-
公开(公告)号：CN116525132A
公开(公告)日：2023-08-01
申请号：CN202310318142.1
申请日：2023-03-29
Applicant: 东南大学
IPC: G16H50/80 , G06N3/0442 , G06N3/047 , G06N3/048 , G06N7/01
Abstract: 本发明公开了一种面向POI的突发公共卫生事件重点区域预测方法及系统，首先对待测城市的细粒度区域进行预测信息的收集与统计，并利用预测信息进行传染病模型构建，进行公共卫生事件演变规律的挖掘；针对演变规律，搭建公共卫生事件不可观测信息重建网络；以24小时为单位，构建以细粒度区域为节点的人口流动异质有向多图，基于异质有向图的特点，在空间上捕捉每个人口流动图内各区域间与关联区域的信息，得到每个人口流动图的空间嵌入表示；再根据24张人口流动图的时序关系，在时间维度进行各节点的信息融合，得到最终的城市细粒度区域嵌入表示，将其输入城市重点区域识别网络，得到各个细粒度区域潜在的风险等级，实现风险预测。
-
公开(公告)号：CN114118851A
公开(公告)日：2022-03-01
申请号：CN202111470404.3
申请日：2021-12-03
Applicant: 东南大学
Abstract: 本发明提供一种基于强化学习的区域间供需平衡的方法，建立基于强化学习的区域间供需平衡技术框架；该技术考虑到即时配送场景下区域层面供需不平衡的问题，通过选择合适的配送员进行调度，综合考虑供需平衡效率与配送员个人效益，实现整体的供需平衡。使用该技术可以较为高效地实现区域间供需平衡，并有效减少调度时配送员的利益损失。
-
Patent Agency Ranking
公开(公告)号：CN104931263B
公开(公告)日：2016-10-12
申请号：CN201510340759.9
申请日：2015-06-18
Applicant: 东南大学
IPC: G01M13/04
Abstract: 本发明公开了一种基于符号化概率有限状态机的轴承故障诊断方法。该方法首先对训练数据集中的一维时间序列转换为了二维的符号矩阵，然后对二维符号矩阵构建概率有限状态机模型，并使用提取出来的左特征向量作为特征量表示原始轴承信号，最后使用改进的K‑最近邻分类（KNN）算法对已知故障类别的轴承信号的左特征向量进行学习。对于待诊断轴承信号使用上述相同特征提取方法，再利用改进的KNN算法实现故障的诊断。本发明使用K‑means聚类方法对传统的K‑最近邻分类算法进行改进，提高了轴承诊断算法的计算效率和故障诊断效果。
-
公开(公告)号：CN104931263A
公开(公告)日：2015-09-23
申请号：CN201510340759.9
申请日：2015-06-18
Applicant: 东南大学
IPC: G01M13/04
Abstract: 本发明公开了一种基于符号化概率有限状态机的轴承故障诊断方法。该方法首先对训练数据集中的一维时间序列转换为了二维的符号矩阵，然后对二维符号矩阵构建概率有限状态机模型，并使用提取出来的左特征向量作为特征量表示原始轴承信号，最后使用改进的K-最近邻分类（KNN）算法对已知故障类别的轴承信号的左特征向量进行学习。对于待诊断轴承信号使用上述相同特征提取方法，再利用改进的KNN算法实现故障的诊断。本发明使用K-means聚类方法对传统的K-最近邻分类算法进行改进，提高了轴承诊断算法的计算效率和故障诊断效果。
-
公开(公告)号：CN114118851B
公开(公告)日：2024-07-16
申请号：CN202111470404.3
申请日：2021-12-03
Applicant: 东南大学
IPC: G06Q10/0631 , G06Q10/083 , G06N3/092
Abstract: 本发明提供一种基于强化学习的区域间供需平衡的方法，建立基于强化学习的区域间供需平衡技术框架；该技术考虑到即时配送场景下区域层面供需不平衡的问题，通过选择合适的配送员进行调度，综合考虑供需平衡效率与配送员个人效益，实现整体的供需平衡。使用该技术可以较为高效地实现区域间供需平衡，并有效减少调度时配送员的利益损失。
-
公开(公告)号：CN104008294B
公开(公告)日：2017-05-03
申请号：CN201410241363.4
申请日：2014-05-30
Applicant: 东南大学
Abstract: 本发明公开了一种符号化轴承异常检测系统及其方法。该方法首先利用加速度传感器以一定的时间间隔采集轴承运转时的振动信号，每一次采集都能得到一个长度为n的振动数据xn，然后对每个振动数据进行概率密度符号化，将原始的振动信号转换为符号化序列sn，接下来确定编码序列字长L，并对符号序列sn进行编码。最后计算每个振动数据编码序列的标准差作为特征量对轴承运行状况进行异常检测。与传统的符号化方法相比，本发明采用的概率密度符号化方法对轴承中的异常信息更加敏感能够更早的发现故障，这对于故障的预防、轴承维护、安全生产具有重大意义。
-
公开(公告)号：CN104008294A
公开(公告)日：2014-08-27
申请号：CN201410241363.4
申请日：2014-05-30
Applicant: 东南大学
Abstract: 本发明公开了一种符号化轴承异常检测系统及其方法。该方法首先利用加速度传感器以一定的时间间隔采集轴承运转时的振动信号，每一次采集都能得到一个长度为n的振动数据xn，然后对每个振动数据进行概率密度符号化，将原始的振动信号转换为符号化序列sn，接下来确定编码序列字长L，并对符号序列sn进行编码。最后计算每个振动数据编码序列的标准差作为特征量对轴承运行状况进行异常检测。与传统的符号化方法相比，本发明采用的概率密度符号化方法对轴承中的异常信息更加敏感能够更早的发现故障，这对于故障的预防、轴承维护、安全生产具有重大意义。
-
-
-
-
-
-
Search Results
7
records
(took 0.019 seconds)
