-
公开(公告)号：CN118992831A
公开(公告)日：2024-11-22
申请号：CN202411466991.2
申请日：2024-10-21
Applicant: 无锡学院
Abstract: 本发明提供一种人工智能驱动的起重机自适应抗干扰控制方法及系统，起重机自适应抗干扰控制技术领域，本发明首先收集多组起重机工作时的历史数据，构成历史数据集，并按比例将其分为训练集与验证集，使用神经网络构建起重机干扰预测模型，使用训练集和验证集对模型进行训练优化，生成摆动干扰预测模型，实时采集起重机工作时的各种数据，使用摆动干扰预测模型预测摆动干扰系数，通过重物质量、重物横截面积、风速和空气密度生成风力干扰系数；通过吊臂振动频率和幅值生成振动干扰系数；通过上述干扰系数调节系统增益，然后通过增益控制控制器输出，以达到自适应抗干扰的目的。
-
公开(公告)号：CN118411160B
公开(公告)日：2024-11-05
申请号：CN202410879277.X
申请日：2024-07-02
Applicant: 无锡学院
IPC: G06Q10/20 , G06Q50/06 , G06F18/2415 , G06F18/214 , G06N3/0464 , H02J13/00 , G01R31/08
Abstract: 本发明提供一种考虑多种气象因子的电网故障预测方法及系统，旨在提高电网故障预测的准确性和效率。该方法首先收集电网各个线路的历史故障数据和相应的气象数据，包括温度、湿度、风速和降雨量，并将这些数据映射到预定义的气象区间内以计算不同条件下的故障概率指数。接着，利用卷积神经网络构建气象因子故障概率模型，卷积神经网络能够从历史故障和气象数据中提取深层次特征，通过历史数据训练得到的模型不仅能够适应数据的复杂性，还能够实现更为准确的故障预测。通过实时采集的气象数据和电力数据，模型能够预测各个线路的故障概率，进而通过与预设的故障阈值进行比较，筛选出潜在的风险预警线路。
-
公开(公告)号：CN118760174A
公开(公告)日：2024-10-11
申请号：CN202410908156.3
申请日：2024-07-08
Applicant: 无锡学院
Abstract: 本发明公开了一种DoS攻击下多智能体的预定时间滑模编队控制方法，包括建立非周期性DoS攻击模型，考虑智能体之间的动态相互作用、协调关系以及外部干扰，建立多智能体动态模型，描述智能体的位置变化；设计预定时间滑模面以及其控制器，以实现多智能体的非线性系统对外部环境以及DoS攻击的适应性；设置预定时间终端滑模控制的Lyapunov充分条件；通过无界Lyapunov函数V2(x)进行无DoS攻击时系统稳定性证明；设定DoS攻击下的预定时间稳定系统的稳定性证明控制器，通过调整误差系统的初始参数，使得非线性系统完成非周期DoS攻击下期望的时变编队控制。通过本发明方法提升了非周期性DoS攻击以及持续外部干扰对非线性多智能体系统稳定性。
-
公开(公告)号：CN118396338B
公开(公告)日：2024-09-24
申请号：CN202410815879.9
申请日：2024-06-24
Applicant: 无锡学院
IPC: G06Q10/0631 , G06Q10/08
Abstract: 本发明提供一种多智能体系统实时任务分配与负载均衡方法及系统，涉及任务分配技术领域，本发明针对物流装配任务，将一个整体任务拆分成若干子任务交由不同的智能机器人执行，按照最小负载优先算法，通过智能机器人的资源利用率、执行任务情况生成评估智能机器人负载情况的负载指数，并建立轮询序列表，按照冒泡排序从小到大收集这些负载指数，有新任务到达时，优先分配给负载最低的智能机器人执行，对于每个分配到任务的智能机器人，重新计算其负载指数并更新轮询序列表，直到所有任务分配到智能机器人去执行，同时对执行任务的智能机器人进行监控，及时通过调整智能机器人的负载权重来保证智能机器人执行任务的安全和效率，维护系统的稳定性。
-
公开(公告)号：CN118536865A
公开(公告)日：2024-08-23
申请号：CN202410638328.X
申请日：2024-05-22
Applicant: 无锡学院
IPC: G06Q10/0639 , G06Q50/26 , G06F17/16
Abstract: 本发明公开了一种灭火救援作战能力评估方法，涉及评估方法技术领域，不仅采用了客观赋权和主观赋权两种方式进行指标权重的赋值，而且引入了博弈论进行组合赋权，博弈论提供了一种研究主客观赋权法在冲突中协调作用的方法，旨在寻求两者的最大利益，并同时兼顾主客观权衡，从而充分考虑了各个指标之间的相互关系，有助于降低主观偏见，提高赋权的科学性，从而增强了评估指标权重的科学性，为建立灭火救援作战能力评估模型提供了良好的基础，使评估结果更具客观性和准确性。除此之外，本发明还采用了属性数学的方法对作战能力进行评估，这种方法具有科学性和实用性，能够为提升消防队站的灭火救援作战能力提供指导意义。
-
Patent Agency Ranking
公开(公告)号：CN118432943A
公开(公告)日：2024-08-02
申请号：CN202410878361.X
申请日：2024-07-02
Applicant: 无锡学院
Abstract: 本发明提供一种电力物联网信息安全风险评估方法及系统，涉及信息安全技术领域。本发明针对电力物联网系统中重要度高并且容易出现安全漏洞的设备、网络、数据进行安全检测，分别对每种攻击方式建立攻击树模型，生成攻击影响指数以评估设备、网络、数据的安全风险状况，根据攻击树的风险，生成应对每种风险的安全措施，通过分析系统中是否存在对应的安全措施以及安全措施的应对效果，生成安全控制指数以评估安全措施针对不同类型攻击的应对效果，最终结合攻击影响指数和安全控制指数生成综合评价指数判断电力物联网系统的安全风险情况。
-
公开(公告)号：CN118411160A
公开(公告)日：2024-07-30
申请号：CN202410879277.X
申请日：2024-07-02
Applicant: 无锡学院
IPC: G06Q10/20 , G06Q50/06 , G06F18/2415 , G06F18/214 , G06N3/0464 , H02J13/00 , G01R31/08
Abstract: 本发明提供一种考虑多种气象因子的电网故障预测方法及系统，旨在提高电网故障预测的准确性和效率。该方法首先收集电网各个线路的历史故障数据和相应的气象数据，包括温度、湿度、风速和降雨量，并将这些数据映射到预定义的气象区间内以计算不同条件下的故障概率指数。接着，利用卷积神经网络构建气象因子故障概率模型，卷积神经网络能够从历史故障和气象数据中提取深层次特征，通过历史数据训练得到的模型不仅能够适应数据的复杂性，还能够实现更为准确的故障预测。通过实时采集的气象数据和电力数据，模型能够预测各个线路的故障概率，进而通过与预设的故障阈值进行比较，筛选出潜在的风险预警线路。
-
公开(公告)号：CN113962819A
公开(公告)日：2022-01-21
申请号：CN202111170371.0
申请日：2021-10-08
Applicant: 无锡学院
Abstract: 本发明公开了一种基于极限学习机的工厂化水产养殖溶解氧预测方法。属于水产养殖技术领域；具体步骤：数据预处理、因子筛选、构建IELM网络模型和测试预测方法、输出预测结果。本发明利用数据预处理方法校正缺失的数据；利用皮尔森相关系数法对指标因子进行筛选，确定与溶解氧浓度关联性最强的8项指标作为预测方法的输入量，并将预处理后的数据集分成训练集和测试集；接着利用人工蜂群算法优化极限学习机的初始权值和阈值，得到最佳参数值，构建IELM网络模型；最后，在测试集中将获得的IELM的溶解氧预测值与传统的ELM模型的预测结果对比，IELM预测方法的预测效果更好，更能精准的预测工厂化水产养殖中溶解氧变化趋势。
-
公开(公告)号：CN119357806A
公开(公告)日：2025-01-24
申请号：CN202411670143.3
申请日：2024-11-21
Applicant: 无锡学院
IPC: G06F18/2413 , G06N3/09 , G06F18/2131 , G06F18/214 , G01R23/16 , G01R31/00 , G06F123/02
Abstract: 本发明提供一种基于频谱特征的电网信号扰动分析方法及装置，涉及电网信号扰动分析技术领域，具体步骤包括：采集包含各种电能质量扰动的历史数据，使用等长的时间窗口进行分割，获得多个时间窗口对应的时间序列信号片段，对每个时间序列信号片段进行傅里叶变换，获取每个时间序列信号片段对应的频谱特征；将上述频谱特征构成数据链，并对数据链进行标注，构建电能质量扰动数据训练集；构建深度学习模型，使用标注的电能质量扰动数据训练集对模型进行训练，得到训练好的电能质量扰动识别模型，本发明通过对传统的神经网络结构进行了改造，降低了信号处理的难度，提高电能质量扰动信号识别的准确率。
-
公开(公告)号：CN119047932B
公开(公告)日：2025-01-24
申请号：CN202411534382.6
申请日：2024-10-31
Applicant: 无锡学院
IPC: G06Q10/0639 , G06Q50/20 , G06F18/2431 , G06N5/01 , G06N20/20 , G06F18/214 , G06V10/80
Abstract: 本发明公开了一种集成学习成绩预测方法、装置、电子设备及存储介质，方法包括：获取目标学生的学习行为数据；使用预先训练好的XGBoost模型预测学习行为数据在XGBoost模型训练过程中的迭代信息；对迭代信息进行独热编码，得到学习行为数据的二进制特征向量；将二进制特征向量输入预先训练好的软投票分类器中，得到目标学生的成绩预测结果。本发明在第二层预测中将XGBoost模型、LR模型和RF模型进行融合，将三个模型的预测数据进行加权平均得到融合预测结果，解决传统预测方法最下层模型单一导致的预测性能不佳的问题，有效提高预测性能和准确率。
-
-
-
-
-
-
-
-
-
Search Results
61
records
(took 0.023 seconds)
