-
公开(公告)号：CN116484200A
公开(公告)日：2023-07-25
申请号：CN202310443026.2
申请日：2023-04-21
Applicant: 安徽理工大学
IPC: G06F18/2113 , G06F18/2131 , G06F18/2134 , G06F18/20
Abstract: 本发明公开了一种基于CEEMDAN和FastICA的非侵入式负荷分解方法，属于负荷监测技术领域，该方法包括：S1采集总负荷和各类单负荷有功功率并预处理；S2构建完全自适应噪声集合经验模态分解(CEEMDAN)模型，对总负荷功率分解；S3基于Bayesian信息准则估计源数；S4利用最大信息系数(MIC)进行降维；S5利用FastICA盲源分离，实现负荷分解；S6对分解信号和源信号近似程度进行评估。本发明从信号盲源分离角度实现负荷分解，减少了繁琐的负荷信息特征提取，分解得到完整的负荷信息。同时，相对于深度学习，大大减少了模型训练时间。
-
公开(公告)号：CN110321959B
公开(公告)日：2023-04-18
申请号：CN201910612866.0
申请日：2019-07-09
Applicant: 安徽理工大学
IPC: G06V10/774 , G06V20/10 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种多光谱图像信息和CNN的煤矸识别方法，包括以下步骤：(1)煤和矸石多光谱图像信息获取；(2)煤和矸石多光谱图像样本划分；(3)卷积神经网络多光谱图像特征提取；(4)极限学习机煤矸识别模型构建。本发明采用CNN‑ELM进行煤和矸石多光谱图像的识别模型构建，提出一种新的卷积神经网络模型能够提取更多、更有效的特征信息，且可以有效避免过拟合等问题，非常适用于煤和矸石的快速、精准识别。
-
公开(公告)号：CN113284620A
公开(公告)日：2021-08-20
申请号：CN202110479863.1
申请日：2021-04-30
Applicant: 安徽理工大学 , 皖南医学院第一附属医院(皖南医学院弋矶山医院)
Abstract: 本发明涉及数据处理技术领域，公开了一种职业健康数据分析模型的建立方法，包括以下步骤：对多个心电信号的多个时域特征、频域特征和信息域特征进行遗传算法筛选，获得N2个最优的心电信号特征，记为A2；将多个最优的心电信号特征A2与血压数据和心率数据合并，获得心功能数据，记为A3；采用自适应磷虾群算法优化KELM模型的正则化系数C和径向基核函数的参数g，得到最优正则化系数Cbest和最优径向基核函数的参数gbest；将心功能数据A3作为KELM模型的输入，获取KELM模型的最优适应度，采用最优适应度的KELM模型对A3测试集进行处理，采用这种职业健康数据分析模型进行心功能数据处理，提高了心电信号分析识别的精度，同时提升了心功能数据的处理速度。
-
公开(公告)号：CN112505010A
公开(公告)日：2021-03-16
申请号：CN202011387405.7
申请日：2020-12-01
Applicant: 安徽理工大学
Abstract: 本发明提供了一种基于荧光光谱的变压器故障诊断装置，该装置包含电源模块、激光器模块、激光荧光探头模块、光谱仪模块、识别模块，本发明还公开了一种基于荧光光谱的变压器故障诊断方法：(1)采集油样，建立光谱数据库；(2)对原始光谱进行滤波处理；(3)对变压器油样光谱数据进行特征提取；(4)将光谱数据按照5：1的比例随机划分成训练集和测试集；(5)建立GMM‑LDA识别模型，并将测试集用于模型检验与辨识；(6)变压器故障诊断。采用LIF技术结合DAE‑GMM‑LDA的方法来分析变压器油的状态，以实现变压器故障诊断，具有较高的分类识别准确率和实际应用价值，泛化能力强，非常适合变压器故障诊断的实时准确检测和推广。
-
公开(公告)号：CN109308498B
公开(公告)日：2021-01-01
申请号：CN201811430777.6
申请日：2018-11-28
Applicant: 安徽理工大学
Abstract: 本发明涉及一种激光诱导荧光植物油掺杂小米汤辨识方法，包含以下步骤：(1)将等体积的纯花生油和小米汤按一定的掺杂浓度进行配比；(2)利用自行设计的便携式植物油无损分析仪采集油样荧光光谱数据；(3)采用中值滤波法(M edian‑Filter)平滑处理原始光谱图；(4)联合KICA与PCA算法(KICA‑PCA)优选出主要光谱信息数据；(5)采用留出法(hold‑out)把样本数据划分成训练集和测试集；(6)利用FDA对训练集进行学习和训练，测试集用于辨识效果检验。本发明采用KICA‑PCA结合FDA用于激光诱导荧光植物油掺杂小米汤辨识，提高了辨识精度和运算速度，非常适用于食品安全检测领域的研究。
-
Patent Agency Ranking
公开(公告)号：CN111220574A
公开(公告)日：2020-06-02
申请号：CN202010151294.3
申请日：2020-03-06
Applicant: 安徽理工大学
Abstract: 本发明涉及一种井下涌水水源类型分析报警系统及方法。系统包括：激光器、数据获取模块、FPGA处理器、上位机和报警模块；激光器向待测涌水水体发射激光，待测涌水水体在受激光的激发后，发射激发光；数据获取模块接收激发光，将激发光转换为数字光谱数据；FPGA处理器将数字光谱数据转换为CAN网络光谱帧数据；上位机根据CAN网络光谱帧数据，获得待测涌水水体中包含的所有涌水水源的类型和每个涌水水源类型的比例，根据涌水水源的类型或每个涌水水源类型的比例得到报警信息；FPGA处理器根据报警信息控制报警模块进行报警。本发明能够快速检测混合水样的涌水水源类型，并实现了实时预警。
-
公开(公告)号：CN109187480A
公开(公告)日：2019-01-11
申请号：CN201811434053.9
申请日：2018-11-28
Applicant: 安徽理工大学
IPC: G01N21/64
Abstract: 本发明涉及一种双激光LIF技术的花生油掺杂大豆油判别装置，该装置包含以下部分：电源模块、激光器模块1、激光器模块2、激光荧光探头模块1、激光荧光探头模块2、光谱仪模块、延时开关模块、上位机模块。荧光探头利用石英光纤采集待测植物油中因激光器发射激光产生的荧光，在光谱仪接收荧光信息的过程中利用延时开关来实现采用两个不同波段激光光源，获取双激光光源下的LIF光谱的荧光信息的分时接收，在计算荧光强度后利用上位机中VS2015软件和MATLAB软件来建立已知的花生油、大豆油纯植物油样本和它们的混合油样本激光诱导荧光光谱的MDS模型数据库对待测植物油样本的荧光光谱进行分类识别，从而有利于检测花生油中是否存在大豆油的掺杂。
-
公开(公告)号：CN119413733A
公开(公告)日：2025-02-11
申请号：CN202411586527.7
申请日：2024-11-08
Applicant: 安徽理工大学
IPC: G01N21/25 , G01N21/15 , G01N21/01 , G01N15/075
Abstract: 本发明涉及气体污染物预处理技术领域，具体涉及一种基于光谱技术的燃煤烟气污染物排放检测系统及方法，包括沿烟气管流动方向依次布置的预处理模块、过滤模块和用于测量烟气中的成分数据的烟气光谱分析模块；预处理模块包括用于实时测量烟气的实时温度值的温度测量模块、用于测量烟气中水汽和粘附物对应的实时吸附值的吸附物测量模块和用于基于实时温度值和实时吸附值控制烟气管与烟气光谱分析模块连通的转换气道模块；还包括处理模块，处理模块用于基于实时温度值和实时吸附值向过滤模块发送调节指令，过滤模块基于调节指令调节烟气管内烟气流动轨迹；以减少烟气检测过程中收到的干扰，保障光谱分析组件的稳定性，提高烟气成分检测准确性。
-
公开(公告)号：CN118797403A
公开(公告)日：2024-10-18
申请号：CN202410765754.X
申请日：2024-06-14
Applicant: 安徽理工大学
IPC: G06F18/24 , G01N21/65 , G06F18/2131 , G06F18/15 , G06N3/0455 , G06N3/08 , G06N3/006
Abstract: 本发明公开了一种基于拉曼光谱的变压器故障诊断方法，包括：利用表面增强拉曼散射技术获得故障变压器油拉曼光谱的信息，得到故障变压器油拉曼光谱数据集；在光谱数据预处理中，利用K点循环快速傅里叶变换中值法进行故障变压器油拉曼光谱的去噪预处理，利用蚁狮优化堆栈稀疏自编码器进行故障变压器油拉曼光谱的降维预处理，利用自适应迭代重加权惩罚最小二乘进行故障变压器油拉曼光谱的基线校正；利用蚁狮优化Elman神经网络分类识别模型处理预处理后的故障变压器油拉曼光谱信息。
-
公开(公告)号：CN118296301A
公开(公告)日：2024-07-05
申请号：CN202410531028.1
申请日：2024-04-29
Applicant: 国网安徽省电力有限公司阜阳供电公司 , 安徽理工大学
IPC: G06F18/10 , G06F18/213 , G06F18/2113 , G06N3/006 , G06F17/14 , G06F17/16 , G06Q50/06 , H02J3/00 , G06N3/0499 , G06N3/08
Abstract: 本发明涉及工业用电负荷技术领域，具体公开了一种工业大用户用电负荷特征筛选方法，包括S‑1：采集工业用电的大用户所使用的多种设备电力负荷参数，构建原始功率数据集，并对所述数据进行预处理，并划分数据集为训练集和测试集；S‑2：根据电力负荷参数的数据质量和电力负荷特征，对原始功率数据进行时频域特征提取；通过更全面的数据采集，大量提取时频域特征使我们能够从多个维度全面了解电力负荷的特性，这种全面性有助于更准确地描述复杂的负荷波动和模式；更好的预测性，多维度的时频域特征提供更强的预测性，使我们能够更准确地预测未来的负荷需求，有助于电力供应的调度和规划；更全面的数据记录，大量特征提取确保了更全面的数据记录。
-
-
-
-
-
-
-
-
-
Search Results
126
records
(took 0.032 seconds)
