-
公开(公告)号：CN116861248B
公开(公告)日：2024-02-27
申请号：CN202310903228.0
申请日：2023-07-21
Applicant: 浙江大学
IPC: G06F18/214 , G06F18/25 , G06F18/15 , G06F18/2433 , G06N3/0442 , G06N3/0455 , G06N3/048 , G06Q10/04 , G06Q50/08 , G06F123/02
Abstract: 本发明提供了一种结合多窗口融合方法和聚焦框架模型的建筑能耗预测方法及系统。步骤1采集目标建筑的每日能耗数据，每日能耗数据是指每日用电量、当日的最高气温、当日的最低气温；步骤2对每日能耗数据进行预处理，进行异常值剔除和数据归一化处理；步骤3采用多窗口融合方法将步骤2获得的每日能耗数据构造出一系列能耗‑时间序列样本；步骤4利用步骤3中的能耗‑时间序列样本训练聚焦框架模型；步骤5用步骤4获得的模型的最终权重对建筑能耗进行预测。本发明提出的一种结合多窗口融合方法和聚焦框架模型的方法只需要三种容易获得的、真实的样本数据就可以达到更高的预测精度。
-
公开(公告)号：CN112949482A
公开(公告)日：2021-06-11
申请号：CN202110226886.1
申请日：2021-03-01
Applicant: 浙江大学 , 中铁第四勘察设计院集团有限公司
Abstract: 本发明公开了一种基于深度学习和视觉定位的非接触式钢轨轨枕相对位移实时测量方法，属于高铁轨道结构监测领域。将包含至少两个圆并且圆与背景颜色差异明显的标志牌粘贴在轨枕上，拍摄含有标志牌的视频并截取图像；标定图像以作为用于标志牌检测的深度学习模型的训练样本，训练深度学习模型；对每个检测点获得的实时图像，通过深度学习模型检测图像中的标志牌区域，使用视觉算法定位经透视变换后的标志牌的圆心，利用定位得到的圆心坐标完成钢轨轨枕相对位移量粗计算；再对粗计算结果进行平滑滤波，得到实时相对位移量的精确值。本发明可以自动计算透视变换参数和钢轨轨枕相对位移量，实现了轨道结构的轨枕间距相对位移的实时获取。
-
公开(公告)号：CN116861248A
公开(公告)日：2023-10-10
申请号：CN202310903228.0
申请日：2023-07-21
Applicant: 浙江大学
IPC: G06F18/214 , G06F18/25 , G06F18/15 , G06F18/2433 , G06N3/0442 , G06N3/0455 , G06N3/048 , G06Q10/04 , G06Q50/08 , G06F123/02
Abstract: 本发明提供了一种结合多窗口融合方法和聚焦框架模型的建筑能耗预测方法及系统。步骤1采集目标建筑的每日能耗数据，每日能耗数据是指每日用电量、当日的最高气温、当日的最低气温；步骤2对每日能耗数据进行预处理，进行异常值剔除和数据归一化处理；步骤3采用多窗口融合方法将步骤2获得的每日能耗数据构造出一系列能耗‑时间序列样本；步骤4利用步骤3中的能耗‑时间序列样本训练聚焦框架模型；步骤5用步骤4获得的模型的最终权重对建筑能耗进行预测。本发明提出的一种结合多窗口融合方法和聚焦框架模型的方法只需要三种容易获得的、真实的样本数据就可以达到更高的预测精度。
-
公开(公告)号：CN112949484A
公开(公告)日：2021-06-11
申请号：CN202110226904.6
申请日：2021-03-01
Applicant: 浙江大学 , 中铁第四勘察设计院集团有限公司
IPC: G06K9/00 , G06K9/32 , G06T5/00 , G06T7/00 , G06T7/13 , G06T7/136 , G06T7/41 , G06T7/90 , G06N20/00
Abstract: 本发明公开了一种基于聚合通道特征和纹理特征的高速铁路落石实时检测方法，属于图像目标检测领域。采集无落石的样本图像并进行图像预处理，建立初始背景模型；利用建立好的背景模型，确定检测区域，提取图像中的聚合通道特征；基于背景减差法，得到二值化图像作为初步检测结果；引入HSV颜色空间，基于纹理特征去除二值化图像中的虚景，将去除虚景后的二值化图像作为当前时刻的落石检测结果，并在当前图像中标出检测结果；更新背景模型。本发明可从RGB图像中快速划分铁轨区域，无需利用先验信息，也无需进行大量特征匹配计算，同时利用聚合通道特征和纹理特征，有效解决因光照等室外因素带来的干扰，同时可以有效检测出高速铁路上的落石。
-
公开(公告)号：CN113378908B
公开(公告)日：2023-04-18
申请号：CN202110626412.6
申请日：2021-06-04
Applicant: 浙江大学
IPC: G06F18/2433 , G06Q10/20 , G06F18/214
Abstract: 本发明公开了一种基于LightGBM算法和网格搜索算法的暖通空调系统故障诊断方法，包括以下步骤：1)数据采集和预处理，收集空调冷水机组的故障数据，对数据进行数据清洗和归一化等预处理；2)构建基于LightGBM的空调故障诊断模型，确定模型需要优化的超参数以及超参数的取值范围；3)使用网格搜索法结合五折交叉验证的方法训练和来优化超参数，确定模型的最优超参数组合。通过采用以上技术，与现有技术相比，本发明克服了现有技术的不足，提出了一种基于LightGBM算法和网格搜索算法的暖通空调系统故障诊断方法，利用LightGBM快速、高性能分布式的特点，提高了对空调故障的诊断预测效果。
-
Patent Agency Ranking
公开(公告)号：CN112949484B
公开(公告)日：2022-04-26
申请号：CN202110226904.6
申请日：2021-03-01
Applicant: 浙江大学 , 中铁第四勘察设计院集团有限公司
IPC: G06V20/52 , G06V10/25 , G06T5/00 , G06T7/00 , G06T7/13 , G06T7/136 , G06T7/41 , G06T7/90 , G06N20/00
Abstract: 本发明公开了一种基于聚合通道特征和纹理特征的高速铁路落石实时检测方法，属于图像目标检测领域。采集无落石的样本图像并进行图像预处理，建立初始背景模型；利用建立好的背景模型，确定检测区域，提取图像中的聚合通道特征；基于背景减差法，得到二值化图像作为初步检测结果；引入HSV颜色空间，基于纹理特征去除二值化图像中的虚景，将去除虚景后的二值化图像作为当前时刻的落石检测结果，并在当前图像中标出检测结果；更新背景模型。本发明可从RGB图像中快速划分铁轨区域，无需利用先验信息，也无需进行大量特征匹配计算，同时利用聚合通道特征和纹理特征，有效解决因光照等室外因素带来的干扰，同时可以有效检测出高速铁路上的落石。
-
公开(公告)号：CN113177594A
公开(公告)日：2021-07-27
申请号：CN202110475880.8
申请日：2021-04-29
Applicant: 浙江大学
Abstract: 本发明公开了一种基于贝叶斯优化的PCA‑极限随机树的空调故障诊断方法，包括以下步骤：1)获取空调正常和不同故障下的运行数据并对其归一化；2)将归一化后的数据通过PCA算法降维后作为极限随机树(ExtraTree)模型的输入；3)建立极限随机树分类模型，训练并测试该分类器，得到针对空调的PCA‑极限随机树故障诊断模型；4)利用贝叶斯优化算法对PCA‑极限随机树故障诊断模型的PCA降维后的特征数量和CART决策树数量进行优化，得到最优的降维后特征数量和CART决策树数量；5)然后，将计算出的最优PCA降维后特征数量值和CART决策树数量值作为PCA‑极限随机树模型的参数并对样本进行训练，得到PCA‑极限随机树故障诊断模型，然后可使用该诊断模型对实时数据进行诊断。
-
公开(公告)号：CN112949479A
公开(公告)日：2021-06-11
申请号：CN202110226200.9
申请日：2021-03-01
Applicant: 浙江大学 , 中铁第四勘察设计院集团有限公司
Abstract: 本发明公开了一种基于深度学习和透视变换的非接触式钢轨轨枕相对位移实时测量方法，属于高铁轨道结构监测领域。将包含至少两个圆的标志牌粘贴在轨枕上，每一个检测点的检测范围内至少包括一对相对位置固定的轨枕；标定图像用于训练深度学习模型；采集初始标准图像计算透视变换矩阵；对每个检测点获得的实时图像，通过深度学习模型检测圆心原像素坐标，利用透视变换矩阵将圆心像素坐标转换为透视后的圆心像素坐标，计算透视后的图像中相邻连个轨枕之间的像素距离，结合相对位置固定的一对轨枕之间的像素距离和实际距离，求得相邻轨枕之间的实际距离作为粗计算结果；再对粗计算结果进行平滑滤波，得到实时相对位移量的精确值，测量精度高。
-
公开(公告)号：CN113177594B
公开(公告)日：2022-06-17
申请号：CN202110475880.8
申请日：2021-04-29
Applicant: 浙江大学
Abstract: 本发明公开了一种基于贝叶斯优化的PCA‑极限随机树的空调故障诊断方法，包括以下步骤：1)获取空调正常和不同故障下的运行数据并对其归一化；2)将归一化后的数据通过PCA算法降维后作为极限随机树(ExtraTree)模型的输入；3)建立极限随机树分类模型，训练并测试该分类器，得到针对空调的PCA‑极限随机树故障诊断模型；4)利用贝叶斯优化算法对PCA‑极限随机树故障诊断模型的PCA降维后的特征数量和CART决策树数量进行优化，得到最优的降维后特征数量和CART决策树数量；5)然后，将计算出的最优PCA降维后特征数量值和CART决策树数量值作为PCA‑极限随机树模型的参数并对样本进行训练，得到PCA‑极限随机树故障诊断模型，然后可使用该诊断模型对实时数据进行诊断。
-
公开(公告)号：CN112949482B
公开(公告)日：2022-04-29
申请号：CN202110226886.1
申请日：2021-03-01
Applicant: 浙江大学 , 中铁第四勘察设计院集团有限公司
Abstract: 本发明公开了一种基于深度学习和视觉定位的非接触式钢轨轨枕相对位移实时测量方法，属于高铁轨道结构监测领域。将包含至少两个圆并且圆与背景颜色差异明显的标志牌粘贴在轨枕上，拍摄含有标志牌的视频并截取图像；标定图像以作为用于标志牌检测的深度学习模型的训练样本，训练深度学习模型；对每个检测点获得的实时图像，通过深度学习模型检测图像中的标志牌区域，使用视觉算法定位经透视变换后的标志牌的圆心，利用定位得到的圆心坐标完成钢轨轨枕相对位移量粗计算；再对粗计算结果进行平滑滤波，得到实时相对位移量的精确值。本发明可以自动计算透视变换参数和钢轨轨枕相对位移量，实现了轨道结构的轨枕间距相对位移的实时获取。
-
-
-
-
-
-
-
-
-
Search Results
14
records
(took 0.014 seconds)
