-
公开(公告)号：CN113887707B
公开(公告)日：2025-02-18
申请号：CN202111214852.7
申请日：2021-10-19
Applicant: 浙江大学
IPC: G06N3/0455 , G06N3/0985 , G06F18/15 , G06F18/213 , G06F18/25 , G06F18/27 , G16C20/10 , G16C20/70
Abstract: 本发明公开一种基于局部保留变量加权自编码器的软测量方法，它采用堆叠自编码器的结构；通过对输入变量特征设置质量相关加权系数，以及将样本间的局部空间结构信息引入AE损失函数来实现对近邻样本空间关系的局部保留，提高自编码器的特征提取能力，再将特征迁移至强回归器进行回归预测。该方法利用了样本间的空间结构信息，提升了预测准确性。
-
公开(公告)号：CN114819359B
公开(公告)日：2024-11-01
申请号：CN202210472417.2
申请日：2022-04-29
Applicant: 浙江大学
IPC: G06Q10/04 , G06Q10/0639 , G06Q10/087 , G06Q50/04 , G06Q50/18 , B22D11/16
Abstract: 本发明公开一种基于切割子模式的多坯料多合同切割投料方法。针对钢管热轧生产过程中，铸坯切割方案的选择对钢管轧制的生产效率以及成材率等关键指标影响显著。为此，本发明考虑了现场生产组织过程中连续生产、减少调度的需求，提出使用逆推法得到每个合同的可行切割子模式，并提出一种基于切割子模式的铸坯切割方法，设计了由原料成材率和生产效率组成的综合评价指标进行优化，而在整体编排时使用排序择优算法以确保整体综合评价指标最高。本发明的方法能够实现实际生产中多对多切割下料计划的自动编制，原料成材率和生产效率高。
-
公开(公告)号：CN118779354A
公开(公告)日：2024-10-15
申请号：CN202410762025.9
申请日：2024-06-13
Applicant: 浙江大学
IPC: G06F16/2458 , H04L67/60 , H04L61/5007 , G06F16/36 , G06N5/022 , G06N5/04 , G06F40/289 , G06N3/096 , G06F18/24
Abstract: 本发明公开一种基于微服务架构的APP智能生成系统，包括前端显示界面和位于后端的调度服务器和微服务端；前端显示界面用于接收用户输入的包括对象及任务的模糊指令，发送给调度服务器；并用于显示调度服务器传回的app；调度服务器接收来自前端显示界面发送的模糊指令，基于自然语言处理技术对模糊指令进行分词，同时构建知识图谱，进行模糊指令所要使用的算法的推理，并获取对应算法的IP地址，根据IP地址生成对应模糊指令的app，将生成的app和对应的IP地址传到前端显示界面；微服务端用于存储算法，每个算法开放一个IP地址，通过Restful API实现IP地址的调用。本发明能够通过模块化组件自组织实现面向任务的的智能APP生成，有效降低开发系统平台难度。
-
公开(公告)号：CN115688869B
公开(公告)日：2024-10-11
申请号：CN202211138814.2
申请日：2022-09-19
Applicant: 浙江大学
IPC: G06N3/0455 , G06N3/09 , G06F18/214 , G06F18/25 , G06F18/27
Abstract: 本发明公开了一种基于单通道信息互补融合堆叠自编码器的产品质量预测方法，该方法首先采用了堆叠自编码器的设计，对输入的数据信息进行接收和训练，得到了堆叠自编码器隐藏层的信息。之后，在堆叠自编码器外部，设计了信息互补融合模块与自下而上单通道信息融合层的结构，这种结构设计能够将堆叠自编码器内部隐藏层信息提取并且进行融合传递。再者，通过门控结构将模块输出值和输出信息进行计算并进行加权融合，得到最终的产品质量预测结果。该方法在对数据信息的处理上，提取出了更有效的信息，减少了噪声，提高了对信息的利用效率，有着更好的对产品质量的预测能力。
-
公开(公告)号：CN114021469B
公开(公告)日：2024-06-21
申请号：CN202111348802.8
申请日：2021-11-15
Applicant: 浙江大学
IPC: G06F30/27 , G06N3/047 , G06N3/08 , G06N3/0464 , G06N3/044 , G06F111/10
Abstract: 本发明公开一种基于混合序列网络进行一段炉过程监测的方法，网络结构包括编码器，模态识别网络和解码器三部分，编码器由一组RNN组成，其最后一个隐层输出经过解码器对序列最后一个时刻的样本进行重构。解码器由多个子解码器部分组成，并且通过模态识别网络输出的权重，加权得到最终的重构值。网络参数通过加权重构误差来进行训练，并且在损失函数中加入针对权重的信息熵，以得到更准确的模态识别效果，同时防止网络向单一模态坍缩。最后，基于所设计的神经网络模型，构建了加权平方预测误差来指示过程中是否发生故障，并且通过贡献度对故障变量进行识别。本发明的方法能够准确地对一段炉进行过程监测，故障检测和识别准确率高。
-
Patent Agency Ranking
公开(公告)号：CN118097667A
公开(公告)日：2024-05-28
申请号：CN202410321237.3
申请日：2024-03-20
Applicant: 浙江大学
IPC: G06V20/70 , G06V20/56 , G06V20/62 , G06V10/26 , G06V10/86 , G06V10/80 , G06V10/82 , G06N3/045 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于电子信息地图的道路拓扑表示方法，包括：S1、图像采集与预处理：S2：通过文本检测、文本识别提取图像的文本信息并筛选，仅保留道路名称信息；同步应用语义分割模型进行语义分割，提取图像的像素级道路信息，得到像素级道路信息；S3：将像素级道路信息和道路名称信息进行信息融合，构建拓扑地图；具体为：从像素级道路信息中提取道路骨架，通过邻域检查检测交点，其坐标作为路口坐标；进而得到分段道路，计算各分段道路之间的连通关系及其长度；匹配文本信息与分段道路信息后进行道路信息的拓扑表示。本发明能够从复杂的电子信息地图中准确提取有效的道路、路口、文本信息并实现道路的拓扑表示，更便于计算机处理。
-
公开(公告)号：CN112819037B
公开(公告)日：2024-01-30
申请号：CN202110037964.3
申请日：2021-01-12
IPC: G06F18/241 , G06N3/045 , G06N3/084
Abstract: 本发明公开了基于交叉注意力和自注意力的分类参数分布的故障诊断方法，具体步骤为：S1、对于支持集中的每一个样本x，按照序列关系计算位置权重；S2、计算支持集中的每一个样本x加权位置权重后表示；S3、对x′计算对应的多头自注意力机制对应的Q1、K1、V1；S4、计算基于Q1、K1、V1的注意力；S5、重复步骤4和步骤5；S6、对测试集样本 加权位置权重后表示；S7、计算 对应的类别预测值。本发明利用多头交叉注意力机制，将支持集中数据作为上下文知识，对测试数据进行知识补充，训练分类器的参数分布，可以有效克服故障数据少带来的问题；并且在解决序列数据问题的同时，兼顾支持集带来的上下文知识，解决小样本故障数据的问题。
-
公开(公告)号：CN117172362A
公开(公告)日：2023-12-05
申请号：CN202311104329.8
申请日：2023-08-30
Applicant: 浙江大学
IPC: G06Q10/04 , G06Q50/04 , G06F18/214 , G06F18/2413 , G06F18/27 , G06N3/0455 , G06N3/084 , G06N3/0895 , G06N3/09 , C07C7/04 , C07C11/04
Abstract: 本发明公开一种基于目标相关拉普拉斯自编码器的乙烯分馏塔乙烯含量预测方法，该方法设计了附加目标相关拉普拉斯约束的预训练损失函数，使得模型在训练阶段可以使用无标签样本带来的约束信息，解决了乙烯分馏过程不带乙烯含量测量值的无标签数据多而带乙烯含量测量值的有标签数据少情况下的建模问题。该方法通过样本的近邻邻接图，获取样本间的拉普拉斯约束，在有监督损失函数基础上引入样本间的拉普拉斯约束惩罚项，提高网络模型的泛化能力。本发明能够在部分有标签数据情况下提供准确的实时乙烯含量预测。
-
公开(公告)号：CN116224937A
公开(公告)日：2023-06-06
申请号：CN202310204702.0
申请日：2023-03-06
Applicant: 浙江大学
IPC: G05B19/418 , G06F17/18
Abstract: 本发明公开一种基于变分贝叶斯高斯‑泊松混合回归模型的计数型质量变量预测方法。该方法可用于因变量为计数数据、自变量为连续数值的数据分析与预测，其核心为分别使用高斯混合分布、泊松混合回归分布对连续数据、计数数据进行拟合，并假设两种混合分布共享相同的混合系数，以及采用了变分推断技术用于模型的参数学习。本发明克服了传统软测量方法无法为计数数据提供离散概率估计的局限性，并能解决工业过程中多工况导致过程变量和质量变量呈现多个模态的问题。
-
公开(公告)号：CN114021469A
公开(公告)日：2022-02-08
申请号：CN202111348802.8
申请日：2021-11-15
Applicant: 浙江大学
IPC: G06F30/27 , G06K9/62 , G06N3/04 , G06N3/08 , G06F111/10
Abstract: 本发明公开一种基于混合序列网络进行一段炉过程监测的方法，网络结构包括编码器，模态识别网络和解码器三部分，编码器由一组RNN组成，其最后一个隐层输出经过解码器对序列最后一个时刻的样本进行重构。解码器由多个子解码器部分组成，并且通过模态识别网络输出的权重，加权得到最终的重构值。网络参数通过加权重构误差来进行训练，并且在损失函数中加入针对权重的信息熵，以得到更准确的模态识别效果，同时防止网络向单一模态坍缩。最后，基于所设计的神经网络模型，构建了加权平方预测误差来指示过程中是否发生故障，并且通过贡献度对故障变量进行识别。本发明的方法能够准确地对一段炉进行过程监测，故障检测和识别准确率高。
-
-
-
-
-
-
-
-
-
Search Results
158
records
(took 0.022 seconds)
