019-04-09

Applicant: 安徽理工大学

Inventor： 刘普壮 ,  何磊 ,  宋奇 ,  周军鹏 ,  李鑫 ,  毕峰

IPC: B65G27/16 ,  B65G47/46 ,  B65G47/54 ,  B65G15/22

Abstract: 本实用新型提供一种煤矸分选的振动给料设备。所述煤矸分选的振动给料设备包括支撑板，所述支撑板为“工”字形结构；传动结构，所述传动结构连接于所述支撑板；给料结构，所述给料结构连接于所述支撑板，所述给料结构包括固定套，且所述固定套为倒“凹”形结构；翻转结构，所述翻转结构连接于所述固定套，所述翻转结构包括固定槽、第一转轴、第二转轴和固定板，所述固定槽设于所述传动结构，所述第一转轴转动连接于所述固定套，与所述第一转轴直径相同的所述第二转轴转动连接于所述固定套，所述固定板固定连接于所述第二转轴的外部；振动机构。本实用新型提供的煤矸分选的振动给料设备具有煤矸能够自行发生翻转和震动，使给料更加彻底的优点。(ESM)同样的发明创造已同日申请发明专利