-
公开(公告)号：CN109409150B
公开(公告)日：2020-09-25
申请号：CN201811078998.1
申请日：2018-09-17
Applicant: 北京科技大学
IPC: G06K7/10
Abstract: 本发明公开了一种标签读取的方法、装置、存储介质和处理器。其中，该方法包括：通过求解期望值空间向量与观测值空间向量的最小距离得到未读标签数量，其中，期望值空间向量是每帧中的空闲时隙、非碰撞时隙以及碰撞时隙的数学期望值组成的空间向量，观测值空间向量是在每帧中实际采集到的空闲时隙、非碰撞时隙和碰撞时隙的观测值所组成的空间向量；根据每帧的帧长与未读标签数量的关系确定每一帧中的时隙数量；将总的未读标签按照时隙数量分配到每个时隙中进行识别判断未读标签数量是否超过阈值；如果超过阈值则采用时隙随机(SR)算法读取未读标签。本发明解决了现有技术在射频识别过程中产生的碰撞标签和空标签导致的识别效率低的技术问题。
-
公开(公告)号：CN109392055B
公开(公告)日：2020-07-10
申请号：CN201811379081.5
申请日：2018-11-19
Applicant: 北京科技大学
IPC: H04W40/02 , H04W40/10 , H04L12/733 , H04L12/721 , H04W84/18
Abstract: 本发明提供一种传感器网络跨层能量控制方法及装置，能够减少能量消耗，提高网络寿命。所述方法包括：确定收发节点间链路d参数，其中，d参数基于收发节点间的实际距离，将传输过程中非视距条件下动态阻挡和静态阻挡造成的路径损耗等效为视距条件下距离上的增量；根据确定的d参数值，确定收发节点之间链路可靠性约束下的可靠传输距离，并根据确定的可靠传输距离，确定发射信号强度；判断所述可靠传输距离是否处于收发节点之间链路可靠性约束下的最大传输距离内；若处于，则由内向外逐层确定节点距离基站的最小跳数，节点根据确定的自身距离基站的最小跳数确定自身所属的区域并进行组网。本发明涉及能量控制领域。
-
公开(公告)号：CN104634879A
公开(公告)日：2015-05-20
申请号：CN201510059474.8
申请日：2015-02-04
Applicant: 北京科技大学
IPC: G01N29/14
Abstract: 一种金属材料疲劳加载试验与疲劳损伤无损检测分析方法，同时属于声发射技术领域和材料智能表征领域，该方法包括搭载声发射仪的疲劳试验与疲劳损伤无损检测分析两部分，搭载声发射仪的疲劳试验包括材料试样疲劳加载、搭载声发射系统和声发射信号采集，疲劳损伤无损检测分析包括对疲劳过程声发射信号进行特征提取、损伤识别和安全预警。该方法将声发射技术与传统疲劳试验相结合，利用模式识别、统计分析等方法，确定金属材料疲劳过程中声发射信号的特征并做出损伤识别与安全预警，为金属材料疲劳损伤的无损检测分析提供研究方法，具有广泛推广应用价值。
-
公开(公告)号：CN102721741B
公开(公告)日：2014-05-28
申请号：CN201210205204.X
申请日：2012-06-18
Applicant: 北京科技大学
Abstract: 本发明涉及风电叶片健康监测与安全评估领域，具体提供了一种基于无线声发射传感器网络的风电叶片损伤监测与定位系统。本发明一种基于无线声发射传感器网络的风电叶片损伤监测与定位系统，包括叶片裂纹数据采集无线声发射传感器节点(1)、对数据进行中继传输的簇头节点(2)、汇聚数据的网管汇聚节点(3)以及监控中心。本发明结合了无线传感器网络和声发射技术的优势，构建了一套应用于风电叶片的部署灵活、扩展性强、安装维护方便、裂纹感知灵敏的损伤监测与定位系统，克服了传统电缆布线时采集点安装难、维护难、成本高、扩展性差等问题，整个系统配置简单、安装灵活、使用便捷。
-
公开(公告)号：CN102721741A
公开(公告)日：2012-10-10
申请号：CN201210205204.X
申请日：2012-06-18
Applicant: 北京科技大学
Abstract: 本发明涉及风电叶片健康监测与安全评估领域，具体提供了一种基于无线声发射传感器网络的风电叶片损伤监测与定位系统。本发明一种基于无线声发射传感器网络的风电叶片损伤监测与定位系统，包括叶片裂纹数据采集无线声发射传感器节点(1)、对数据进行中继传输的簇头节点(2)、汇聚数据的网管汇聚节点(3)以及监控中心。本发明结合了无线传感器网络和声发射技术的优势，构建了一套应用于风电叶片的部署灵活、扩展性强、安装维护方便、裂纹感知灵敏的损伤监测与定位系统，克服了传统电缆布线时采集点安装难、维护难、成本高、扩展性差等问题，整个系统配置简单、安装灵活、使用便捷。
-
Patent Agency Ranking
公开(公告)号：CN101708733A
公开(公告)日：2010-05-19
申请号：CN200910237522.2
申请日：2009-11-17
Applicant: 北京科技大学
IPC: B62D5/04
Abstract: 本发明提供了一种电动助力转向系统，应用于汽车零部件领域。采用由机械式转向装置、安装在转向输入轴上的转矩传感器、车速传感器、接收转矩信号与车速信号的电子控制单元、由电子控制单元控制的助力电动机、与助力电动机轴相连接的转向输出轴组成。其特征在于采用细长型的异步电动机作为助力电动机，把助力电动机轴和转向输出轴设计为一体式，省去了减速机构，使助力电动机输出的转矩直接加在转向输出轴上。这种新型结构的电动助力转向系统结构简单，驾驶员操控手感好。
-
公开(公告)号：CN119952024A
公开(公告)日：2025-05-09
申请号：CN202411193409.X
申请日：2024-08-28
IPC: B22D11/18
Abstract: 本发明公开了一种板坯连铸机结晶器液位控制方法及自动开浇方法，属于冶金技术领域，该控制方法在液位控制阶段一将结晶器液位由液位初始值升至第一液位设定值，在液位控制阶段二将结晶器液位由所述第一液位设定值升至第二液位设定值，第二液位设定值为铸坯开始拉出时的液位，本控制方法通过参数采集和参数分析，判定参数是否异常，根据判定结果调整塞棒开度进行结晶器液位控制，通过单变量分析和多变量分析，分别进行单变量统计过程控制和多变量统计过程控制，进而调整控制塞棒开度值，实现自动开浇操作中结晶器液位控制，避免不必要的停工和调整时间，最大限度地提高连铸生产线的效率，充分利用生产设备的产能，极大地提高了生产线的利用率。
-
公开(公告)号：CN119646685A
公开(公告)日：2025-03-18
申请号：CN202411665664.X
申请日：2024-11-20
Applicant: 北京科技大学
IPC: G06F18/2431 , A61B5/369 , A61B5/374 , A61B5/16 , A61B5/00 , G06F18/213 , G06F18/10 , G06N20/00 , G06F123/02
Abstract: 本发明涉及脑电波技术领域，提供了一种基于脑电波映射值的情绪识别数据集构建方法、系统及应用。所述方法包括：S1、通过多个采样点采集脑电波映射值；S2、根据采集到的脑电波映射值，分离出脑电波的α波、β波、γ波，并根据各采样区间的α波、β波、γ波的数值，按设定准则判断该采样区间为第一情绪状态、第二情绪状态或第三情绪状态；S3、按照不同的情绪状态分别归集脑电波映射值，分别对每种情绪状态的归集数据进行异常数据去除，得到脑电波情绪识别数据集。本发明提供的方法为去除不同情绪脑电波中的异常值提供了解决方案，解决了脑电波情绪识别数据构建难、异常值多的问题。
-
公开(公告)号：CN118410176A
公开(公告)日：2024-07-30
申请号：CN202410442524.X
申请日：2024-04-12
Applicant: 北京科技大学
IPC: G06F16/36 , G06F16/28 , G06F18/22 , G06N5/022 , G06N3/0895
Abstract: 本发明公开了一种基于对比增强下翻译转置的多模态知识图谱表示方法，属于人工智能技术领域，所述方法包括：获取多模态知识图谱中三元组数据的向量表示；其中，所述三元组数据的向量表示包括头实体的向量表示、尾实体的向量表示以及关系边的向量表示；将头实体的向量表示与关系边的向量表示按照翻译转置类模型融合，得到融合关系感知的头实体的向量表示；计算融合关系感知的头实体的向量表示与尾实体的向量表示的相似度分数；将所述相似度分数代入目标损失函数中，计算目标损失函数，得出损失值，根据所得的损失值，使用反向传播方法训练模型参数，优化实体的向量表示。采用本发明的技术方案，可以有效提高对多模态知识图谱中的实体表示准确度。
-
公开(公告)号：CN118260574A
公开(公告)日：2024-06-28
申请号：CN202410368648.8
申请日：2024-03-28
Applicant: 北京科技大学
IPC: G06F18/213 , G06F18/214 , G06F18/21 , G06F18/20 , G06N3/045 , G06N3/0464 , G06N3/0442 , G06F123/02
Abstract: 本发明涉及人工智能技术领域，特别是指一种基于深度学习的工业污水的水质预测方法与装置，方法包括：获取进出水水质监测的历史数据；对进出水水质监测的历史数据进行预处理以及插补处理，获得水质监测样本数据集；对水质监测样本数据集进行相关性分析，获得特征数据集；构建初始的基于RF‑CNN‑LSTM的水质预测模型；采用特征数据集，对初始的基于RF‑CNN‑LSTM的水质预测模型进行训练，获得训练好的基于RF‑CNN‑LSTM的水质预测模型；采用模型评估指标，对训练好的基于RF‑CNN‑LSTM的水质预测模型进行评估，获得评估后的基于RF‑CNN‑LSTM的水质预测模型；获取待预测水质数据；将待预测水质数据输入评估后的基于RF‑CNN‑LSTM的水质预测模型中，获得出水水质预测结果。采用本发明，可提高对出水水质预测的准确性。
-
-
-
-
-
-
-
-
-
Search Results
84
records
(took 0.021 seconds)
