-
公开(公告)号：CN118052149A
公开(公告)日：2024-05-17
申请号：CN202410317288.9
申请日：2024-03-20
Applicant: 安徽理工大学
IPC: G06F30/27 , G06N20/20 , G06F18/2431 , G06F119/08
Abstract: 本发明涉及空调特性分析领域，更具体的说是联合ETP模型与随机森林模型的空调特性模型构建方法，包括以下步骤：搭建实验平台获取空调运行功率、室内温湿度、室外温湿度数据，统计房间参数与空调参数及其他对空调运行会产生影响的因素；对获取的数据进行处理；用实验平台获取的数据以及房间参数和空调参数构建ETP模型，并计算其预测功率与空调实际运行功率的差值；对除房间参数和空调参数的其余影响空调运行的因素进行偏相关性分析，筛选出优选特征；将ETP模型的输入与优选特征作为输入构建数据集，构建随机森林回归模型来对ETP模型预测空调功率与实际空调功率的差值进行预测；结合随机森林模型的预测结果来对ETP模型进行补偿修正，得到修正后的空调特性模型，具有良好的预测性能。
-
公开(公告)号：CN112370078B
公开(公告)日：2024-01-26
申请号：CN202011247589.7
申请日：2020-11-10
Applicant: 安徽理工大学
Abstract: 本发明公开了一种基于超声成像和贝叶斯优化的图像检测方法，涉及图像检测技术领域，在检测矿工肺机能的时候采用了先进的超声成像无损检测手段，同时，在进行超声成像肺机能分析过程中采用贝叶斯优化的KPCANet算法保证了矿工肺机能分析的准确性和可靠性，准确可靠的掌握矿工的肺机能情况有助于准确、及时地掌握矿工的身体健康状态，对于职业性尘肺病早期发现具有重要意义。针对矿工这一特殊群体进行肺部机能检测分析，实现矿工肺部健康状态的准确、实时测量分析，完成职业性尘肺病等部分职业病的前期预警及保障矿工的生命健康。(56)对比文件wenhao lai，mengran zhou.A study ofMultispectral Technology and Two-dimension Autoencoder for Coal and GangueRecognition《.IEEE》.2017,1-9.feng hu,mengran zhou.MultispectralImaging: A New Solution forIdentification of Coal and Gangue《.IEEE》.2019,169697-169704.刘亚梅 等.基于KPCANet 的工件图像特征提取研究《.蚌埠学院学报》.2016,第5卷(第5期),22-26.张银，周孟然.智能超声波物位仪在井下煤仓监控中的应用《.煤矿机械》.2007,第28卷(第2期),167-168.
-
公开(公告)号：CN117236746A
公开(公告)日：2023-12-15
申请号：CN202311125222.1
申请日：2023-09-01
Applicant: 安徽理工大学
IPC: G06Q10/0639 , G06N3/006 , G06N3/084
Abstract: 本发明公开了一种空调负荷可调节潜力评估方法，方法包括：定义单个空调负荷可调节潜力指标；建立基于改进海鸥优化算法的动态BP神经网络模型；基于改进海鸥优化算法的动态BP神经网络的空调负荷可调节潜力评估。该发明不仅有效的解决了传统BP神经网络的隐含层节点不易确定以及参数选取困难的问题，且具有极强的非线性映射能力，良好的评估精度和稳定性，为空调负荷可调节潜力评估的后续研究提供了一种新思路。
-
公开(公告)号：CN116599036A
公开(公告)日：2023-08-15
申请号：CN202310443039.X
申请日：2023-04-21
Applicant: 安徽理工大学
IPC: H02J3/00 , G06F18/15 , G06F18/2113 , G06F18/213 , G06N3/0455 , G06N3/0464 , G06N3/047 , G06N3/048 , G06N3/084
Abstract: 本发明公开了一种基于TCN和Informer的两阶段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获取负荷有功功率及影响因素数据，并进行预处理；S2使用Spearman相关系数选取强关联影响因素，作为负荷分解的辅助特征信息；S3搭建并训练TCN‑Informer两阶段非侵入式负荷分解模型；S4负荷分解和模型评估。本发明利用TCN网络对除功率外其他影响因素进行高级特征提取，进而调整Informer解码器的输入，实现高精度非侵入式负荷分解。
-
公开(公告)号：CN112525346B
公开(公告)日：2022-10-11
申请号：CN202011404367.1
申请日：2020-12-03
Applicant: 安徽理工大学
Abstract: 本发明公开了一种基于改进OIF的光谱图像最佳波段的选择方法、系统及存储介质。本发明基于图像信息熵改进最佳指数法(Optimum Index Factor,OIF)，既能用于超光谱波段选择，也能用于多光谱和超光谱波段选择，并且选取的是最佳组合波段，选择的波段数由用户自行设定。基于图像信息熵改进OIF用于最佳组合波段的选择，充分利用了不同波段间光谱图像的相关性信息以及光谱图像包含的信息量的信息，使得所选组合波段的相关性小，所包含信息量大且冗余信息少。
-
Patent Agency Ranking
公开(公告)号：CN113435115A
公开(公告)日：2021-09-24
申请号：CN202110702318.4
申请日：2021-06-21
Applicant: 安徽理工大学
IPC: G06F30/27 , G06N3/00 , G06F111/08
Abstract: 本发明公开了一种荧光光谱特征波长筛选方法、装置、计算机设备及可读储存介质，包括：采集多个待测样品的原始荧光光谱数据，对原始荧光光谱进行标准正态变量变换处理，得到处理后的荧光光谱，使用间隔偏最小二乘法对处理后的荧光光谱进行波段筛选，得到荧光光谱的特征波段，使用布谷鸟搜索算法对荧光光谱的特征波段进行特征波长筛选，得到荧光光谱的特征波长。该装置可以保证荧光光谱特征波长筛选的可靠性。
-
公开(公告)号：CN113269725A
公开(公告)日：2021-08-17
申请号：CN202110467751.4
申请日：2021-04-28
Applicant: 安徽理工大学
Abstract: 本发明涉及一种基于成像技术和深度学习的煤矸石快速检测方法，获取煤矸石矿石图像数据；对获取的煤矸石图像中每个通道图像的分辨率进行调整，再进行图像数据归一化处理；将归一化处理后的图像数据进行深度学习，建立煤矸石深度学习检测模型；对建立的煤矸石深度学习检测模型进行训练和保存，得到模型权重；将待检测的煤矿图像输入到该模型权重中，完成煤矸石的识别和定位。检测速度快，多尺度特征图，对不同大小的煤矸石都具有较好的识别和定位能力；其次，本发明提供的检测模型可扩展性较好，允许用户根据实际需求进行修改和参数设定；最后，本发明提供的模型既可以用于RGB成像设备的煤矸石检测，也可用于多光谱或高光谱成像设备的煤矸石检测。
-
公开(公告)号：CN113269254A
公开(公告)日：2021-08-17
申请号：CN202110580411.2
申请日：2021-05-26
Applicant: 安徽理工大学
Abstract: 本发明提供了一种粒子群优化XGBoost算法的煤矸识别方法，属于煤矸识别领域，包括：采集煤和矸石的多光谱图像信息，并进行预处理；对采集到的煤和矸石多光谱图像进行样本划分，按照7:3比例将预处理后的煤和矸石多光谱图像随机划分为独立的训练集和测试集，并对样本设定标签；对训练集和测试集中的煤和矸石多光谱图像进行特征提取；利用提取到的多光谱图像特征搭建基于XGBoost算法的煤矸识别模型，在训练集上训练所述煤矸识别模型，通过粒子群优化算法进行XGBoost算法的参数优化；通过测试集来检验煤矸识别模型对煤和矸石的分类准确率，验证模型性能。该方法采用的XGBoost模型识别准确率，可解释性强，不易产生过拟合，可以得到良好的分类效果。
-
公开(公告)号：CN113139611A
公开(公告)日：2021-07-20
申请号：CN202110491852.5
申请日：2021-05-06
Applicant: 安徽理工大学
Abstract: 本发明属于图像处理技术领域，涉及一种胸片图像分类模型的构建方法，包括采集患者胸部的X片影像信息获取原始胸片图像，对其进行伽马校正后获取一次胸片图像；提取一次胸片图像的多图像特征，并对其进行贝叶斯融合获得处理后的二次胸片图像特征，基于多个二次胸片图像特征建立深度森林，将深度森林作为分类器，将二次胸片图像特征作为分类器的输入，将其原始胸片图像对应的类别作为分类器的输出，构建深度森林模型并优化其超参数，使得优化后的深度森林模型满足预定约束下形成的目标函数；以优化后的深度森林模型为分类依据，对矿工胸片进行分析，输出胸片分析的结果。利用本发明能提高患者的分类管理识别精度和效率，实用性强，值得推广。
-
公开(公告)号：CN112508001A
公开(公告)日：2021-03-16
申请号：CN202011409744.0
申请日：2020-12-03
Applicant: 安徽理工大学
Abstract: 本发明涉及一种基于多光谱波段筛选和改进U‑Net的煤矸石定位方法，其包括以下步骤：步骤1、在不同的环境下采集煤矸石的多光谱数据；步骤2、根据标准差选择最佳波段，将所选波段的光谱数据转换为灰度图像；步骤3、在每一张被转换的灰度图像中标注煤矸石的位置和形态；步骤4、改进基本的U‑Net模型，然后构建基于改进的U‑Net煤矸石识别和定位模型；步骤5、将标注数据转换为改进后的U‑Net所用数据形式；步骤6、训练改进后的U‑Net模型；步骤7、保存U‑Net训练过程中的最佳模型的权重，然后把保存的最佳模型用于煤矸石识别和定位。改进U‑Ne模型轻量易训练，不仅能快速准确的对煤矸石识别和定，而且可以预测煤矸石的形态，判断煤矸石的相对大小。
-
-
-
-
-
-
-
-
-
Search Results
126
records
(took 0.069 seconds)
