-
公开(公告)号：CN111680725A
公开(公告)日：2020-09-18
申请号：CN202010468715.5
申请日：2020-05-28
Applicant: 哈尔滨工业大学
IPC: G06K9/62
Abstract: 本发明公开的一种基于重构贡献的气体传感器阵列多故障隔离算法，包括：对气体传感器阵列预设故障传感器个数初值及SPE统计量控制限的判断阈值；获取气体传感器阵列的故障信号，并构建所有故障方向和对应的幅值集合；对每一组故障方向和对应的幅值，求取进行重构后的故障信号和SPE统计量；基于重构后故障信号对应的SPE统计量计算贡献率，确定贡献率最大的一组故障方向和SPE统计量；判断SPE统计量是否小于判断阈值；若否，则故障传感器个数加一，更新预设故障传感器个数初值，迭代处理；若是，则输出确定的当前故障方向和当前故障传感器个数。本发明很好的消除了传统贡献图法的拖尾问题，避免多变量之间相互干扰，极大程度提高了多故障隔离的准确率。
-
公开(公告)号：CN110175195A
公开(公告)日：2019-08-27
申请号：CN201910329097.3
申请日：2019-04-23
Applicant: 哈尔滨工业大学
IPC: G06F16/2458 , G06F17/16 , G06K9/62 , G01N33/00
Abstract: 本发明公开了一种基于极端随机树的混合气体检测模型构建方法，包括对混合气体进行数据采集，得到数据集，所述数据集包括至少三条气体信号时间序列，并计算气体信号时间序列的最优弯曲路径，利用最优弯曲路径进行筛选；利用主成分分析法对筛选后的气体信号时间序列提取气体特征；利用极端随机数算法建立模型，并对目标混合气体进行分类。本发明提出基于极端随机树的混合气体检测模型构建方法，较大程度上提高分类准确率和时间效率。
-
公开(公告)号：CN111738309B
公开(公告)日：2024-07-12
申请号：CN202010496367.2
申请日：2020-06-03
Applicant: 哈尔滨工业大学
IPC: G06F18/21 , G06F18/2411 , G06F18/214
Abstract: 本发明公开的一种基于多尺度分析和集成学习的气敏传感器故障模式识别方法，包括：对气敏传感器故障信号进行多尺度分析，得到不同尺度因子下的时间序列，分别计算每个时间序列的加权排列熵构成复合多尺度加权排列熵特征向量；通过Fisher判别法对复合多尺度加权排列熵进行降维，作为模式识别的故障特征样本；利用集成学习方法构建多个基学习器，用于对故障特征样本集的子样本集进行分类预测，然后将多个基学习器的分类结果进行汇总，得到气敏传感器故障模式识别结果。本发明能够突出不同故障类型的差异性，并且选择的集成学习分类器对气敏传感器故障识别具有更优越的泛化性能和更好的分类准确率，避免严重事故发生。
-
公开(公告)号：CN110162739B
公开(公告)日：2023-05-02
申请号：CN201910364888.X
申请日：2019-04-30
Applicant: 哈尔滨工业大学
IPC: G06F17/15
Abstract: 本发明公开了一种基于变遗忘因子的RFFKLMS算法的权值更新优化方法，通过动量项技术在步长更新的迭代公式中引入遗忘因子，并对遗忘因子进行优化，推导出基于变遗忘因子的RFFKLMS算法。遗忘因子决定系统对于过去时刻误差信号的依赖程度，而变遗忘因子则是在此基础上利用互相关误差信号，综合地提升系统的收敛能力和抗干扰能力。大量仿真分析结果表明，与变步长RFFKLMS算法相比该算方法在非平稳条件下具有较好的收敛速度并且在稳态时具有更好的精度。
-
Patent Agency Ranking
公开(公告)号：CN111738309A
公开(公告)日：2020-10-02
申请号：CN202010496367.2
申请日：2020-06-03
Applicant: 哈尔滨工业大学
IPC: G06K9/62
Abstract: 本发明公开的一种基于多尺度分析和集成学习的气敏传感器故障模式识别方法，包括：对气敏传感器故障信号进行多尺度分析，得到不同尺度因子下的时间序列，分别计算每个时间序列的加权排列熵构成复合多尺度加权排列熵特征向量；通过Fisher判别法对复合多尺度加权排列熵进行降维，作为模式识别的故障特征样本；利用集成学习方法构建多个基学习器，用于对故障特征样本集的子样本集进行分类预测，然后将多个基学习器的分类结果进行汇总，得到气敏传感器故障模式识别结果。本发明能够突出不同故障类型的差异性，并且选择的集成学习分类器对气敏传感器故障识别具有更优越的泛化性能和更好的分类准确率，避免严重事故发生。
-
-
公开(公告)号：CN110162739A
公开(公告)日：2019-08-23
申请号：CN201910364888.X
申请日：2019-04-30
Applicant: 哈尔滨工业大学
IPC: G06F17/15
Abstract: 本发明公开了一种基于变遗忘因子的RFFKLMS算法的权值更新优化方法，通过动量项技术在步长更新的迭代公式中引入遗忘因子，并对遗忘因子进行优化，推导出基于变遗忘因子的RFFKLMS算法。遗忘因子决定系统对于过去时刻误差信号的依赖程度，而变遗忘因子则是在此基础上利用互相关误差信号，综合地提升系统的收敛能力和抗干扰能力。大量仿真分析结果表明，与变步长RFFKLMS算法相比该算方法在非平稳条件下具有较好的收敛速度并且在稳态时具有更好的精度。
-
公开(公告)号：CN110175195B
公开(公告)日：2022-11-29
申请号：CN201910329097.3
申请日：2019-04-23
Applicant: 哈尔滨工业大学
IPC: G06F16/2458 , G06F17/16 , G06K9/62 , G01N33/00
Abstract: 本发明公开了一种基于极端随机树的混合气体检测模型构建方法，包括对混合气体进行数据采集，得到数据集，所述数据集包括至少三条气体信号时间序列，并计算气体信号时间序列的最优弯曲路径，利用最优弯曲路径进行筛选；利用主成分分析法对筛选后的气体信号时间序列提取气体特征；利用极端随机数算法建立模型，并对目标混合气体进行分类。本发明提出基于极端随机树的混合气体检测模型构建方法，较大程度上提高分类准确率和时间效率。
-
公开(公告)号：CN111680725B
公开(公告)日：2023-05-05
申请号：CN202010468715.5
申请日：2020-05-28
Applicant: 哈尔滨工业大学
IPC: G06F18/2433 , G06F18/2411 , G06F18/2135
Abstract: 本发明公开的一种基于重构贡献的气体传感器阵列多故障隔离算法，包括：对气体传感器阵列预设故障传感器个数初值及SPE统计量控制限的判断阈值；获取气体传感器阵列的故障信号，并构建所有故障方向和对应的幅值集合；对每一组故障方向和对应的幅值，求取进行重构后的故障信号和SPE统计量；基于重构后故障信号对应的SPE统计量计算贡献率，确定贡献率最大的一组故障方向和SPE统计量；判断SPE统计量是否小于判断阈值；若否，则故障传感器个数加一，更新预设故障传感器个数初值，迭代处理；若是，则输出确定的当前故障方向和当前故障传感器个数。本发明很好的消除了传统贡献图法的拖尾问题，避免多变量之间相互干扰，极大程度提高了多故障隔离的准确率。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.033 seconds)
