-
公开(公告)号：CN117723298A
公开(公告)日：2024-03-19
申请号：CN202311482240.5
申请日：2023-11-08
Applicant: 中国科学院自动化研究所 , 国网浙江省电力有限公司
IPC: G01M13/045 , G06F18/2132 , G06N3/006
Abstract: 本发明提供一种面向故障分析的设备振动信号处理方法及装置，该面向故障分析的设备振动信号处理方法包括：获取设备振动信号；从设备振动信号中提取信息熵、包络谱峭度以及变分模态分解模型与设备振动信号之间的相关系数，并根据信息熵、包络谱峭度和相关系数对变分模态分解模型进行参数寻优，得到目标中心频率和目标惩罚因子；根据目标中心频率和目标惩罚因子对变分模态分解模型进行模态提取，得到期望模态，对期望模态进行包络解调，得到包络信号，以诊断设备的故障类型。本发明所述方法通过采用包络谱峭度、信息熵和相关系数构建的复合指标用于变分模态分解模型的参数优化，提高了变分模态提取结果准确性，进而提高了设备故障分析的准确率。
-
公开(公告)号：CN111611085B
公开(公告)日：2023-09-22
申请号：CN202010469336.8
申请日：2020-05-28
Applicant: 中国科学院自动化研究所
IPC: G06F9/50
Abstract: 本发明属于云边协同、混合增强智能领域，具体涉及一种基于云边协同的人机混合增强智能方法、系统、装置，旨在解决边缘侧的计算及存储资源不足，导致高复杂度的智能算法难以部署，低复杂度的智能算法精度有限的的问题。本系统包括：设置于云端的算法库、设置于边缘端的输入模块、算法选择模块、决策模块；算法库，用于储存算法文件；输入模块，用于获取输入信息；算法选择模块，配置为获取边缘设备的性能评价指标，并通过预设的算法选取规则从算法库中选取相应的算法；决策模块，配置为获取目标决策结果。本发明降低了高复杂度的智能算法的部署难度，提高了低复杂度的智能算法的精度。
-
公开(公告)号：CN116246234A
公开(公告)日：2023-06-09
申请号：CN202211559393.0
申请日：2022-12-06
Applicant: 中国科学院自动化研究所
Abstract: 本发明提供一种车道线检测方法、装置、电子设备及存储介质，该方法包括：根据获取的待识别车道线图像，确定语义特征图像及细节特征图像；将所述语义特征图像及所述细节特征图像进行聚合，得到聚合特征图像；对所述聚合特征图像进行多尺度特征对齐融合，得到多尺度空间特征图像；根据所述多尺度空间特征图像对应的亲和域，确定所述待识别车道线图像中的车道线。该方法用以解决现有的车道线检测方法无法准确检测到车道线的缺陷，实现有效提高待识别车道线图像中车道线的检测准确性。
-
公开(公告)号：CN111611080B
公开(公告)日：2023-04-25
申请号：CN202010443683.3
申请日：2020-05-22
Applicant: 中国科学院自动化研究所
Abstract: 本发明属于边缘计算技术领域，具体涉及了一种边缘计算任务协同调度方法、系统、装置，旨在解决蚁群算法容易出现局部最优而不能很好地解决边缘环境下的资源利用率不高、虚拟机计算资源负载不均衡的问题。本发明包括：获取边缘计算任务的调度队列，并初始化相关参数；从蚁群算法中第一只蚂蚁开始，获取当前蚂蚁的可行解；若为最优可行解，则更新最优解和最短的任务最大完成时间；进行局部信息素更新，直至所有蚂蚁完成寻解；进行全局信息素更新，并迭代进行局部寻优，直至达到设定的迭代次数，获得全局最优可行解及对应的最短的任务最大完成时间。本发明进一步避免了蚁群算法过早陷入局部最优，保证了负载的均衡、任务的合理调度和资源的高效利用。
-
公开(公告)号：CN112861925A
公开(公告)日：2021-05-28
申请号：CN202110062310.6
申请日：2021-01-18
Applicant: 中国科学院自动化研究所
Abstract: 本发明涉及一种基于深度学习网络的多区域车辆需求预测方法及系统，所述车辆需求预测方法包括：获取多个待测区域的不同时段内的车辆需求的观测数据及天气环境历史数据；根据多个待测区域的车辆需求的观测数据，将各待测区域划分为多个簇；基于LSTM及全连接网络，根据各簇内不同时段内的车辆需求的观测数据及对应的天气环境历史数据，确定簇预测网络；基于LSTM及全连接网络，根据各待测区域的不同时段内的车辆需求的观测数据及对应的天气环境历史数据，确定全局预测网络；根据簇预测网络及全局预测网络，确定深度学习网络。本发明能够兼顾全局特性和区域特性，可预测下一时段内所有待测区域的车辆需求的终级预测数据，提高车辆需求预测的准确度。
-
Patent Agency Ranking
公开(公告)号：CN110675623B
公开(公告)日：2020-12-01
申请号：CN201910842242.8
申请日：2019-09-06
Applicant: 中国科学院自动化研究所 , 东莞中国科学院云计算产业技术创新与育成中心
Abstract: 本发明属于智能交通领域，具体涉及一种基于混合深度学习的短时交通流量预测方法、系统、装置，旨在解决现有大规模交通流量预测方法精度低的问题。本系统方法包括获取待预测的各交通观测点的历史交通流量数据；所述历史交通流量数据为t时刻之前连续的等时长时间段的r个交通流量数据集合；分别将各交通流量数据集合中的历史交通流量数据合并得到对应的合并数据，并将各合并数据归一化；基于归一化后的各交通观测点的历史交通流量数据，采用混合深度学习模型获取各交通观测点t时刻归一化的预测结果；将预测结果进行反归一化，得到各交通观测点t时刻的交通流量预测值。本发明提高了大规模交通流量预测的精度。
-
公开(公告)号：CN111596614A
公开(公告)日：2020-08-28
申请号：CN202010490517.9
申请日：2020-06-02
Applicant: 中国科学院自动化研究所 , 东莞中国科学院云计算产业技术创新与育成中心
IPC: G05B19/404
Abstract: 本发明属于工业机器人领域，具体涉及了一种基于云边协同的运动控制误差补偿系统及方法，旨在解决运动控制误差的补偿算法固定不变，无法满足机械臂不同条件下的自适应误差补偿的问题。本发明包括：边缘服务器运行误差补偿算法求解补偿量，与控制程序融合生成具有误差补偿的控制指令。边缘侧发起加工任务时，与中心服务器交互确定是否更新或下发误差补偿算法；若中心服务器没有相应误差补偿算法，则通过数字孪生建模仿真平台构建相应机械臂及加工件仿真系统，对误差补偿算法仿真更新，并择优下发至边缘服务器，补偿运动控制量，生成具有误差补偿的运动控制指令。本发明实现对机械臂运动误差精准补偿，减少了复杂多变的工况对运动控制精度的影响。
-
公开(公告)号：CN110021177B
公开(公告)日：2020-08-11
申请号：CN201910372658.8
申请日：2019-05-06
Applicant: 中国科学院自动化研究所
Abstract: 本发明属于智能交通系统领域，特别涉及一种启发式随机搜索交通信号灯配时优化方法，旨在为了解决现有交通信号灯配时优化方法复杂度高、优化时长较长的问题，本发明在待优化路段配时方案构成的相位时长向量的基础上分别叠加2N个探索噪声并得到2N个性能指标，通过最优的性能指标的选取及其对应的探索噪声的取反操作，得到N个性能指标，并基于此通过使用预设的调整算法调整相位时长向量，基于调整后的相位时长向量重复执行上述步骤直至达到预设的迭代终止条件，将最后一次迭代得到的相位时长向量作为优化输出。本发明能够在有限的计算资源的情况下，在可接受的时间范围内对交通路口信号灯配时方案进行优化，鲁棒性好，可实施性强。
-
公开(公告)号：CN111507762A
公开(公告)日：2020-08-07
申请号：CN202010294002.1
申请日：2020-04-15
Applicant: 中国科学院自动化研究所
Abstract: 本发明属于智能交通系统领域，具体涉及了一种基于多任务共预测神经网络的城市出租车需求预测方法，旨在解决现有技术不考虑下车需求导致出租车需求预测精度达不到预期的问题。本发明包括：将城市划分为网格，连续时间离散为时间块，并将一段时期内城市出租车载客的实时数据归到各网格的各时间块内，统计上下车需求量来训练可同时预测两种需求的多任务共预测神经网络，该神经网络可用于预测未来时间段内出租车的上下车需求量。本发明将出租车需求预测问题建模为上车和下车需求的时序预测问题，同时捕捉上车和下车需求之间的差异和联系，预测精度高、泛化性能好，有助于出租车管理部门合理配置出租车资源以解决城市不同区域出租车供求不平衡的问题。
-
公开(公告)号：CN111444019A
公开(公告)日：2020-07-24
申请号：CN202010240843.4
申请日：2020-03-31
Applicant: 中国科学院自动化研究所
Abstract: 本发明涉及一种云端协同的深度学习模型分布式训练方法及系统，所述训练方法包括：客户端接收用户输入的关于深度学习网络的训练任务；客户端根据所述训练任务调取网络配置和训练信息；云服务器根据网络配置和本地设备的资源情况，筛选出能够用于训练的各训练本地设备；云服务器根据所述网络配置和训练信息，生成多个训练子任务；云服务器将各训练子任务分别发送到不同的训练本地设备中；云服务器与各训练本地设备根据网络配置，对对应的训练子任务进行训练，以实现对深度学习网络的分布式训练。本发明通过云端协同实现了分布式资源的发现和筛选，从而可在深度学习模型分布式训练时合理有效的利用资源。
-
-
-
-
-
-
-
-
-
Search Results
177
records
(took 0.036 seconds)
