-
公开(公告)号：CN114690628A
公开(公告)日：2022-07-01
申请号：CN202011644124.5
申请日：2020-12-31
IPC: G05B13/04
Abstract: 本发明公开了一种伪雅克比矩阵参数自整定的MIMO紧格式无模型控制方法，利用系统误差集作为BP神经网络的输入，BP神经网络进行前向计算并通过输出层输出伪雅克比矩阵的惩罚因子与步长因子等MIMO紧格式无模型控制器待整定参数，采用MIMO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向量，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集，进行系统误差反向传播计算，在线实时更新BP神经网络的隐含层权系数、输出层权系数，实现伪雅克比矩阵参数自整定。本发明提出的伪雅克比矩阵参数自整定的MIMO紧格式无模型控制方法，能有效克服控制器参数的在线整定难题，对MIMO系统具有良好控制效果。
-
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。
-
公开(公告)号：CN112015081A
公开(公告)日：2020-12-01
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：CN112015083B
公开(公告)日：2021-09-24
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。
-
公开(公告)号：CN112705856B
公开(公告)日：2021-09-21
申请号：CN202011600782.4
申请日：2020-12-30
IPC: G06F17/00 , B23K26/362 , B23K26/40 , B23K26/70 , B23K101/36
Abstract: 本发明提供一种适用于双光束激光直写的三维模型解析规划方法、装置及设备，所述三维模型解析规划方法是针对以三角形面构成的STL格式的三维模型，将STL格式三维模型进行读取解析，同时进行拓扑重构；将导入的STL模型进行高度划分；而后进行等厚切片，对于模型进行分层切割即可生成一系列的顶点；后续通过存储STL格式三维模型的拓扑信息进行轮廓拼接将这些顶点生成一系列轮廓；进行轮廓的填充区域和非填充区域的标记；最后依据不同的扫描线算法进行路径规划，最终实现了在所述双光束激光直写平台上较好的三维光刻效果，并能实现参数调整产生不同特征的三维光刻结果。
-
Patent Agency Ranking
公开(公告)号：CN112705856A
公开(公告)日：2021-04-27
申请号：CN202011600782.4
申请日：2020-12-30
IPC: B23K26/362 , B23K26/40 , B23K26/70 , B23K101/36
Abstract: 本发明提供一种适用于双光束激光直写的三维模型解析规划方法、装置及设备，所述三维模型解析规划方法是针对以三角形面构成的STL格式的三维模型，将STL格式三维模型进行读取解析，同时进行拓扑重构；将导入的STL模型进行高度划分；而后进行等厚切片，对于模型进行分层切割即可生成一系列的顶点；后续通过存储STL格式三维模型的拓扑信息进行轮廓拼接将这些顶点生成一系列轮廓；进行轮廓的填充区域和非填充区域的标记；最后依据不同的扫描线算法进行路径规划，最终实现了在所述双光束激光直写平台上较好的三维光刻效果，并能实现参数调整产生不同特征的三维光刻结果。
-
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：CN117011248A
公开(公告)日：2023-11-07
申请号：CN202310880527.7
申请日：2023-07-18
Applicant: 浙江大学
IPC: G06T7/00 , G06V10/42 , G06V10/52 , G06V10/764 , G06V10/771 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/0895
Abstract: 本发明公开了一种基于剪切波卷积神经网络的轮胎X光瑕疵检测方法，所述方法使用剪切波变换获取原始图像多尺度、多方向的特征表达，并可根据实际需求选择传统图像处理方法、深度学习或组合方法提取瑕疵图像特征，通过结合卷积神经网络分类算法最终实现瑕疵检测任务。本发明方法可根据应用场景灵活选择剪切波种类并构造剪切波集合，综合了传统方法和深度学习方法的优点，考虑图像本身结构先验知识的同时学习图像深层次特征，保证检测准确度的同时增强算法鲁棒性，提高可解释性的同时降低了对硬件平台的深度依赖。
-
公开(公告)号：CN114740834A
公开(公告)日：2022-07-12
申请号：CN202210196612.7
申请日：2022-03-02
Applicant: 浙江大学
IPC: G05D1/02
Abstract: 本发明提供一种基于Petri网模型的多AGV路径规划避障方法，该方法提出了基于Petri网模型的十字路口冲突类型，并提出了完整的路径规划方法，包括步骤：记录两辆AGV的原行驶路径及空位信息、判断当前两车的冲突类型、选择Petri网解决模型、求解可达树、计算每一步目标位置、得到路径规划，实现了冲突避让。本发明可用于多AGV场景下的避障规划，算法的时间复杂度和空间复杂度较小，能适应实时动态条件下的路径规划计算；实验结果表明本发明具有稳定性和准确性。
-
公开(公告)号：CN111352977B
公开(公告)日：2022-06-17
申请号：CN202010159544.8
申请日：2020-03-10
Applicant: 浙江大学
IPC: G06F16/2458 , G06K9/62 , G06N3/04 , G06N3/08 , G06Q50/04
Abstract: 本发明提供了一种基于自注意力双向长短期记忆网络的时序数据监测方法，包括：S1，获取预设时间段内待监测设备的时序数据，并采用数据预处理算法转化为可输入自注意力双向长短期记忆网络模型的标准数据；S2，将处理后数据输入双向长短期记忆网络，将输入序列转化为两个特征向量，拼接得到输出特征向量；S3，S2中的输出特征向量经自注意力网络得到各时刻的注意力分数，将该分数赋权到输出特征向量上，得到最终的输出特征向量；S4，最终的输出特征向量经全连接分类器网络得到预测概率；S5，获取非预设时间段内待监测设备的时序数据并转化为标准数据，输入到训练完成的模型中，得到预测结果，实现基于自注意力双向长短期记忆网络的时序数据监测。
-
-
-
-
-
-
-
-
-
Search Results
56
records
(took 0.051 seconds)
