-
公开(公告)号：CN118153433A
公开(公告)日：2024-06-07
申请号：CN202410278662.9
申请日：2024-03-12
Applicant: 北京理工大学 , 北京空间飞行器总体设计部
Abstract: 本发明公开了基于物理信息神经网络的事件触发模型学习方法，涉及人工智能技术领域，步骤一、构建系统的物理信息神经网络，完成系统的模型辨识；步骤二、根据系统模型和实时输入输出，结合无迹卡尔曼滤波器对系统进行在线状态估计；步骤三、利用状态估计结果，结合模型进行一步前向输出预测并计算预测误差，通过事件触发学习机制判断是否需要更新模型。本发明采用上述基于物理信息神经网络的事件触发模型学习方法，通过构建物理信息神经网络系统辨识方法和事件触发学习方法，提出的物理信息神经网络，结合传统的机理分析建模方法和数据驱动建模方法的优势，兼顾辨识模型可解释性的同时提高模型辨识的准确度。
-
公开(公告)号：CN119474822A
公开(公告)日：2025-02-18
申请号：CN202411591207.0
申请日：2024-11-08
Applicant: 北京理工大学 , 北京空间飞行器总体设计部
IPC: G06F18/213 , G06F18/22 , G06F18/214 , G06N3/0442 , G06N3/084 , G06F17/18 , G01R31/392 , G01R31/367
Abstract: 本发明公开了一种基于域相似元学习的小样本锂电池SOH估计方法，包括以下步骤：S1、设计动态‑静态特征提取模块，采用动态‑静态特征提取模块从电池数据集中提取动态特征和静态特征，通过灰色关联系数将得到的特征联系起来；S2、设计基于域相似的任务排序模块，任务排序模块利用最大均值差异MMD算法计算训练任务之间的域相似度，对训练任务进行排序；S3、在元学习框架中加入LSTM元学习模块，LSTM模型作为学习器，捕捉SOH与电压时间序列之间的依赖关系，并将排序后训练任务嵌入元训练过程。本发明采用上述一种基于域相似元学习的小样本锂电池SOH估计方法，将数学工具和元学习框架相结合，用于在不同工况下精确估计锂电池SOH。
-
公开(公告)号：CN118153433B
公开(公告)日：2024-12-10
申请号：CN202410278662.9
申请日：2024-03-12
Applicant: 北京理工大学 , 北京空间飞行器总体设计部
Abstract: 本发明公开了基于物理信息神经网络的事件触发模型学习方法，涉及人工智能技术领域，步骤一、构建系统的物理信息神经网络，完成系统的模型辨识；步骤二、根据系统模型和实时输入输出，结合无迹卡尔曼滤波器对系统进行在线状态估计；步骤三、利用状态估计结果，结合模型进行一步前向输出预测并计算预测误差，通过事件触发学习机制判断是否需要更新模型。本发明采用上述基于物理信息神经网络的事件触发模型学习方法，通过构建物理信息神经网络系统辨识方法和事件触发学习方法，提出的物理信息神经网络，结合传统的机理分析建模方法和数据驱动建模方法的优势，兼顾辨识模型可解释性的同时提高模型辨识的准确度。
-
公开(公告)号：CN119511087A
公开(公告)日：2025-02-25
申请号：CN202411193430.X
申请日：2024-08-28
Applicant: 北京理工大学 , 北京空间飞行器总体设计部
IPC: G01R31/367 , G01R31/388 , G01R31/378 , G06N3/0442 , G06N3/096
Abstract: 本发明公开了基于数据增强的锂电池荷电状态迁移学习估计方法，属于电池检测技术领域，包括以下步骤：S1、选用CALCE锂电池作为源数据集，选用一种新型的锂电池实验数据作为目标数据集；S2、根据等效电路模型和数据集中的电流和电压，结合具有遗忘因子的递归最小二乘法进行数据增强；S3、改进长短期记忆网络增强数据长短期特征捕获能力，设计网络框架配置参数，确定最优SOC估计迁移学习方案。本发明采用上述的基于数据增强的锂电池荷电状态迁移学习估计方法，通过等效电路模型实现数据增强，设计网络架构捕获可测量数据和SOC的特征关系，应用迁移学习方法快速适应不同工作状况及不同化学特性/型号锂电池模型并实现SOC的准确估计，节约人力和时间成本。
-
公开(公告)号：CN119419982A
公开(公告)日：2025-02-11
申请号：CN202411528266.3
申请日：2024-10-30
Applicant: 北京理工大学 , 北京空间飞行器总体设计部
IPC: H02J7/00 , G06N3/0499 , G06N3/08
Abstract: 本发明提供了基于DDPG的航天器蓄电池系统充放电优化控制方法，构建航天器电源系统中的电池状态模型，得到输入电流、温度和负载电压；采用扩展卡尔曼滤波器对电池的关键不可测量状态进行估计；创建基于DDPG算法的智能体，智能体包括行动者网络Actor和评论家网络Critic，之后引入目标网络定期更新Actor网络和Critic网络，引入经验回放机制来训练基于DDPG算法的智能体；多目标优化基于DDPG算法的智能体；利用电池的关键不可测量状态训练优化后的基于DDPG算法的智能体；将输入电流、温度、负载电压、估计的荷电状态SOC和健康状态SOH输入到训练、优化后的基于DDPG算法的智能体中得到充/放电流。本发明的方法，不仅提高了电池的使用效率，还确保了航天器在各种条件下的稳定运行。
-
Patent Agency Ranking
公开(公告)号：CN119939469A
公开(公告)日：2025-05-06
申请号：CN202510029931.2
申请日：2025-01-08
Applicant: 北京理工大学
IPC: G06F18/2433 , G06F18/214 , G06F18/10 , G06F18/25 , G06N3/0464 , G06F123/02
Abstract: 本发明公开了一种基于变分自编码器和时序网络的活动识别方法，属于行为特征识别技术领域，包括以下步骤：S1、收集活动信号的原始数据集并进行预处理；S2、基于S1采用VAE提取潜在特征，输出重构误差；S3、基于S1采用CNN‑GRU得到时间动态特征；S4、基于S2、S3的结果采用自注意力机制进行特征融合，采用深度嵌入聚类层进行软分配并采用分类器进行分类，完成模型训练；S5、进行测试，判断输入是否为OOD数据，输出类别。本发明通过对重构误差和深度嵌入聚类层的输出进行判断，有效识别并处理OOD数据，增强模型的鲁棒性和泛化能力；通过结合VAE、CNN、GRU和自注意力机制，全面提取IMU信号中的时空特征，提高活动识别的准确性，有效保留时序信息，提高模型训练效率。
-
公开(公告)号：CN119818064A
公开(公告)日：2025-04-15
申请号：CN202411937749.9
申请日：2024-12-26
Applicant: 北京理工大学
IPC: A61B5/1455 , A61B5/00 , G06F18/213 , G06N5/01 , G06N20/20 , G06N20/10
Abstract: 本发明公开了一种基于PPG信号的血氧饱和度估计方法及系统，涉及血氧饱和度估计技术领域，包括以下步骤：S1：基于巴特沃斯滤波器设计带通滤波器，针对PGG信号中的运动伪影的特点设计梳状滤波器，通过带通滤波器和梳状滤波器去除PGG信号中的运动伪影；S2：通过基于相关系数的阈值过滤法对PGG信号特征进行初步筛选；S3：通过递归特征消除法从时域、频域和统计三个维度进行包裹法特征筛选，提取PGG信号特征集合；S4：通过基于随机森林算法的集成回归器对PGG信号特征集合进行估计；能够从人体PPG信号中提取血氧饱和度信息，实现实时血氧饱和度监测。
-
公开(公告)号：CN118859952A
公开(公告)日：2024-10-29
申请号：CN202410901603.2
申请日：2024-07-05
Applicant: 北京理工大学
IPC: G05D1/43 , G05D1/65 , G05D1/644 , G05D1/648 , G05D109/10
Abstract: 本发明公开了一种基于元强化学习的多机器人动态任务规划方法，涉及机器人系统任务调度领域，S1：建立多个具有代表性的任务规划场景的数学模型；S2：应用元强化学习方法，在步骤S1中建立的任务规划场景中进行预训练，得到通用的任务规划算法参数；S3：建立目标任务规划场景的数学模型；S4：应用深度强化学习方法，基于步骤S2中得到的算法参数进行微调，得到适合目标场景的最优任务规划方法。本发明设计了一种基于元强化学习的任务规划算法，在任务无法预先确定的动态任务规划场景中，能在较短时间内获得效率较高的任务规划方案，且在场景发生变化时，能在少次更新后达到与原先持平的性能水平，极大地提高了算法对动态环境的适应能力。
-
公开(公告)号：CN117379044A
公开(公告)日：2024-01-12
申请号：CN202311519895.5
申请日：2023-11-15
Applicant: 北京理工大学
IPC: A61B5/145 , G06N3/0464 , G06N3/08 , A61B5/0531
Abstract: 本发明公开了基于阵列式阻抗检测和图神经网络的无创血糖监测方法，涉及医工融合技术领域。基于阵列式阻抗检测和图神经网络的无创血糖监测方法，包括以下步骤：S1、阵列式阻抗数据采集；S2、基于阵列式阻抗数据的图神经网络算法；其中，步骤S1中采用n*n阵列式阻抗采集板卡进行四线式阻抗数据采集；步骤S2中对阵列式阻抗采集数据进行图结构数据构建，并使用提出的差分图卷积神经网络进行模型训练，最后实现血糖浓度的精确估计。本发明采用上述的基于阵列式阻抗检测和图神经网络的无创血糖监测方法，能够解决现有的血糖监测方法精度不高的问题。
-
公开(公告)号：CN117079813A
公开(公告)日：2023-11-17
申请号：CN202311040680.5
申请日：2023-08-17
Applicant: 北京理工大学
IPC: G16H50/30 , G16H50/20 , G16H50/70 , G06F18/2431 , G06F18/214 , G06N3/042 , G06N3/044 , G06N3/084 , G06N3/0985 , A61B5/0205 , A61B5/145 , A61B5/00
Abstract: 本发明公开了一种基于先验知识的小样本急性高原病风险评估系统，涉及急性高原病风险评估领域，包括数据采集模块、先验知识筛选模块、相关性指标伪标签化模块、急性高原病风险评估模块，数据采集模块采集与急性高原病相关的人体生理指标、睡眠相关指标和路易斯湖评分，先验知识筛选模块通过计算睡眠数据与路易斯湖评分之间的相关性来判定哪些睡眠数据指标项与急性高原病存在关联关系；相关性指标伪签化模块将先验知识筛选模块筛选出的指标标签化；急性高原病风险评估模块利用第一数据子模块采集的人体生理指标数据和相关性伪标签化模块构造的类别伪标签生成任务集合，引入模型无关的元学习MAML算法，构建小样本评估急性高原病风险的模型。
-
-
-
-
-
-
-
-
-
Search Results
84
records
(took 0.039 seconds)
