-
公开(公告)号：CN118760174B
公开(公告)日：2025-01-24
申请号：CN202410908156.3
申请日：2024-07-08
Applicant: 无锡学院
Abstract: 本发明公开了一种DoS攻击下多智能体的预定时间滑模编队控制方法，包括建立非周期性DoS攻击模型，考虑智能体之间的动态相互作用、协调关系以及外部干扰，建立多智能体动态模型，描述智能体的位置变化；设计预定时间滑模面以及其控制器，以实现多智能体的非线性系统对外部环境以及DoS攻击的适应性；设置预定时间终端滑模控制的Lyapunov充分条件；通过无界Lyapunov函数V2(x)进行无DoS攻击时系统稳定性证明；设定DoS攻击下的预定时间稳定系统的稳定性证明控制器，通过调整误差系统的初始参数，使得非线性系统完成非周期DoS攻击下期望的时变编队控制。通过本发明方法提升了非周期性DoS攻击以及持续外部干扰对非线性多智能体系统稳定性。
-
公开(公告)号：CN119151242A
公开(公告)日：2024-12-17
申请号：CN202411605411.3
申请日：2024-11-12
Applicant: 无锡学院
IPC: G06Q10/0631 , G06N20/00 , G06Q10/083
Abstract: 本发明公开了一种基于强化学习的多智能体系统高效任务分配方法及系统，本发明涉及配送物流多智能体系统任务分配领域，包括：该系统通过将总区域划分为多个面积相同的子区域，系统获取待分配配送任务的总数及其对应的需求数据和环境数据，依据需求数据为每个配送任务确定优先级，并基于目标配送位置信息统计每个子区域内的配送任务数量。系统获取可执行配送任务的运输智能体总数量，以及每个子区域中心点到总区域配送点的距离信息。结合环境数据和子区域内的配送任务数量，生成每个子区域的最大配送量。根据每个子区域的任务优先级和最大配送量，合理安排运输智能体执行任务配送，增强了在复杂环境下的适应性与稳定性。
-
公开(公告)号：CN115783195A
公开(公告)日：2023-03-14
申请号：CN202211604046.5
申请日：2022-12-13
Applicant: 无锡学院
Abstract: 本发明公开了一种水下电缆巡视的多关节机器鱼的制作方法和控制方法，包括鱼头、鱼身、鱼尾以及鱼皮；所述鱼头内部设置有电源、控制模块和通信模块，电源、控制模块和通信模块依次靠近鱼头与鱼身的连接处；所述鱼身由舵机和连接件组成，舵机通过连接件与鱼头连接；所述鱼尾活动安装在鱼身远离鱼头的一端；所述鱼皮覆盖在鱼身、鱼头和鱼尾的外侧。本发明设计了一种水下电缆巡视的多关节机器鱼的制作方法和控制方法，解决了现有的机器鱼的驱动方式功耗较高、控制复杂、质量大、结构复杂、不易制作的问题。
-
公开(公告)号：CN118965920B
公开(公告)日：2025-02-14
申请号：CN202411428926.0
申请日：2024-10-14
Applicant: 无锡学院
IPC: G06F30/23 , G06F30/17 , G06F30/27 , G06N3/126 , G06F111/06 , G06F119/14
Abstract: 本发明提供一种桥式起重机动态仿真优化分析方法及装置，涉及机械仿真优化技术领域，本发明通过采集桥式起重机的物理参数建立几何模型，利用有限元软件进行初始仿真。然后，根据仿真结果与实际数据的误差调整网格，使用卡尔曼滤波器对起升高度、运行速度、负载重量和电机效率这些仿真参数进行滤波优化，应力大小、结构部件变形量和电机消耗功率作为仿真输出。最后，根据仿真输出设定安全性最大化和能耗最小化为优化目标，利用遗传算法优化仿真参数，实现对桥式起重机仿真参数的动态优化。
-
公开(公告)号：CN118992831A
公开(公告)日：2024-11-22
申请号：CN202411466991.2
申请日：2024-10-21
Applicant: 无锡学院
Abstract: 本发明提供一种人工智能驱动的起重机自适应抗干扰控制方法及系统，起重机自适应抗干扰控制技术领域，本发明首先收集多组起重机工作时的历史数据，构成历史数据集，并按比例将其分为训练集与验证集，使用神经网络构建起重机干扰预测模型，使用训练集和验证集对模型进行训练优化，生成摆动干扰预测模型，实时采集起重机工作时的各种数据，使用摆动干扰预测模型预测摆动干扰系数，通过重物质量、重物横截面积、风速和空气密度生成风力干扰系数；通过吊臂振动频率和幅值生成振动干扰系数；通过上述干扰系数调节系统增益，然后通过增益控制控制器输出，以达到自适应抗干扰的目的。
-
Patent Agency Ranking
公开(公告)号：CN118411160B
公开(公告)日：2024-11-05
申请号：CN202410879277.X
申请日：2024-07-02
Applicant: 无锡学院
IPC: G06Q10/20 , G06Q50/06 , G06F18/2415 , G06F18/214 , G06N3/0464 , H02J13/00 , G01R31/08
Abstract: 本发明提供一种考虑多种气象因子的电网故障预测方法及系统，旨在提高电网故障预测的准确性和效率。该方法首先收集电网各个线路的历史故障数据和相应的气象数据，包括温度、湿度、风速和降雨量，并将这些数据映射到预定义的气象区间内以计算不同条件下的故障概率指数。接着，利用卷积神经网络构建气象因子故障概率模型，卷积神经网络能够从历史故障和气象数据中提取深层次特征，通过历史数据训练得到的模型不仅能够适应数据的复杂性，还能够实现更为准确的故障预测。通过实时采集的气象数据和电力数据，模型能够预测各个线路的故障概率，进而通过与预设的故障阈值进行比较，筛选出潜在的风险预警线路。
-
公开(公告)号：CN118760174A
公开(公告)日：2024-10-11
申请号：CN202410908156.3
申请日：2024-07-08
Applicant: 无锡学院
Abstract: 本发明公开了一种DoS攻击下多智能体的预定时间滑模编队控制方法，包括建立非周期性DoS攻击模型，考虑智能体之间的动态相互作用、协调关系以及外部干扰，建立多智能体动态模型，描述智能体的位置变化；设计预定时间滑模面以及其控制器，以实现多智能体的非线性系统对外部环境以及DoS攻击的适应性；设置预定时间终端滑模控制的Lyapunov充分条件；通过无界Lyapunov函数V2(x)进行无DoS攻击时系统稳定性证明；设定DoS攻击下的预定时间稳定系统的稳定性证明控制器，通过调整误差系统的初始参数，使得非线性系统完成非周期DoS攻击下期望的时变编队控制。通过本发明方法提升了非周期性DoS攻击以及持续外部干扰对非线性多智能体系统稳定性。
-
公开(公告)号：CN118396338B
公开(公告)日：2024-09-24
申请号：CN202410815879.9
申请日：2024-06-24
Applicant: 无锡学院
IPC: G06Q10/0631 , G06Q10/08
Abstract: 本发明提供一种多智能体系统实时任务分配与负载均衡方法及系统，涉及任务分配技术领域，本发明针对物流装配任务，将一个整体任务拆分成若干子任务交由不同的智能机器人执行，按照最小负载优先算法，通过智能机器人的资源利用率、执行任务情况生成评估智能机器人负载情况的负载指数，并建立轮询序列表，按照冒泡排序从小到大收集这些负载指数，有新任务到达时，优先分配给负载最低的智能机器人执行，对于每个分配到任务的智能机器人，重新计算其负载指数并更新轮询序列表，直到所有任务分配到智能机器人去执行，同时对执行任务的智能机器人进行监控，及时通过调整智能机器人的负载权重来保证智能机器人执行任务的安全和效率，维护系统的稳定性。
-
公开(公告)号：CN118536865A
公开(公告)日：2024-08-23
申请号：CN202410638328.X
申请日：2024-05-22
Applicant: 无锡学院
IPC: G06Q10/0639 , G06Q50/26 , G06F17/16
Abstract: 本发明公开了一种灭火救援作战能力评估方法，涉及评估方法技术领域，不仅采用了客观赋权和主观赋权两种方式进行指标权重的赋值，而且引入了博弈论进行组合赋权，博弈论提供了一种研究主客观赋权法在冲突中协调作用的方法，旨在寻求两者的最大利益，并同时兼顾主客观权衡，从而充分考虑了各个指标之间的相互关系，有助于降低主观偏见，提高赋权的科学性，从而增强了评估指标权重的科学性，为建立灭火救援作战能力评估模型提供了良好的基础，使评估结果更具客观性和准确性。除此之外，本发明还采用了属性数学的方法对作战能力进行评估，这种方法具有科学性和实用性，能够为提升消防队站的灭火救援作战能力提供指导意义。
-
公开(公告)号：CN118411160A
公开(公告)日：2024-07-30
申请号：CN202410879277.X
申请日：2024-07-02
Applicant: 无锡学院
IPC: G06Q10/20 , G06Q50/06 , G06F18/2415 , G06F18/214 , G06N3/0464 , H02J13/00 , G01R31/08
Abstract: 本发明提供一种考虑多种气象因子的电网故障预测方法及系统，旨在提高电网故障预测的准确性和效率。该方法首先收集电网各个线路的历史故障数据和相应的气象数据，包括温度、湿度、风速和降雨量，并将这些数据映射到预定义的气象区间内以计算不同条件下的故障概率指数。接着，利用卷积神经网络构建气象因子故障概率模型，卷积神经网络能够从历史故障和气象数据中提取深层次特征，通过历史数据训练得到的模型不仅能够适应数据的复杂性，还能够实现更为准确的故障预测。通过实时采集的气象数据和电力数据，模型能够预测各个线路的故障概率，进而通过与预设的故障阈值进行比较，筛选出潜在的风险预警线路。
-
-
-
-
-
-
-
-
-
Search Results
42
records
(took 0.021 seconds)
