公开(公告)号：CN114976484B

公开(公告)日：2023-04-11

申请号：CN202210807221.4

申请日：2022-07-11

Applicant: 大连理工大学

Inventor： 张凤祥 ,  张强 ,  张旭 ,  乔少明 ,  雷达

IPC: H01M50/431 ,  H01M10/052 ,  H01M50/497

Abstract: 本提供一种负载Ni2P‑Co肖特基节活性位点海胆状碳材料电催化剂、制备方法及其应用，所使用的工艺成功构建了Ni2P‑Co肖特基节，并通过TEM、莫特‑肖特基测试以及UPS表征等手段证明了电子由Ni2P向Co一侧的转移。失去电子的Ni2P一侧由于带正电则对带负电的多硫化物起强吸附能力，而Co一侧得到电子后其对多硫化物的还原作用会提升，这实现了对带负电多硫化物强吸附能力和强催化作用的耦合。同样地，这对反应物带负电的其他反应的催化剂设计也提供了一定的借鉴意义；球形金属有机框架(MOF)衍生碳纳米管使得催化剂形貌类似海胆状，有效地避免了球形催化剂本体的堆积。碳管与碳管之间的一维接触保留了大量的锂离子扩散通路，这保证了其高倍率下锂硫电池性能的发挥；金属有机框架(MOF)衍生碳纳米管的过程中能够极大的增加缺陷氮原子的掺杂量；同时也提升了碳材料的石墨化程度，进一步提升了材料的导电性；整个实验流程的制备步骤均是原位掺杂活性位点，有利于催化剂性能的进一步优化。

公开(公告)号：CN115936058A

公开(公告)日：2023-04-07

申请号：CN202211578473.0

申请日：2022-12-09

Applicant: 大连理工大学

Inventor： 于向超 ,  候亚庆 ,  张强 ,  裴文彬 ,  葛宏伟

IPC: G06N3/042 ,  G06N3/0442 ,  G06N3/048 ,  G06N3/096

Abstract: 本发明公开一种基于图注意力网络的多智能体迁移强化学习方法。本发明计算智能体与环境交互的轨迹特征，根据智能体轨迹特征的相似程度构建智能体知识迁移关系图；在关系图上应用硬注意力机制切断无关的迁移关系，进一步应用软注意力机制选择注意权重最大的智能体作为知识迁移对象。在判断知识迁移时间的方式上，设计一个二分类神经网络，通过向网络输入智能体和知识迁移对象的动作及价值，输出本次知识迁移是否执行；通过设计基于动作价值方差的损失函数指导分类网络训练，实现自适应学习与判断知识迁移时间；该方式充分的减少了不必要的知识迁移，增加了知识有效迁移的效率，促使智能体在任务上得到收敛速度更快、表现更好的解决方案。

公开(公告)号：CN115730521A

公开(公告)日：2023-03-03

申请号：CN202211490168.6

申请日：2022-11-25

Applicant: 大连理工大学

Inventor： 郭峥 ,  候亚庆 ,  裴文彬 ,  葛宏伟 ,  张强

IPC: G06F30/27 ,  G06F18/23213 ,  G06N3/126 ,  G06F111/06 ,  G06F111/08

Abstract: 本发明公开一种基于超多任务进化优化算法的多足机器人智能设计方法。本发明构建了大量任务，每种任务对应于一个具体的机器人形态。在设定的机器人工作环境中，每个任务都致力于为某一具体的形态进化出最合适的控制策略。为了使该数量巨大的任务之间能够充分的进行信息交流与知识迁移，本发明基于群体极化假设，根据已知任务特征对任务进行分组，并将优化过程分为两个阶段：组团聚和组分散。本发明具有自适应选择交叉算子的能力，以支持在组分散阶段通过组间通信进行任务探索。帮助表现不佳的任务在组团聚阶段从其他成员那里收集信息，并根据任务的特点自适应地修改信息吸收策略，最终获得最适合选定情景的机器人形态与机器人控制方式。

公开(公告)号：CN115521986A

公开(公告)日：2022-12-27

申请号：CN202211134398.9

申请日：2022-09-19

Applicant: 大连理工大学

Inventor： 赵智威 ,  林恺 ,  高建 ,  张强 ,  何昆仑 ,  石金龙

IPC: C12Q1/6888 ,  C12Q1/6869

Abstract: 本发明属于生物信息学领域，涉及基于生物多组学知识的人体体能评价方法。本发明总结出若干与力量、耐力、爆发力等基本身体素质相关联的基因，并且通过总结实验数据，得出若干有利于表型的优势基因型。这些基因型将对构建新型指标框架起到指导作用。根据这些基因数据，结合上述表观组型，对已有的体能测试标准进行重新分级，将基因型知识引入体能指标方案，得到分级的体能指标草案，从而满足更加细致的、更加个性化、更加符合实际需要的体能测试标准。同时针对雨林、高原、沙漠等环境对评价标准进行调整，形成不同环境下的有针对性的体能评价方法，并基于测试数据对已有的标准进行反馈优化，最终形成具有反馈机制的完整的人体体能评价标准体系。

公开(公告)号：CN112132263B

公开(公告)日：2022-09-16

申请号：CN202010950487.5

申请日：2020-09-11

Applicant: 大连理工大学

Inventor： 刘婵娟 ,  马原野 ,  张强 ,  魏小鹏

IPC: G06N3/04 ,  G06N3/08 ,  G01C21/20

Abstract: 本发明提供了一种基于强化学习的多智能体自主导航方法，属于多智能体强化学习领域。本发明通过长短时记忆网络将环境历史状态编码为系统的隐状态特征向量，并将编码后的系统隐状态作为智能体的策略网络以及动作评价网络的输入，从而使得智能体的策略网络和动作评价网络都能基于环境全局的信息工作，使得智能体的策略更加鲁棒。

公开(公告)号：CN114970946A

公开(公告)日：2022-08-30

申请号：CN202210322031.3

申请日：2022-03-30

Applicant: 大连理工大学 ,  大连凌空数据科技有限公司

Inventor： 杨光飞 ,  张强 ,  关晓微

IPC: G06Q10/04 ,  G06Q50/26 ,  G06N3/04 ,  G01W1/00

Abstract: 一种基于深度学习模型与经验模态分解耦合的PM2.5污染浓度长时空预测方法，收集PM2.5污染数据以及相关变量数据，数据清洗，相关性分析确定选择变量的相关性；构建图数据结构并输入至模型的GAT模块，得到PM2.5污染的空间信息；将PM2.5序列输入至模型的EMD模块，分解为若干个低频率的时间序列以及残差，并进行拼接，得到PM2.5污染的时间序列信息；整合空间信息以及时间序列信息，得到PM2.5污染的时空信息，输入至模型的GRU模块，再通过全连接层得到最终的预测结果。本发明将PM2.5污染的时间与空间信息结合，并将信号分解领域的经验模态分解算法和深度学习算法结合，提高PM2.5长步长预测的精度。

公开(公告)号：CN114841419A

公开(公告)日：2022-08-02

申请号：CN202210414963.0

申请日：2022-04-20

Applicant: 大连理工大学

Inventor： 王鹏飞 ,  魏宗正 ,  叶绯叶 ,  车超 ,  周成杰 ,  张强

IPC: G06Q10/04 ,  G06Q50/06 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明提供了一种基于Transformer与LSTM混合模型的智能风电功率预测方法，属于深度学习技术领域。本发明对风电场数据进行短期或超短期预测，针对风电场数据的随机性、波动性和尖峰性，设计了Transformer与LSTM混合模型。该混合模型能够高效率地训练出精度优良的模型，加快新能源领域的数字化转型，能够取得更为优异的训练效果，在训练过程能够充分利用过去宝贵的经验。本发明结合Transformer与LSTM模型的优点，既能够准确地预测数据，又能够高效地训练数据，为深度学习技术在风电场领域的应用提供了理论依据和实践经验。

公开(公告)号：CN110458844B

公开(公告)日：2022-02-15

申请号：CN201910659062.6

申请日：2019-07-22

Applicant: 大连理工大学

Inventor： 杨鑫 ,  朱锦程 ,  王昊然 ,  魏小鹏 ,  张强 ,  尹宝才

IPC: G06T7/10 ,  G06N3/04

Abstract: 一种低光照场景的语义分割方法，属于计算机视觉技术领域。本发明将正常图像的语义分割问题当做源域问题，低光照图像的语义分割问题当做目标域问题，利用迁移学习中的特征迁移的方法，充分发挥正常场景图像的信息充足的优势，将正常场景中的有用信息提取出来，并将这些有用信息与低光照图像的特征信息进行转换的结合，获取更多的有助于语义分割的图像信息，从而训练深度神经网络。基于这一思想，在生成对抗网络的基础之上，利用迁移学习的方法，设计并实现了用于低光照场景直接语义分割的网络模型。利用这一模型，能够有效解决低光照图片的语义分割任务。

公开(公告)号：CN112286203B

公开(公告)日：2021-10-15

申请号：CN202011257321.1

申请日：2020-11-11

Applicant: 大连理工大学

Inventor： 候亚庆 ,  张凯歌 ,  葛宏伟 ,  张强

IPC: G05D1/02

Abstract: 本发明公开了一种基于蚁群算法的多智能体强化学习路径规划方法。此方法结合了多智能体深度强化学习方法和蚁群算法的思想，来解决多智能体的路径规划问题。具体包括：采用基于Q学习的改进DQN深度强化学习方法及蚁群“信息素”协同机制，利用智能体集群历史信息对神经网络进行训练更新，最终得到智能体集群中各智能体的最优路径规划策略。本发明采用了网络参数共享机制、优先经验回放机制并且改进了神经网络的架构，解决了传统多智能体路径规划方法自适应能力差的缺陷，提升了路径规划的效率，提高了路径规划的稳定性，最终为多智能体系统规划出更高效便捷的行进路径。

公开(公告)号：CN109377498B

公开(公告)日：2021-08-20

申请号：CN201811006615.X

申请日：2018-08-31

Applicant: 大连理工大学

Inventor： 陈少喆 ,  杨鑫 ,  尹宝才 ,  张强 ,  魏小鹏

IPC: G06T7/11 ,  G06T7/194

Abstract: 本发明提供了一种基于循环神经网络的交互式抠图方法，属于计算机技术领域。本发明针对现有数字抠图算法工作量需求大，对用户输入质量依赖性高的问题，设计了一种基于循环神经网络的交互式抠图方法。所设计的框架通过循环过程中人为检测信息区域减少无价值判断结果，在减少工作量的同时能够得到主流抠图方式的抠图结果。本发明有益效果如下：(1)交互式模型、(2)长短期记忆网络、(3)强化学习方法和(4)三维场景渲染。