公开(公告)号：CN103523625B

公开(公告)日：2015-12-02

申请号：CN201310320391.0

申请日：2013-07-27

Applicant: 安徽理工大学 ,  徐州赛夫特矿山安全设备有限公司

Inventor： 周孟然 ,  胡居文 ,  汪前军 ,  许峰 ,  付学强

IPC: B66B5/02

Abstract: 本发明公开了一种基于支持向量机分类算法的煤矿立井罐笼防飞车防坠方法，采用支持向量机分类算法，将传感器采集到的信号分为正常运行状态和飞车断绳状态，再准确地确定提升机的运行状态。本发明弥补了传统提升机保护系统未考虑飞车和误动作率高这两个重要不足，通过对速度和提升绳张力两个因素的检测，并采用基于支持向量机的分类算法，能够准确发现飞车和断绳事故，并且准确动作，降低了煤矿立井提升系统生产的直接和间接的安全事故。

公开(公告)号：CN103234575B

公开(公告)日：2015-04-22

申请号：CN201310099802.8

申请日：2013-03-26

Applicant: 安徽理工大学 ,  淮北矿业(集团)有限责任公司

Inventor： 周孟然 ,  刘继平 ,  陈银翠 ,  王宾 ,  董祥林 ,  黄晓吾 ,  宫关 ,  曲鹏 ,  胡广 ,  付学强 ,  聂梦雅

IPC: G01D21/02

Abstract: 本发明公开了一种基于萤火虫算法的矿井井筒安全提升检测方法，首先根据矿井井壁的特殊结构，采用温度传感器和压力传感器钻孔埋在矿井井壁的各个平面的不同位置进而对温度和压力进行实时监测，然后通过单总线方式将挂接在单总线电缆上的各个温度和压力传感器采集的数据传送到监测仪表RTU，最后监测仪表RTU收到数据后一方面显示在液晶显示器上另一方面转换成RS485数据送到RS232/RS485总线转换器，最终数据送到PC机上，进而送到上位机组态王软件并送到MATLAB软件的萤火虫算法模型，经过演算可以获得较准确的未来矿井井壁安全趋势。本发明采用先进的萤火虫算法对井壁温度和压力进行预测，大大提高了预测的快速性和准确性。

公开(公告)号：CN103442159A

公开(公告)日：2013-12-11

申请号：CN201310392291.9

申请日：2013-09-02

Applicant: 安徽理工大学

Inventor： 贾晓芬 ,  赵佰亭 ,  周孟然 ,  姚善化 ,  李振璧

IPC: H04N1/58 ,  H04N9/64 ,  G06T3/40

Abstract: 本发明提供一种基于RS-SVM集成的边缘自适应去马赛克方法。其实现步骤是：(1)获取马赛克图像；(2)将马赛克图像分成边缘区域和平滑区域；(3)利用信号相关性方法插值平滑区域；(4)利用SVM集成法插值边缘区域。步骤(4)先在利用色彩相关性及色差恒定原理构建的色差平面上构建原始样本集；再利用Bagging方法对原始样本集重取样；再利用粗糙集动态约简算法约简重取样出的样本特征；然后用约简后的样本训练成员回归机；再用训练好的成员回归机估计待插值点的色差值；最后计算出丢失的像素值。本发明能改善图像的细小边缘区域的边缘特征，抑制伪彩色效应或锯齿现象，提高成像质量。

公开(公告)号：CN103334781A

公开(公告)日：2013-10-02

申请号：CN201310228197.X

申请日：2013-06-08

Applicant: 淮南矿业(集团)有限责任公司 ,  安徽理工大学

Inventor： 周孟然 ,  廖斌琛 ,  曹珍贯 ,  周言安 ,  徐磊 ,  金晶 ,  郝元伟 ,  马晓娜 ,  杨洋 ,  付学强 ,  戴婳 ,  聂梦雅

IPC: E21F7/00

Abstract: 本发明提供一种瓦斯抽采安全隐患监测系统。该系统包括：检测模块、处理模块、开关量输入输出模块、瓦斯抽采泵和瓦斯抽采管道阀门；检测模块对待测空间进行检测获取检测信号；处理模块采用小波分析算法对检测信号进行降噪处理得到检测数据，并将检测数据和设定的安全隐患参数标准值范围进行比较，生成识别结果；开关量输入输出模块根据识别结果生成控制信号；瓦斯抽采泵和/或瓦斯抽采管道阀门根据控制信号保持运行或停止运行。本发明提供的瓦斯抽采安全隐患监测系统，对检测信号采用小波分析算法进行降噪处理，提高了对瓦斯抽采控制的安全性，能够有效的预防瓦斯事故的发生。

公开(公告)号：CN114662902B

公开(公告)日：2025-03-18

申请号：CN202210280160.0

申请日：2022-03-21

Applicant: 安徽理工大学

Inventor： 胡锋 ,  周孟然 ,  朱梓伟 ,  王旭 ,  邵帅 ,  张易平 ,  汪锟

IPC: G06Q10/0637 ,  G06Q10/04 ,  G06Q50/06 ,  G06N3/006

Abstract: 本发明公开了一种基于自适应鲸鱼优化的电力负荷特征筛选方法，包括：采集不同类型电力负荷在一个连续采样周期内的电压、电流、有功功率和无功功率；分别提取电压、电流、有功功率和无功功率的时域特征和频域特征；将时域特征和频域特征合并，得到电力负荷的时域和频域联合特征；基于自适应鲸鱼优化算法对电力负荷的时域和频域联合特征进行特征筛选，得到电力负荷的筛选特征。本发明在提取电力数据的时域特征和频域特征基础上，借助自适应鲸鱼优化算法实现电力负荷特征的准确筛选，得到了电力负荷的筛选特征，减少了原始时域特征和频域特征的冗余信息，提高了电力负荷辨识的精度和速度。

公开(公告)号：CN114530847B

公开(公告)日：2024-08-09

申请号：CN202210170067.4

申请日：2022-02-23

Applicant: 安徽理工大学 ,  国网安徽省电力有限公司

Inventor： 周孟然 ,  汪胜和 ,  马金辉 ,  朱梓伟 ,  胡锋 ,  高博

IPC: H02J3/00 ,  G06F18/10 ,  G06F18/213 ,  G06F18/24

Abstract: 本发明公开了非活性电流谐波结合XGBoost的非侵入式负荷辨识方法，包括：利用非侵入式负荷监测系统采集待识别的电力系统负荷稳态电流数据和稳态电压数据，对采集到的稳态电流数据和稳态电压数据中值滤波处理，根据中值滤波后的稳态电流数据和稳态电压数据提取总有功功率特征、总无功功率特征及非活性电流各次谐波分量特征，利用核主成分分析KPCA对非活性电流各次谐波分量特征降维，提取主要谐波信息，与总有功功率特征、总无功功率特征结合形成XGBoost分类模型的多特征目标函数，将提取总有功功率特征、总无功功率特征及非活性电流各次谐波分量特征输入XGBoost分类模型，识别不同的负荷。该方法用于非侵入式负荷辨识，实现了负荷高效且快速准确识。

公开(公告)号：CN112826462B

公开(公告)日：2024-06-25

申请号：CN202011620538.4

申请日：2020-12-31

Applicant: 安徽理工大学

Inventor： 韩涛 ,  凌六一 ,  周孟然 ,  曹珍贯 ,  梁喆 ,  王成军 ,  黄友锐 ,  徐善永 ,  胡峰

IPC: A61B5/0205

Abstract: 本发明公开了一种基于频谱感知和超宽带雷达的井下人员生命体征监测方法，在井下巷道均匀安装J个UWB雷达模块，设人员处于UWB雷达模块j和UWB雷达模块j+1之间，1≤j≤J，UWB雷达模块j和UWB雷达模块j+1分别将其可通信的无线频带初始化分成I个子频带，并采用频谱感知方法探测其空闲子频带；UWB雷达模块j和UWB雷达模块j+1分别从其空闲子频带类中选择一个空闲子频带，探测井下人员的位置，并对UWB雷达模块j和UWB雷达模块j+1的探测信号进行处理，采用变分模态分解算法分解出人员生命体征参数。选择空闲子频带发射脉冲信号，保证了人员定位和生命体征监测的可靠性。

公开(公告)号：CN114912545B

公开(公告)日：2024-06-14

申请号：CN202210657083.6

申请日：2022-06-10

Applicant: 安徽理工大学

Inventor： 周孟然 ,  张易平 ,  胡锋 ,  朱梓伟 ,  汪锟 ,  刘宇

IPC: G06F18/241 ,  G06F18/214 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了基于优化VMD算法和DBN网络的电力负荷分类方法，其特征在于，包括：获取多个负荷在采样周期内的电力负荷数据，并对电力负荷数据进行预处理；通过优化VMD算法对预处理后的电力负荷数据进行分解，并从分解向量中提取特征向量；将特征向量输入至训练后的DBN神经网络中进行负荷分类；通过该方法可以将优化VMD算法和DBN神经网络相结合，从而实现对用电负荷进行精准分类。

公开(公告)号：CN117909716A

公开(公告)日：2024-04-19

申请号：CN202410086881.7

申请日：2024-01-22

Applicant: 安徽理工大学

Inventor： 朱梓伟 ,  周孟然 ,  胡锋 ,  汪锟 ,  周光耀 ,  孔伟乐 ,  胡忆婕 ,  崔恩汉

IPC: G06F18/213 ,  G06N3/0455 ,  G06N3/0464 ,  G06N3/045 ,  H02J3/00

Abstract: 本发明提供一种基于深度学习模型的非侵入式电力负荷分解方法，包括：S1获取总功率以及各个设备的功率数据，并进行预处理；S2利用滑动窗口获取特征数据，同时划分数据集；S3搭建结合多尺度卷积模块、门控Transformer编码器模块、WaveLSTM模块以及输出模块的深度学习模型；S4将数据集送入深度学习模型中，训练、测试以及评估模型，实现非侵入式负荷分解。本发明具有提取多尺度特征信息、考虑重要时间点的记忆信息对当前负荷分解的影响、提高时序负荷分解精度的优点。

公开(公告)号：CN117197434B

公开(公告)日：2024-04-09

申请号：CN202311161223.1

申请日：2023-09-11

Applicant: 安徽理工大学

Inventor： 高立鹏 ,  周孟然 ,  王宁 ,  王昊男 ,  刘宇 ,  陈悦

IPC: G06V10/25 ,  G06V10/26 ,  G06V10/774 ,  G06V10/80 ,  G06V10/82 ,  G06V10/764

Abstract: 本发明公开了一种基于AMFNet网络融合模型的肺部医学影像精准识别方法，该方法包含如下步骤：1)选取Kaggle的多种肺部常见疾病识别公共数据集中的X射线影像，采用Mobile‑Unet进行肺实质区域精细化分割，获取分割后影像数据集；2)搭建AMFNet网络融合模型，本文提出了Fusion Basic Block层和Multiscale Layer层，并且构建了基于这两个单元的特征提取主网络MFNet，选取ResNet50作为特征提取次网络模型，融合权重层则是由自适应优化器优化网络权重，特征提取主网络的主要特征提取部分使用的是类似于稠密网络的基础结构，包括有密集连接的Fusion Basic Block和保留多尺度特征的中间层Multiscale Layer，最后设计出AMFNet网络融合模型；3)将预处理后的训练集、验证集输入改进的AMFNet网络融合模型中，经过多轮训练得到模型参数，最后将测试集图像输入改进后的模型中，实现肺部医学影像精准识别。