-
公开(公告)号：CN107423412A
公开(公告)日：2017-12-01
申请号：CN201710631966.9
申请日：2017-07-28
Applicant: 中南大学
CPC classification number: G06F17/30241 , G06F2216/03 , G06K9/6218 , G06K9/6269
Abstract: 本发明公开了一种基于气象传感时序模式的运载机器人智能识别楼层的方法，包括：步骤1：构建楼层信息数据库；步骤2：对楼层信息数据进行聚类，得到每个楼层的天气模式集合；步骤3：获取用于构建基于天气模式的气压楼层预测模型的训练集合；步骤4：构建基于天气模式的气压楼层预测模型；步骤5：利用机器人当前所在楼层层号和天气观测值，调用对应天气模式的气压楼层预测模型；步骤6：利用机器人实时采集的气压和气压楼层预测模型，预测机器人所在楼层层号；该方法利用简易的温度、湿度、气压传感器搜集数据，建立环境数据库，并针对气压随高度变化而变化的特性，采用数据挖掘技术，实现机器人在不同环境条件下的电梯楼层自动高准确度、高稳定性识别。
-
公开(公告)号：CN107403195A
公开(公告)日：2017-11-28
申请号：CN201710631218.0
申请日：2017-07-28
Applicant: 中南大学
CPC classification number: G06K9/6269 , G06F19/00 , G06K9/6256 , G06N3/006 , G06N3/008
Abstract: 本发明提供了一种运载机器人识别楼层的气象参数智能融合处理方法，利用成本较低的温度、湿度、气压传感器搜集数据，建立数据库，针对气压随高度变化的特性，采用大数据处理技术，利用SFLA优化的MKSVM模型完成预测模型的建立，实现运载机器人在各种环境下的电梯楼层自适应辨识，有效解决了不同环境下同一高度气压值变动导致楼层辨识不准的情况。此外，本发明无需对电梯内部或外部进行改造，具有极高的普适性。
-
公开(公告)号：CN106372731A
公开(公告)日：2017-02-01
申请号：CN201611024045.8
申请日：2016-11-14
Applicant: 中南大学
CPC classification number: G06N99/005 , G06N3/02
Abstract: 本发明公开了一种强风高速铁路沿线风速空间网络构造预测方法，该方法通过3种预测模型构建最优加权组合模型来预测风速。其中，第1个预测模型利用多测风站短时历史风速数据，第2个预测模型利用单测风站短时历史风速数据，第3个预测模型利用多测风站历史风速数据和对应的历史气象数据。该方法融入了空间、时间、气象等多种元素，利用了当前时段辅助测风站和目标测风站数据、历史辅助测风站和目标测风站气象数据、风速数据等多种数据，保证了数据的多样性；将时间相关性和空间相关性有机结合，提高了预测的可靠性；通过利用3个基本模型在预测过程中存在数据交织，减少了计算量；预测稳定性高，可以实现超前多步预测，具有工程应用价值。
-
公开(公告)号：CN107403195B
公开(公告)日：2018-03-27
申请号：CN201710631218.0
申请日：2017-07-28
Applicant: 中南大学
Abstract: 本发明提供了一种运载机器人识别楼层的气象参数智能融合处理方法，利用成本较低的温度、湿度、气压传感器搜集数据，建立数据库，针对气压随高度变化的特性，采用大数据处理技术，利用SFLA优化的MKSVM模型完成预测模型的建立，实现运载机器人在各种环境下的电梯楼层自适应辨识，有效解决了不同环境下同一高度气压值变动导致楼层辨识不准的情况。此外，本发明无需对电梯内部或外部进行改造，具有极高的普适性。
-
公开(公告)号：CN106557840B
公开(公告)日：2018-01-09
申请号：CN201611029592.5
申请日：2016-11-14
Applicant: 中南大学
Abstract: 本发明提供了一种强风高速铁路沿线风速自适应分解预测方法，该方法包括以下步骤：步骤1：设置辅助测风站；步骤2：对风速数据进行滤波处理；步骤3：将滤波后的各组数据进行分解；步骤4：对各组分解后的数据进行滤波；步骤5：将各组滤波后的IMF分量和R分量进行信号重构；步骤6：选出当前时段与目标测风站相关较高的m个辅助测风站；步骤7：构建CS优化的小波神经网络模型；步骤8：将实测的m个辅助测风站风速值输入到训练好的模型，得到目标测风站的风速预测值。本发明能在各种地形、气候条件下对铁路沿线风速进行高精度预测，有效避免了单一测风站硬件故障造成的预测错误及预测中断。
-
Patent Agency Ranking
公开(公告)号：CN106772695B
公开(公告)日：2017-08-18
申请号：CN201611029514.5
申请日：2016-11-14
Applicant: 中南大学
IPC: G01W1/10
CPC classification number: Y02A90/14
Abstract: 本发明公开了一种融合多测风站实测数据的铁路沿线风速预测方法，包括以下几个步骤：步骤1，在目标测风站位置安装辅助测风站，采集风速数据；步骤2，对风速数据样本进行滤波处理；步骤3，利用2层小波分解去除高频跳跃特征，取最后一层的低频数据；步骤4，选出与目标测风站数据显著性较高的m个辅助测风站数据；步骤5，对目标测风站和选出的m个辅助测风站的低频数据层分别进行2层小波包分解；步骤6，训练PSO‑MLP神经网络模型；步骤7，将实测的m个辅助测风站风速值输入到预测模型，得到目标测风站的风速预测值。本发明所述方法能够有效提高铁路沿线风速预测精度、保证预测模型的稳定，且能避免单测风站传感器硬件故障造成的预测中断。
-
公开(公告)号：CN106557840A
公开(公告)日：2017-04-05
申请号：CN201611029592.5
申请日：2016-11-14
Applicant: 中南大学
Abstract: 本发明提供了一种强风高速铁路沿线风速自适应分解预测方法，该方法包括以下步骤：步骤1：设置辅助测风站；步骤2：对风速数据进行滤波处理；步骤3：将滤波后的各组数据进行分解；步骤4：对各组分解后的数据进行滤波；步骤5：将各组滤波后的IMF分量和R分量进行信号重构；步骤6：选出当前时段与目标测风站相关较高的m个辅助测风站；步骤7：构建CS优化的小波神经网络模型；步骤8：将实测的m个辅助测风站风速值输入到训练好的模型，得到目标测风站的风速预测值。本发明能在各种地形、气候条件下对铁路沿线风速进行高精度预测，有效避免了单一测风站硬件故障造成的预测错误及预测中断。
-
公开(公告)号：CN109657938B
公开(公告)日：2023-06-23
申请号：CN201811460210.3
申请日：2018-11-30
Applicant: 中南大学 , 中车青岛四方机车车辆股份有限公司
IPC: G06Q10/0635 , G06Q10/04 , G06Q50/30 , G06N3/08
Abstract: 本发明提供了一种轨道交通系统成本要素辨识分析方法，首先通过对轨道交通系统总成本细分得到要素对象，使用专家评分法获取要素对象的安全、性能、环境特征值并获取该要素对象与其他要素的关联程度值，建立该对象的有效影响评分集合；再建立要素安全特征值、性能特征值、环境特征值、有效影响评分与要素成本的映射模型；最后，将一条轨道交通线路各要素的安全、性能、环境、有效影响评分数据输入该模型，进行各要素成本的辨识，该方法使得决策人员能在轨道交通项目决策期间得到轨道系统的各要素的成本预测值，能有效的掌控轨道交通系统未来成本开支情况，对降低轨道交通投资的金融风险，制定风险评估体系有着重要的意义。
-
公开(公告)号：CN109657938A
公开(公告)日：2019-04-19
申请号：CN201811460210.3
申请日：2018-11-30
Applicant: 中南大学 , 中车青岛四方机车车辆股份有限公司
Abstract: 本发明提供了一种轨道交通系统成本要素辨识分析方法，首先通过对轨道交通系统总成本细分得到要素对象，使用专家评分法获取要素对象的安全、性能、环境特征值并获取该要素对象与其他要素的关联程度值，建立该对象的有效影响评分集合；再建立要素安全特征值、性能特征值、环境特征值、有效影响评分与要素成本的映射模型；最后，将一条轨道交通线路各要素的安全、性能、环境、有效影响评分数据输入该模型，进行各要素成本的辨识，该方法使得决策人员能在轨道交通项目决策期间得到轨道系统的各要素的成本预测值，能有效的掌控轨道交通系统未来成本开支情况，对降低轨道交通投资的金融风险，制定风险评估体系有着重要的意义。
-
公开(公告)号：CN107368858B
公开(公告)日：2018-04-13
申请号：CN201710630336.X
申请日：2017-07-28
Applicant: 中南大学
Abstract: 本发明提供了一种智能环境运载机器人识别楼层的参数化测量多模型智能融合方法，利用成本较低的温度、湿度、气压传感器搜集数据，建立数据库，针对气压随高度变化的特性，采用大数据处理技术，利用KH算法优化的小波神经网络模型完成预测模型的建立，实现运载机器人在各种环境下的电梯楼层自适应辨识，有效解决了不同环境下同一高度气压值变动导致楼层辨识不准的情况。此外，本发明无需对电梯内部或外部进行改造，具有极高的普适性。
-
-
-
-
-
-
-
-
-
Search Results
15
records
(took 0.016 seconds)
