-
公开(公告)号：CN107977708A
公开(公告)日：2018-05-01
申请号：CN201711190426.8
申请日：2017-11-24
Applicant: 重庆科技学院 , 重庆市九龙坡区天宝实验学校
Abstract: 本发明提供一种面向个性化学习方案推荐的学生DNA身份信息定义方法，将学生的整体学习情况描述成一个DNA张量，通过分阶段性的统计学生学习生涯中所有知识点理解程度系数并实现三维可视化，直观的展示出学生在每个阶段的整体学习情况、长短板以及所用时间；可根据该长短板情况在试题库系统中进行智能抽取试题组卷推送给学生执行，然后根据学生执行情况，计算对应知识点理解程度系数的变化值，实现该学生DNA张量的更新；根据比较用户到达某一程度用时长短可推断哪一用户的学习路径为最佳学习路径，也可推断出哪些知识点之间具有前后因果关系。
-
公开(公告)号：CN107943946A
公开(公告)日：2018-04-20
申请号：CN201711190418.3
申请日：2017-11-24
Applicant: 重庆科技学院 , 重庆市九龙坡区天宝实验学校
Abstract: 本发明提供一种基于Apriori算法的试题库知识点间关联性挖掘方法，包括步骤S1：将智能题库系统日志表内的用户学习行为数据整理成关联规则模型所需要的数据结构，并导入关联规则模型；其中，用户做的全部知识点被记为一个事务，一道试题对应一个知识点，一个知识点称为一个项；步骤S2：在关联规则模型内寻找用户学习行为数据中最大的频繁项集Lk；步骤S3：根据最大频繁项集Lk产生关联规则；步骤S4：将导出的知识点间的关联规则按照从低年级至高年级的顺序进行排列。本发明通过Apriori算法找出用户知识点间的频繁项集，产生关联规则，运用这种关联规则对用户进行智能推荐，使用户对其薄弱的知识点达到逐步掌握的目的。
-
公开(公告)号：CN107943946B
公开(公告)日：2019-08-30
申请号：CN201711190418.3
申请日：2017-11-24
Applicant: 重庆科技学院 , 重庆市九龙坡区天宝实验学校
Abstract: 本发明提供一种基于Apriori算法的试题库知识点间关联性挖掘方法，包括步骤S1：将智能题库系统日志表内的用户学习行为数据整理成关联规则模型所需要的数据结构，并导入关联规则模型；其中，用户做的全部知识点被记为一个事务，一道试题对应一个知识点，一个知识点称为一个项；步骤S2：在关联规则模型内寻找用户学习行为数据中最大的频繁项集Lk；步骤S3：根据最大频繁项集Lk产生关联规则；步骤S4：将导出的知识点间的关联规则按照从低年级至高年级的顺序进行排列。本发明通过Apriori算法找出用户知识点间的频繁项集，产生关联规则，运用这种关联规则对用户进行智能推荐，使用户对其薄弱的知识点达到逐步掌握的目的。
-
公开(公告)号：CN107832453A
公开(公告)日：2018-03-23
申请号：CN201711189590.7
申请日：2017-11-24
Applicant: 重庆科技学院 , 重庆市九龙坡区天宝实验学校
CPC classification number: G06F16/9535 , G06Q50/205
Abstract: 本发明提供一种面向个性化学习方案的虚拟试卷推荐方法，根据轮盘选择法生成一系列题量百分比围绕主难度系数的左右两边呈均匀梯度下降分布的虚拟试卷，在学生的DNA信息中匹配试卷里试题的知识点的理解程度系数，并结合该道题满分计算出学生的理论得分，将试卷中每道试题的理论得分求和，即可得出学生本套试题的理论得分，以此理论得分为参考目标，针对学生的难点和弱点推荐依次难度的试卷，从而达到逐步提高学生学习成绩的目的。
-
公开(公告)号：CN106502096B
公开(公告)日：2019-06-14
申请号：CN201611001501.7
申请日：2016-11-14
Applicant: 重庆科技学院
IPC: G05B13/04
Abstract: 本发明提供的基于偏好多目标优化的油田机采过程决策参数优化方法，包括：确定油田机采油过程中的效率影响因素和性能变量；对样本中的载荷变量进行降维处理构建新样本，并归一化新样本；基于归一化后的新样本构建神经网络模型；利用ST‑UPFNN算法估计神经网络模型中由权值阈值所组成的状态变量的最优状态；并利用最优状态变量重构更新后的神经网络模型获得油田机采油过程模型；构建实际产液量的偏好函数；利用多目标进化算法对决策参量各自的上下限进行优化；将优化后的决策变量，带入油田机采油过程模型，计算优化后的决策变量的系统性能的平均值，与实际样本的系统性能的平均值进行比较。利用本发明可以提高油田机采油的生产效率，降低能耗。
-
Patent Agency Ranking
公开(公告)号：CN108182337A
公开(公告)日：2018-06-19
申请号：CN201810200655.1
申请日：2018-03-12
Applicant: 重庆科技学院
Abstract: 本发明公开了一种基于ScMiUKFNN算法的天然气净化工艺建模方法，包括以下步骤：步骤S1：选择影响脱硫效率的工艺参数和脱硫单元的性能指标；步骤S2：采集预设时间的所述工艺参数和所述性能指标的数据；步骤S3：形成归一化样本集，取所述归一化样本集中一部分作为训练样本，剩余部分作为测试样本；步骤S4：基于训练样本构建神经网络模型和所述神经网络模型的初始状态变量；步骤S5：利用ScMiUKFNN算法估计所述神经网络模型的最优状态变量；步骤S6：获得训练样本更新后的神经网络模型；步骤S7：得到预测结果，将预测结果与所述测试样本中的实际输出进行比较，如果比较结果小于预设误差值，神经网络模型有效；否则重复上述步骤至比较结果小于预设误差值。
-
公开(公告)号：CN107300855A
公开(公告)日：2017-10-27
申请号：CN201710511789.0
申请日：2017-06-27
Applicant: 重庆科技学院
IPC: G05B13/04
CPC classification number: G05B13/042
Abstract: 本发明公开了一种共享直饮水机水质保障管理控制方法，包括以下步骤：S110：根据恒定水箱内水质影响参数和恒定水箱水质标准，构建建模样本集；S120：将建模样本集进行归一化处理，获得归一化样本集；S130：根据所述归一化样本集构建三层的BP神经网络模型；S140：采用所述BP神经网络模型对通过云端服务器上积累的海量数据进行处理，获取神经网络参数；S150：利用上述所建立BP神经网络模块对云端服务器实时产生的新数据进行水质实时预测；S160：利用专家经验系统对水质进行分类，从而判断是否启动水箱排空系统。本发明为用户提供一种共享直饮水机水质保障管理控制方法及系统，不但可以保证方便喝到饮用水，且真正做到健康、快捷方便饮水。
-
公开(公告)号：CN108182337B
公开(公告)日：2021-07-09
申请号：CN201810200655.1
申请日：2018-03-12
Applicant: 重庆科技学院
Abstract: 本发明公开了一种基于ScMiUKFNN算法的天然气净化工艺建模方法，包括以下步骤：步骤S1：选择影响脱硫效率的工艺参数和脱硫单元的性能指标；步骤S2：采集预设时间的所述工艺参数和所述性能指标的数据；步骤S3：形成归一化样本集，取所述归一化样本集中一部分作为训练样本，剩余部分作为测试样本；步骤S4：基于训练样本构建神经网络模型和所述神经网络模型的初始状态变量；步骤S5：利用ScMiUKFNN算法估计所述神经网络模型的最优状态变量；步骤S6：获得训练样本更新后的神经网络模型；步骤S7：得到预测结果，将预测结果与所述测试样本中的实际输出进行比较，如果比较结果小于预设误差值，神经网络模型有效；否则重复上述步骤至比较结果小于预设误差值。
-
公开(公告)号：CN106777866B
公开(公告)日：2021-03-23
申请号：CN201611000106.7
申请日：2016-11-14
Abstract: 本发明提供的面向节能降耗的高含硫天然气净化工艺建模与优化方法，包括：选取影响脱硫效率的工艺参数和脱硫单元的性能指标后进行采集形成样本集；对样本集进行归一化形成归一化样本集，并从中选取训练样本和测试样本；基于训练样本构建神经网络模型并确定神经网络模型的初始状态变量；用ST‑UKFNN算法估计神经网络模型的最优状态变量；根据最优状态变量对神经网络模型进行更新；分别构建H2S浓度和CO2浓度的偏好函数；利用MOGA算法对H2S浓度和CO2浓度的工艺参数进行优化，将优化后的工艺参数带入更新后的神经网络模型，计算优化后的工艺参数的系统性能，与实际样本的系统性能的平均值进行比较。利用本发明可以提高高含硫天然气净化的生产效率。
-
公开(公告)号：CN106777466B
公开(公告)日：2020-06-05
申请号：CN201611001270.X
申请日：2016-11-14
Applicant: 重庆科技学院
Abstract: 本发明提供的基于ST‑UPFNN算法的高含硫天然气净化工艺的动态演化建模方法，包括选取影响脱硫效率的工艺参数和脱硫单元的性能指标；采集预设时间的所述工艺参数和所述性能指标的数据，剔除误差样本后形成样本集；对样本集进行归一化，形成归一化样本集，从归一化样本集中选取训练样本和测试样本；基于训练样本构建神经网络模型并确定初始状态变量；利用ST‑UPFNN算法估计最优状态变量；将最优状态变量作为神经网络模型的连接权值和阈值，获得权值阈值更新后的神经网络模型；将测试样本输入到更新后的神经网络模型，得到预测结果，将预测结果与测试样本中的实际输出进行比较，如果比较结果小于预设误差值，所构建的神经网络模型有效。
-
-
-
-
-
-
-
-
-
Search Results
30
records
(took 0.077 seconds)
