-
公开(公告)号：CN119142755A
公开(公告)日：2024-12-17
申请号：CN202411174738.X
申请日：2024-08-26
Applicant: 东北大学
Abstract: 本发明提供一种矿石流视觉检测与皮带电机协同智能控制方法及系统。本发明方法，包括：实时采集矿石皮带的运行视频图像；对采集的矿石皮带的运行视频图像进行矿石流的占比检测，获取矿石流的占比检测结果；对采集的矿石皮带的运行视频图像进行占比加速度计算，获取矿石流的变化速度结果；对获取矿石流的占比检测结果和变化速度结果进行分析，并发出控制信号；根据控制信号改变相应电机的实际转速，采用滑模控制方式对皮带电机进行智能调速。本发明技术方案提高了矿用皮带矿石流量占比的检测准确度和及时性，同时实现节能降耗和延长设备使用寿命，具备速度快、智能化程度较高等优点。
-
公开(公告)号：CN118965996A
公开(公告)日：2024-11-15
申请号：CN202411065219.X
申请日：2024-08-05
Applicant: 东北大学
Abstract: 本发明提供一种基于金字塔与深层神经网络的土壤定量建模方法，属于化学计量学的定量检测技术领域。获取土壤样本的光谱与含量作为土壤数据集；对土壤数据集的光谱进行光谱预处理，获得预处理光谱；从隐含层输出特征、隐含层神经元的角度分别构建基于隐含层输出特征的交叉分辨率模型、基于隐含层神经元的交叉分辨率模型，输入是预处理光谱，输出是土壤含量；利用均方根误差评价模型，为样本选取最优模型，从而构建基于样本的交叉分辨率模型。从而基于金字塔方式改进深度随机向量函数链神经网络，实现了深层神经网络、光谱重采样、特征提取的融合，构建了隐含层的层数与神经元数的定量关系，不仅提高了模型精度与准确度，而且简化了模型结构。
-
公开(公告)号：CN118072866A
公开(公告)日：2024-05-24
申请号：CN202311576119.9
申请日：2023-11-23
Applicant: 东北大学
IPC: G16C20/70 , G01N21/25 , G01N33/24 , G16C20/20 , G06F18/15 , G06F18/2135 , G06F18/214 , G06F18/21 , G06N3/045 , G06N3/0464 , G06N3/047 , G06N3/08
Abstract: 本发明公开一种基于光谱差与含量差的土壤数据增强方法，涉及化学计量学的定量检测领域。获取原始样本集；采用基于最值的光谱差减法处理原始样本获取若干个增强样本，进而得到增强样本集；分别对原始样本进行不同形式的数据增强从而得到光谱差与含量差；对土壤定量检测模型进行训练和测试；从若干个土壤定量检测模型中选择出最优的土壤定量检测模型；获取含有光谱与含量的新样本，基于选择出的最优的土壤定量检测模型，获得新样本的含量预测值。本发明基于含量的最大值或最小值，通过光谱与含量，获得光谱差与含量差，不仅实现了光谱数据增强，也实现了含量数据增强；降低了原始样本的数量限制，使模型不因样本有限局限于机器学习而引入深度学习。
-
公开(公告)号：CN109460608B
公开(公告)日：2022-11-25
申请号：CN201811333380.5
申请日：2018-11-09
Applicant: 东北大学
Abstract: 本发明提供一种基于模糊时间序列的高陡边坡形变预测的方法，包括：获得多组天顶距、斜距、方位角的测量数据，其中根据数据的范围合理的划分论域，根据整体分布优化算法将论域合理的分为i个连续区间，通过三角模糊隶属度函数定义i个论域区间的隶属度函数；模糊化历史数据，将测量数据分配至各个模糊区间实施模糊化；通过定连续时间序列的模糊集建立以个模糊关系，将数据中所有相同初始状态的全部模糊关系放到同一个模糊关系组中，建立模糊矩阵；根据建立好的模糊矩阵去模糊化预测。上述方法在坡度突变时准确率依然较高，整体分布优化算法避免了平均值分论域的片面性，整体提高了预测精度。
-
公开(公告)号：CN108536979B
公开(公告)日：2021-08-03
申请号：CN201810347673.2
申请日：2018-04-18
Applicant: 东北大学
IPC: G06F30/20
Abstract: 本发明提供一种基于浓密机机理模型的底流浓度预测方法，包括：采集浓密机现场数据；将流体压力转换为流速；利用经参数辨识的分层带参数的浓密机机理模型，进行底流浓度预测。所述浓密机现场数据，包括：顶层体积流量、进料流量、流体压力及底流体积密度。所述将流体压力转换为流速后，采用3σ原则对异常值进行处理。所述分层带参数的浓密机机理模型的建立如下：采集浓密机现场数据的历史数据；建立浓密机机理模型；将流体压力转换为流速及数据预处理；构建分层带参数的浓密机机理模型。本发明减小了纯机理模型带来的预测误差，提高了机理模型的预测精度。
-
Patent Agency Ranking
公开(公告)号：CN107895136B
公开(公告)日：2020-09-15
申请号：CN201710698775.4
申请日：2017-08-15
Applicant: 东北大学
Abstract: 本发明提供了一种煤矿区域识别方法及系统，用于识别煤矿区域，该方法包括：获取目标区域的遥感图像数据及目标区域中煤的实测光谱数据；通过对实测光谱数据进行筛选，获取实测光谱数据中与遥感图像数据所处波段一致的光谱数据，作为样本光谱数据，样本光谱数据包括训练数据和测试数据；利用包含煤和非煤光谱数据的网络训练集，采用预设的极限学习机对训练数据进行训练，获取针对训练数据分类识别率最优的最优ELM特征分类模型集合；利用最优ELM特征分类模型集合对遥感图像数据进行分类，获取遥感图像数据中被最优ELM特征分类模型集合分类识别为具有煤特征数据的遥感图像数据作为目标图像数据，目标图像数据对应的区域为煤矿区域。
-
公开(公告)号：CN110395207A
公开(公告)日：2019-11-01
申请号：CN201910637799.8
申请日：2019-07-15
Applicant: 东北大学
IPC: B60R21/0134 , G08C17/02 , B61D11/00
Abstract: 本发明公开了一种矿车防撞方法及装置，利用接收其他矿车上的无线网络发射器发射的无线网络信号；根据所述无线网络信号强度，确定与对应的矿车的距离；如果所述距离小于或等于预设的距离阈值，则执行防撞策略。由于无线网络信号的传播不受到地形、光线和粉尘的影响，因此，根据无线网络信号的强弱确定距离更加可靠，报警更加准确，有效的防止矿车发生碰撞事故，提高安全性。
-
公开(公告)号：CN108983127B
公开(公告)日：2019-10-29
申请号：CN201810531465.8
申请日：2018-05-29
Applicant: 东北大学
Abstract: 本发明涉及一种基于光谱数据检测赤铁矿磁性率的方法，包括以下步骤：获取待检测的赤铁矿样品的光谱数据，其中，每个赤铁矿样品的光谱数据中包含m个光谱特征；将获取的光谱数据输入赤铁矿磁性率检测模型；赤铁矿磁性检测模型根据输入的光谱数据输出赤铁矿样品的磁性率。采用多组包括磁性率和与所述磁性率相对应的光谱数据的赤铁矿综合数据，利用主成分分析算法对所述光谱数据处理后，建立基于改进粒子群算法优化的极限学习机神经网络的赤铁矿磁性率检测模型。本发明提供的基于赤铁矿光谱数据检测赤铁矿磁性率的方法，效率高、成本低、且精度高。
-
公开(公告)号：CN108764115A
公开(公告)日：2018-11-06
申请号：CN201810507764.8
申请日：2018-05-24
Applicant: 东北大学
CPC classification number: G06K9/00805 , G06K9/00362 , G06K9/00825 , G06K9/6256
Abstract: 本发明属于卡车安全预警领域，具体涉及一种卡车危险提醒方法。方法包括：针对位于矿山区域中的卡车，卡车上的每一图像采集装置采集相应区域的图像信息；卡车上与所有图像采集装置连接的图像处理中心对图像信息进行实时处理，确定当前卡车的预设范围内是否存在待识别目标；若预设范围内存在待识别目标，则向当前卡车的驾驶人员发出危险信号。本发明的卡车危险提醒方法不采用网络通信，所有图像信息都实时处理，预警速度快。本发明的卡车危险提醒方法采用轻量级SSD模型对图像信息进行实时处理，该模型对矿区卡车需要特别识别的人和车辆目标识别速度快、识别效率高。
-
公开(公告)号：CN107895136A
公开(公告)日：2018-04-10
申请号：CN201710698775.4
申请日：2017-08-15
Applicant: 东北大学
Abstract: 本发明提供了一种煤矿区域识别方法及系统，用于识别煤矿区域，该方法包括：获取目标区域的遥感图像数据及目标区域中煤的实测光谱数据；通过对实测光谱数据进行筛选，获取实测光谱数据中与遥感图像数据所处波段一致的光谱数据，作为样本光谱数据，样本光谱数据包括训练数据和测试数据；利用包含煤和非煤光谱数据的网络训练集，采用预设的极限学习机对训练数据进行训练，获取针对训练数据分类识别率最优的最优ELM特征分类模型集合；利用最优ELM特征分类模型集合对遥感图像数据进行分类，获取遥感图像数据中被最优ELM特征分类模型集合分类识别为具有煤特征数据的遥感图像数据作为目标图像数据，目标图像数据对应的区域为煤矿区域。
-
-
-
-
-
-
-
-
-
Search Results
71
records
(took 0.027 seconds)
