-
公开(公告)号：CN107256453B
公开(公告)日：2020-10-23
申请号：CN201710378554.9
申请日：2017-05-25
Applicant: 东北大学
Abstract: 本发明涉及一种基于改进ELM算法的毛管质量预报方法，步骤为：采集毛管穿孔过程的多组历史现场数据构建训练集；根据所采集的现场数据确定集成ELM网络的输入层、输出层和隐含层；结合多个常用激励函数，通过设置权重的方式，确定集成ELM网络的激励函数；采用遗传算法对集成ELM网络的激励函数中每个权值进行优化，获得最优激励函数；采用训练集对集成ELM网络进行训练，完成集成ELM网络的构建；将实际生产中的数据输入至集成ELM网络的每个子网络中，获得每个子网络的输出结果，进而获得集成ELM网络的输出预报结果，即毛管质量的预报结果。本发明继承了ELM模型的快速的性能和集成方法的鲁棒性，能更准确的预报毛管的质量。
-
公开(公告)号：CN110459074A
公开(公告)日：2019-11-15
申请号：CN201910739099.X
申请日：2019-08-12
Applicant: 东北大学
Abstract: 本发明涉及矿用卡车预警技术领域，提供一种基于雷达和WIFI的矿用卡车防碰撞预警系统及方法。本发明的系统包括WIFI信号发射模块、WIFI信号接收模块、雷达信号采集模块、信号处理模块、报警模块、显示模块；信号处理模块用于将WIFI信号强度输入距离计算模型并输出卡车之间的距离给安全判定模型，在卡车之间的距离小于报警距离阈值时根据从雷达信号采集模块接收到的电信号判断危险矿用卡车的方位，同时输出报警信号给报警模块、输出距离及方位给显示模块。本发明能够进行实时的防碰撞预警，在测距中检测面积大、检测距离长、检测精度高，能够进行弯道探测、恶劣天气和粉尘的影响小，且预警成本低、预警准确率及稳定性高。
-
公开(公告)号：CN108489912B
公开(公告)日：2019-08-27
申请号：CN201810447623.1
申请日：2018-05-11
Applicant: 东北大学
Abstract: 本发明提供一种基于煤炭光谱数据的煤炭成分分析方法，包括：煤炭光谱数据采集；利用煤炭成分分析模型进行煤炭成分预测，该模型的输入是采集的光谱数据，输出是煤炭成分。本发明提供的方法利用光谱数据和煤炭工业分析测定结果，建立煤炭成分分析模型，该模型利用卷积神经网络提取得到光谱特征数据，将光谱特征数据极限学习机输出煤炭工业分析测定得到的与煤炭光谱数据对应的煤炭成分，此预测过程中采用人工蜂群算法优化极限学习机的权值和偏差量，由此得到优化的煤炭成分分析模型。煤炭成分分析模型与光谱技术融合并应用在煤炭工业分析领域，煤提供了一种新的、快速和准确的煤炭成分分析方法。
-
公开(公告)号：CN109726628A
公开(公告)日：2019-05-07
申请号：CN201811308349.6
申请日：2018-11-05
Applicant: 东北大学
Abstract: 本发明公开了一种表格图像的识别方法及系统，其中，方法包括：对表格图像进行二值化预处理，获取图像样本；将所述图像样本内的表格区域进行定位，并将所述表格区域内的单元格从所述图像样本上进行提取；通过投影分析法将所述单元格中的单个字符进行分割提取，获取单个字符图像；基于深度学习神经网络的识别模型对每一所述单元格内的单个字符图像进行识别，获取所述单个字符图像的识别结果，最终输出所述表格图像的内容。本发明具有识别处理速度快、准确率高的优点，给现从事信息录入的公司带来很大的便利和效益。
-
公开(公告)号：CN108647772A
公开(公告)日：2018-10-12
申请号：CN201810443688.9
申请日：2018-05-10
Applicant: 东北大学
Abstract: 本发明属于边坡监测技术领域，尤其涉及一种用于边坡监测数据粗差剔除的方法，包括如下步骤：S1、数据预处理：对需要粗差剔除的边坡检测数据进行预处理，获取特征数据；S2、建立预测矩阵：将S1中获取的特征数据分别输入m个PSO-TELM模型，根据所述m个PSO-TELM模型的输出结果，获得预测矩阵T；S3、剔除粗差数据：对预测矩阵T按列求均值得到新的矩阵T′＝(a1,a2,…,an)1×n，再对矩阵T′求均值s和方差d；若T′中元素满足：ai-s＞d,(i＝1,2,…n)，则该剔除ai所对应的特征数据，反之，则保留ai所对应的特征数据，获得精确的边坡监测数据。本发明提供的用于边坡监测数据粗差剔除的方法，具有粗差剔除正确率高的有益效果。
-
Patent Agency Ranking
公开(公告)号：CN105354347B
公开(公告)日：2018-06-29
申请号：CN201510412913.9
申请日：2015-07-15
Applicant: 东北大学
IPC: G06F17/50
Abstract: 本发明公开一种菱镁矿矿石品级分类建模方法，该建模方法是利用ELM算法建立菱镁矿的定量分析数学模型，利用所建立的数学模型定量分析出菱镁矿的品级。首先，选取若干份菱镁矿样本进行光谱实验得出其光谱数据，并通告其他方法得到所述菱镁矿的品级。其次使用主元分析法（PCA）对所述第一部分中所得到的光谱数据进行压缩，达到降低所述光谱数据矩阵的维数。然后，对所述第二部分中所压缩后的光谱数据中的一部分数据建立ELM算法定量分析数学模型，基于该数学模型对所述压缩后的光谱数据中的一部分数据进行检测。本发明首次将ELM模型应用于菱镁矿石品级鉴别中，利用计算机建模并计算，其分析周期短、操作步骤简单、提高了工作效率，同时减少人为误差。
-
公开(公告)号：CN107704883A
公开(公告)日：2018-02-16
申请号：CN201710954112.4
申请日：2017-10-13
Applicant: 东北大学
CPC classification number: G06K9/6256 , G06K9/6215 , G06N3/0481 , G06N3/08
Abstract: 本发明提供了一种菱镁矿矿石的品级的分类方法及系统，用于提供一种定量分析菱镁矿矿石的品级的方式。该方法包括：对待分类的菱镁矿矿石的第一数据矩阵通过栈式自编码网络进行降维处理，得到第二数据矩阵；其中，第一数据矩阵用于指示所述待分类的菱镁矿矿石的光谱数据；对所述第二数据矩阵通过极限学习机ELM进行数据的分类，以得到所述待分类的菱镁矿矿石的品级；其中，所述极限学习机ELM为预先经训练样本训练后得到的，以第二数据矩阵为输入，以菱镁矿矿石的品级为输出的模型。本发明的方法在经济性、准确性、以及快速性上具有一定的优势，并且，该方法可以实现矿石的大批量在线检测。
-
公开(公告)号：CN107341521A
公开(公告)日：2017-11-10
申请号：CN201710557742.8
申请日：2017-07-10
Applicant: 东北大学
CPC classification number: G06K9/6273 , G06K9/46 , G06N3/006 , G06N3/0481 , G06N3/08
Abstract: 本发明涉及一种基于煤炭光谱数据对煤炭分类的方法，包括以下步骤：获取多个待分类的煤炭样品的光谱数据，其中，每个煤炭样品的光谱数据中包括s个光谱特征；采用煤炭分类模型对所述光谱数据进行处理，获得所述光谱数据对应的煤炭品种，其中，所述煤炭分类模型为预先采用煤炭品种已知的多个煤炭样品的光谱数据建立的，所述煤炭分类模型为卷积神经网络-极限学习机神经网络，所述煤炭分类模型具有经过粒子群算法优化后的最优权重矩阵和最优偏置向量，所述煤炭分类模型用于处理包括s个光谱特征的光谱数据以获得光谱数据对应的煤炭品种。本发明提供的基于煤炭光谱数据对煤炭分类的方法，效率高、成本低、且精度较高。
-
公开(公告)号：CN105354347A
公开(公告)日：2016-02-24
申请号：CN201510412913.9
申请日：2015-07-15
Applicant: 东北大学
IPC: G06F17/50
Abstract: 本发明公开一种菱镁矿矿石品级分类建模方法，该建模方法是利用ELM算法建立菱镁矿的定量分析数学模型，利用所建立的数学模型定量分析出菱镁矿的品级。首先，选取若干份菱镁矿样本进行光谱实验得出其光谱数据，并通告其他方法得到所述菱镁矿的品级。其次使用主元分析法（PCA）对所述第一部分中所得到的光谱数据进行压缩，达到降低所述光谱数据矩阵的维数。然后，对所述第二部分中所压缩后的光谱数据中的一部分数据建立ELM算法定量分析数学模型，基于该数学模型对所述压缩后的光谱数据中的一部分数据进行检测。本发明首次将ELM模型应用于菱镁矿石品级鉴别中，利用计算机建模并计算，其分析周期短、操作步骤简单、提高了工作效率，同时减少人为误差。
-
公开(公告)号：CN103593493A
公开(公告)日：2014-02-19
申请号：CN201310259351.X
申请日：2013-06-26
Applicant: 东北大学
Inventor： 肖冬
IPC: G06F17/50
Abstract: 针对无缝钢管减径生产中衡量减径管管质量好坏的横向和纵向壁厚不均检验滞后和难以建立其机理模型的问题，考虑其时变、非线性、快速间歇、数据梯形分布等的生产特点，提出了基于集成梯度数据ELM-PLS方法的减径管质量预报模型。介绍了集成梯度数据ELM-PLS方法中过程数据时段分解、均值求取、回归模型建立和模型在线预报等关键内容，并将建立的预报模型用于减径管质量预报中。实验和仿真表明,基于集成梯度数据ELM-PLS预报方法模型有效地提高了减径钢管质量预报精度,为减径钢管生产质量控制提供了模型依据,并且其维护费用低、实时性好、可靠性及精度高。
-
-
-
-
-
-
-
-
-
Search Results
71
records
(took 0.024 seconds)
