-
公开(公告)号：CN119400298A
公开(公告)日：2025-02-07
申请号：CN202411302623.4
申请日：2024-09-18
Applicant: 北京工业大学
IPC: G16C20/70 , G16C20/10 , G06N3/0464 , G06N3/0442 , G06N3/049 , G06F18/211 , G06F18/10 , G06N3/0985
Abstract: 本发明公开了一种基于时间卷积门控循环神经网络的烟气脱硫浆液pH值预测方法，该方法包括：对烟气脱硫过程进行分析，结合大量的过程监测数据，采用最大互信息分析方法对烟气压力、入口烟气温度、烟气含氧量、烟气飞灰含量、入口烟气二氧化硫浓度、入口烟气流量等工艺变量进行相关性分析，获得影响浆液pH值的关键变量。然后，将时间卷积神经网络和门控循环单元进行结合，组成时间卷积门控循环网络。最后，利用被选中的关键变量和卷积门控循环网络，完成对脱硫过程浆液pH值的预测。本发明实时监控和调整pH值能够预防停机，提高系统可靠性和经济效益。因此，准确预测浆液pH值对烟气脱硫过程的稳定性、效率和环保性能具有重要意义。
-
公开(公告)号：CN115454134B
公开(公告)日：2024-09-24
申请号：CN202211217407.0
申请日：2022-10-03
Applicant: 北京工业大学
IPC: G05D1/695 , G05D109/20
Abstract: 本发明公开了一种有向通信下具有异构动态不确定性的多智能体的一致跟踪控制方法和系统，所述智能体的模型差异由动态不确定性特性描述。基于输出信息设计分散式状态观测器，利用相邻多智能体间的相对输出信息构建分布式一致跟踪控制协议，使跟随者的输出能够渐进跟踪领航者的输出轨迹。本发明提供的技术方案带来的有益效果为：本发明将多智能体间的模型差异处理为动态不确定性，提出了一种适用于一般异构多智能体系统的一致跟踪控制算法；多智能体间的交换信息仅包含相邻跟随者的相对输出信息，降低了网络通讯负荷；通过充分利用智能体动态不确定性的频域特征，与现有方法相比，所提出的算法极大地降低了系统设计保守性。
-
公开(公告)号：CN111967494B
公开(公告)日：2024-03-26
申请号：CN202010625497.1
申请日：2020-07-01
Applicant: 北京工业大学
IPC: G06F18/23 , G06F18/241 , G06F18/2415 , G06Q50/26 , G06F16/35 , G06N3/0442 , G06N3/08
Abstract: 本发明公开了一种面向大型活动公安系统警卫安保的多源异构数据分析方法，通过深度学习的方式来进行文本情感分析，犯罪倾向人员画像，犯罪倾向人员轨迹分析与文本信息提取。首先对网络社交文本进行情感分析，筛选出发布不良言论的账户，对该账户所发布的全部内容与搜索记录进行分析，得出账户持有人的籍贯，年龄，文化程度等信息。对近期频繁往返于活动举办地与倾向人员籍贯地的重点人员进行轨迹分析与文本情报提取，以期有效打击犯罪，降低一线干警工作量，有效保障大型活动的顺利召开，并为公安系统犯罪预防方法的进一步研究提供了解决思路。
-
公开(公告)号：CN115828750A
公开(公告)日：2023-03-21
申请号：CN202211559222.8
申请日：2022-12-06
Applicant: 北京工业大学
IPC: G06F30/27 , G06F111/06
Abstract: 本发明公开了基于数据驱动代理辅助的湿法烟气脱硫多目标优化方法，该方法包括：对湿法脱硫过程进行分析，结合大量生产过程监控数据，采用主元成分分析法对机组负荷、烟气流量、入口SO2浓度、入口O2浓度、PH值、烟气温度、粉尘含量、浆液密度和石灰石浆液流量等工艺变量进行关联分析，获取影响脱硫效率、出口SO2排放量优化目标的关键控制变量。将采集的数据进行数据归一化后采用FasterKriging模型建立脱硫效率、出口SO2排放量的预测模型，提取工艺参数。采用基于代理辅助进化的多目标进化算法求解该多目标优化问题。结合脱硫过程生产实际，采用模糊推理系统决策方法从Pareto解集中选择出最优操作参数，为生态高效的湿法烟气脱硫过程提供经验方案。
-
公开(公告)号：CN115570572A
公开(公告)日：2023-01-06
申请号：CN202211401247.5
申请日：2022-11-09
Applicant: 北京工业大学
IPC: B25J9/16
Abstract: 本发明公开了基于层次化知识图谱的复杂装配任务动作序列规划方法，该方法基于对象层、操作层、任务层三个层次构建知识图谱，其中对象层主要描述操作环境中对象属性及其相互关系。图谱内实体属性主要包括物理属性、视觉属性与操作属性等。操作层主要描述多样化动作属性，包括动作的语义名称、特征及功用等。任务层主要描述多种装配方式(装配子任务的分解与组合)，如子任务间的约束关系与时序关系描述等。通过建立层次化知识图谱，分层次存储多样化装配序列；模块化设计机器人不同种类动作，针对复杂装配任务，将图谱序列与动作模块相结合规划机器人的可执行动作序列，减免编程繁琐，降低对员工的专业编程能力要求。
-
Patent Agency Ranking
公开(公告)号：CN113281229B
公开(公告)日：2022-11-29
申请号：CN202110179054.9
申请日：2021-02-09
Applicant: 北京工业大学
Abstract: 本发明公开了一种基于小样本下多模型自适应大气PM2.5浓度预测方法，通过自身的太阳能供电系统、户外监测探头和云端网络实时在线对校园一年四季的大气污染物浓度进行数据采集，对采集到的大气污染物等进行数据归一化处理，用最小二乘支持向量回归方法对采集的四季的大气污染物数据进行训练得到不同季节的大气PM2.5浓度预测模型，将采集的数据作为预测模型的输入变量，不同预测模型根据自身算法计算得到不同季节的大气PM2.5浓度预测值，将预测值与实际的采集的数据进行预测比较，所得误差性能指标在几种模型中最小者，采用误差小者的预测模型对当前的状态下大气污染物PM2.5浓度进行预测，满足单一模型不能应对当前状态下模型预测大气PM2.5浓度的能力。
-
公开(公告)号：CN114187269A
公开(公告)日：2022-03-15
申请号：CN202111516597.1
申请日：2021-12-07
Applicant: 北京工业大学
Abstract: 本发明公开了小零器件表面缺陷边缘快速检测方法，具体包括两个步骤：零器件边缘最小包络框的获取与复杂形状零器件缺陷边缘的快速检测方法；所述零器件边缘最小包络框的获取用Canny边缘检测算子迅速锁定整个图片中零器件的边缘位置信息并获取零器件的最小包络框，确定缺陷的检测区域；复杂形状零器件缺陷边缘的快速检测方法将最小包络框旋转至与边缘模板图像一致的方向，并通过匹配边缘点位置特征，快速找到器件上的缺陷边缘。本方法只需首先拍摄一幅无缺陷器件图片作为匹配模板，匹配模型更新维护简便，整个算法计算量小，实时性好，不需要大量样本。该方法由于仅对待检测图像的边缘部分进行了识别，大大降低了缺陷检测的计算量。
-
公开(公告)号：CN108038079B
公开(公告)日：2021-01-05
申请号：CN201711268730.X
申请日：2017-12-05
Applicant: 北京工业大学
Abstract: 本发明公开一种多源机械信号分析与优化组合方法，对所采集多源机械振动和振声信号进行快速傅里叶变换，获得机械频谱数据；基于这些机械频谱数据构建潜结构映射模型，基于验证数据得到MLPF(磨机负荷参数预测)模型的结构参数和验证误差；通过单一机械信号MLPF潜结构模型的验证误差和结构参数与全部机械信号MLPF潜结构模型的验证误差和结构参数之比对机械信号的预测精度贡献率和蕴含信息贡献率进行评估，并定义两者的可调加权作为综合指标，实现多源机械信号预测精度和蕴含信息贡献率的综合评估；通过选择综合指标值大于设定阈值的多源机械信号完成初选，再基于组合优化策略实现用于构建MLPF模型的最佳多源机械信号优化组合。
-
公开(公告)号：CN111598156A
公开(公告)日：2020-08-28
申请号：CN202010405889.7
申请日：2020-05-14
Applicant: 北京工业大学
Abstract: 本发明提出了基于多源异构数据融合的PM2.5预测模型，该模型通过将多源异构数据融合实现信息的综合，并在融合数据的基础上建立多核支持向量回归机模型实现PM2.5浓度预测。首先，采集空气质量数据和图像两种多源异构数据，并对采集的数据进行预处理和特征提取。其次，使用基于核函数的多核扩展方法完成多源异构数据融合，融合过程主要通过构造、合并Gram矩阵的方式完成，并推导了多核扩展核函数。然后，在多核扩展核函数和扩展核矩阵的基础上，重新构造了多核支持向量回归机模型。最后使用改进的最小序列优化算法对模型参数进行了优化。本发明是基于多源异构数据融合实现的PM2.5预测，能在实现信息融合的基础上得出更加综合可信的判断，保证了预测的准确性、稳定性和可信度。
-
公开(公告)号：CN108445752A
公开(公告)日：2018-08-24
申请号：CN201810174267.0
申请日：2018-03-02
Applicant: 北京工业大学
IPC: G05B13/04
Abstract: 本发明公开一种自适应选择深度特征的随机权神经网络集成建模方法，首先，预设定深度特征层数和集成模型尺寸阈值为J和Jthresh；接着，构建以易检测过程变量为输入和输出的神经网络自编码器并提取第1层特征，建立以易检测过程变量为输入和难检测过程参数为输出的第1个候选子模型；然后，构建以第1层特征为输入和输出的神经网络自编码器并提取获得第2层特征，建立以第1层特征为输入和难检测过程参数为输出的第2个候选子模型；重复上述过程，直到获得第Jth层特征和第Jth个候选子模型；最后，基于全部J个候选子模型，耦合分支定界优化算法和模型加权算法获取集成尺寸为2～Jthresh的全部选择性集成模型，并将预测误差最小的作为最终的难检测过程参数预测模型。
-
-
-
-
-
-
-
-
-
Search Results
55
records
(took 0.026 seconds)
