-
公开(公告)号：CN114386326B
公开(公告)日：2024-10-18
申请号：CN202111642694.5
申请日：2021-12-29
Applicant: 浙江大学
IPC: G06F30/27
Abstract: 本发明提供了一种基于多变量时间序列多尺度特征提取的熔炼炉高铅渣成份预测方法，包括：数据采集和预处理；数据集划分；建立融合多尺度卷积‑自注意力组件和自回归线性组件的高铅渣成份预测模型；在训练集和验证集上对模型进行训练和模型超参数网格寻优，在测试集上评估模型预测效果，并保存预测效果最好的模型；对熔炼炉产物高铅渣成份进行预测：获取现场生产投料数据和高铅渣成份分析数据，输入到已训练好的模型中，计算未来一段时间的高铅渣成份预测结果，最终实现基于多变量时间序列多尺度特征提取的熔炼炉高铅渣成份预测，为现场生产操作提供参考。
-
公开(公告)号：CN114386326A
公开(公告)日：2022-04-22
申请号：CN202111642694.5
申请日：2021-12-29
Applicant: 浙江大学
IPC: G06F30/27
Abstract: 本发明提供了一种基于多变量时间序列多尺度特征提取的熔炼炉高铅渣成份预测方法，包括：数据采集和预处理；数据集划分；建立融合多尺度卷积‑自注意力组件和自回归线性组件的高铅渣成份预测模型；在训练集和验证集上对模型进行训练和模型超参数网格寻优，在测试集上评估模型预测效果，并保存预测效果最好的模型；对熔炼炉产物高铅渣成份进行预测：获取现场生产投料数据和高铅渣成份分析数据，输入到已训练好的模型中，计算未来一段时间的高铅渣成份预测结果，最终实现基于多变量时间序列多尺度特征提取的熔炼炉高铅渣成份预测，为现场生产操作提供参考。
-
-
公开(公告)号：CN117527574A
公开(公告)日：2024-02-06
申请号：CN202311582464.3
申请日：2023-11-24
Applicant: 浙江大学
IPC: H04L41/082 , H04L41/0866 , H04L41/0895 , H04L41/0894 , H04L41/40 , H04L49/00
Abstract: 本发明公开了一种流量不中断的虚拟交换机热升级方法，其应用在智能网卡加速下的硬件卸载虚拟交换机架构，针对现有虚拟交换机热升级过程中新老进程接管网卡过程中的断网时间问题，在升级虚拟交换机的过程中借助同集群其他空闲服务器上的虚拟交换机来中转流量，配合虚拟网卡硬件I/O通路，来旁路掉升级的软件虚拟交换机，从而使得升级行为与网卡I/O切换解耦，实现了升级过程中的流量不中断，同时还具备更好的故障逃逸能力与经济性。
-
公开(公告)号：CN117081995A
公开(公告)日：2023-11-17
申请号：CN202311157669.7
申请日：2023-09-08
Applicant: 浙江大学
IPC: H04L47/10 , H04L47/215 , H04L41/5019
Abstract: 本发明公开了一种基于分布式限速策略的云网络服务级别协议保障系统和方法，所述分布式限速策略通过等丢包率控制算法实现，该等丢包率控制算法的核心目的是为每轮次时间耗尽时更新分布式限速网关集群中每个网关节点的限速值；所述保障系统包括管理模块、路由模块；所述管理模块用于基于分布式限速策略启动、监测以及配置分布式限速网关集群；所述路由模块用于转发与路由云网络中的数据包，并在转发过程中进行基于分布式限速策略的带宽限速。该系统和方法利用分布式限速策略，实现了云网络服务级别协议保障，有利于提高云网络服务质量。
-
Patent Agency Ranking
公开(公告)号：CN112015081B
公开(公告)日：2021-12-17
申请号：CN202010558464.X
申请日：2020-06-18
IPC: G05B13/02
Abstract: 本发明公开了一种SISO紧格式无模型控制器基于PSO‑LSTM协同算法的参数自整定方法，首先利用PSO算法优化LSTM初始权系数矩阵，然后利用系统误差数据集作为LSTM神经网络的输入，LSTM神经网络进行前向计算并通过输出层输出惩罚因子、步长因子等SISO紧格式无模型控制器待整定参数，采用SISO紧格式无模型控制器的控制算法计算得到控制输入，以系统误差函数的值最小化为目标，采用梯度下降法，并结合控制输入分别针对各个待整定参数的梯度信息，利用链式法则进行系统误差反向传播计算，在线实时更新LSTM神经网络中所有待学习的权系数，实现控制器基于PSO‑LSTM协同算法的参数自整定。本发明提出的方法，能有效克服控制器参数的在线整定难题，对SISO系统具有良好的控制效果。
-
公开(公告)号：CN111752152B
公开(公告)日：2021-09-24
申请号：CN202010562378.6
申请日：2020-06-18
Applicant: 浙江大学
IPC: G05B13/04
Abstract: 本发明公开了一种SISO紧格式无模型控制器基于LSTM神经网络的参数自整定方法，利用系统误差数据集作为LSTM神经网络的输入，LSTM神经网络进行前向计算并通过输出层输出惩罚因子、步长因子等SISO紧格式无模型控制器待整定参数，采用SISO紧格式无模型控制器的控制算法计算得到针对被控对象的控制输入，以系统误差函数的值最小化为目标，采用梯度下降法，并结合控制输入分别针对各个待整定参数的梯度信息，进行系统误差反向传播计算，在线实时更新LSTM神经网络的隐含层权系数、输出层权系数，实现控制器基于LSTM的参数自整定。本发明提出的SISO紧格式无模型控制器基于LSTM神经网络的参数自整定方法，能有效克服控制器参数的在线整定难题，对SISO系统具有良好的控制效果。
-
公开(公告)号：CN111781821A
公开(公告)日：2020-10-16
申请号：CN202010560142.9
申请日：2020-06-18
Applicant: 浙江大学
IPC: G05B13/02
Abstract: 本发明公开了一种SISO紧格式无模型控制器基于Attention机制循环神经网络的参数自整定方法，首先利用Attention机制对原始输入集合作重要信息筛选并计算生成循环神经网络的输入，循环神经网络进行前向计算输出SISO紧格式无模型控制器待整定参数，采用控制算法计算得到被控对象的控制输入，以最小化系统误差函数值为目标，采用梯度下降法，结合控制输入针对各个待整定参数的梯度信息，利用链式法则进行系统误差反向传播计算，更新循环神经网络所有权系数，实现控制器基于循环神经网络的参数自整定。本发明提出的SISO紧格式无模型控制器基于Attention机制循环神经网络的参数自整定方法，可以捕捉输入信息重要特征，克服控制器参数在线整定难题，对SISO系统具有良好的控制效果。
-
公开(公告)号：CN111752152A
公开(公告)日：2020-10-09
申请号：CN202010562378.6
申请日：2020-06-18
Applicant: 浙江大学
IPC: G05B13/04
Abstract: 本发明公开了一种SISO紧格式无模型控制器基于LSTM神经网络的参数自整定方法，利用系统误差数据集作为LSTM神经网络的输入，LSTM神经网络进行前向计算并通过输出层输出惩罚因子、步长因子等SISO紧格式无模型控制器待整定参数，采用SISO紧格式无模型控制器的控制算法计算得到针对被控对象的控制输入，以系统误差函数的值最小化为目标，采用梯度下降法，并结合控制输入分别针对各个待整定参数的梯度信息，进行系统误差反向传播计算，在线实时更新LSTM神经网络的隐含层权系数、输出层权系数，实现控制器基于LSTM的参数自整定。本发明提出的SISO紧格式无模型控制器基于LSTM神经网络的参数自整定方法，能有效克服控制器参数的在线整定难题，对SISO系统具有良好的控制效果。
-
公开(公告)号：CN112015083A
公开(公告)日：2020-12-01
申请号：CN202010559963.0
申请日：2020-06-18
IPC: G05B13/04
Abstract: 本发明公开了一种SISO紧格式无模型控制器基于集成学习的参数自整定方法，所述集成学习算法包含PSO算法、BP神经网络以及循环神经网络三种个体算法。以系统误差作为集成学习算法的输入，首先进行三种个体算法对SISO紧格式无模型控制器的参数在线整定并输出三组临时整定参数，将结果分别输入到控制器中计算被控对象的控制输入，计算得到三组临时系统误差并利用softmax函数计算个体算法的权重比，将权重比与临时整定参数进行加权求和作为最终SISO紧格式无模型控制器待整定参数，实现参数自整定。本发明提出的SISO紧格式无模型控制器基于集成学习的参数自整定方法，结合不同个体算法优势，增强算法泛化性，克服控制器参数在线整定难题，对SISO系统具有良好的控制效果。
-
-
-
-
-
-
-
-
-
Search Results
15
records
(took 0.023 seconds)
