-
公开(公告)号：CN109241603A
公开(公告)日：2019-01-18
申请号：CN201810989398.4
申请日：2018-08-28
Applicant: 浙江工业大学
Abstract: 一种固定式智能骑行台档位划分和功率拟合方法，首先对固定式智能骑行台控制线路板的PWM波百分比进行调整；然后，通过功率测试机对智能骑行台不同PWM波百分比时的速度值和相应的功率值进行测试和记录，每次测试前需要对骑行台的初始温度进行测量和记录，使初始温度的差值控制在预设的范围内。其次，对调整后的PWM波百分比、测试后记录的速度值、相应的功率值、温度值再利用机器学习之无监督学习中的K-means算法进行聚类，聚类前先对数据进行异常处理，和标准化处理，然后再利用K-means算法进行聚类，再根据聚类得到的权重，获取PWM波的分类的类别数，即档位数，最后再根据权重对数据进行局部加权多项式回归计算功率速度曲线，由曲线获得骑行台的最终输出功率。
-
公开(公告)号：CN107863910A
公开(公告)日：2018-03-30
申请号：CN201711397320.5
申请日：2017-12-21
Applicant: 浙江工业大学
IPC: H02P6/00 , H02P6/34 , H02P23/00 , H02P25/022
Abstract: 具有强跟踪性的永磁同步电机最优分数阶PID控制方法，本发明利用PSO算法能通过迭代寻找最优解以及PSO算法收敛速度快的特性。对稳定域范围内的分数阶PID控制器参数进行迭代寻优。首先初始化PSO算法中的粒子，其位置坐标随机分布在稳定域内。然后对粒子进行适应度计算，并设置其初始速度，使得粒子能够朝适应度更好的方向移动。最后不断进行迭代，直至两次迭代差值小于设定误差，得出最优解，即在稳定域范围内的分数阶PID控制器参数最优解。本发明采用的PSO算法，能够更快更精确的同时整定多个分数阶PID控制器参数。
-
公开(公告)号：CN112396179B
公开(公告)日：2024-11-26
申请号：CN202011308919.9
申请日：2020-11-20
Applicant: 浙江工业大学
IPC: G06N3/082 , G06N3/0464 , G06N3/0495
Abstract: 一种基于通道梯度剪枝的柔性深度学习网络模型压缩方法，包括：步骤1、向原始网络添加遮掩层约束，获取待剪枝的深度卷积神经网络模型，步骤2、网络模型在数据集上训练，根据通道梯度和权值的乘积的绝对值作为重要性标准更新通道的遮掩层约束，得到掩码和稀疏模型，步骤3、基于掩码对稀疏模型做剪枝操作，步骤4、重训练紧凑的深度卷积神经网络模型。本发明还提供了基于通道梯度剪枝的柔性深度学习网络模型压缩方法在实际物体识别APP上的应用效果，剪枝后模型对物体的识别速度大幅提升，解决了深度神经网络模型因高存储空间占用，高内存占用，高计算资源占用导致无法部署到嵌入式、智能手机等设备上的技术问题，拓展了深度神经网络的应用范围。
-
公开(公告)号：CN109683626B
公开(公告)日：2022-03-15
申请号：CN201811325915.4
申请日：2018-11-08
Applicant: 浙江工业大学
Abstract: 在自适应的径向基函数(RBF)神经网络的基础上，研究了具有时滞的非线性多四旋翼无人机系统在存在动态不确定性的情况下的三维编队控制方案。为了得到每个无人机的绝对和局部状态误差，我们设计了一个线性降阶观测器。通过构建一个可以简化控制器设计的李雅普诺夫函数，抵消无人机动态模型中存在的时滞。为了处理非线性动态不确定性和不可避免的干扰，采用了自适应的RBF神经网络。
-
公开(公告)号：CN109683626A
公开(公告)日：2019-04-26
申请号：CN201811325915.4
申请日：2018-11-08
Applicant: 浙江工业大学
Abstract: 在自适应的径向基函数(RBF)神经网络的基础上，研究了具有时滞的非线性多四旋翼无人机系统在存在动态不确定性的情况下的三维编队控制方案。为了得到每个无人机的绝对和局部状态误差，我们设计了一个线性降阶观测器。通过构建一个可以简化控制器设计的李雅普诺夫函数，抵消无人机动态模型中存在的时滞。为了处理非线性动态不确定性和不可避免的干扰，采用了自适应的RBF神经网络。
-
Patent Agency Ranking
公开(公告)号：CN108121207A
公开(公告)日：2018-06-05
申请号：CN201711396198.X
申请日：2017-12-21
Applicant: 浙江工业大学
Abstract: 同时满足跟踪性和鲁棒性的燃气锅炉最优分数阶PID控制方法，利用PSO算法能通过迭代寻找最优解以及PSO算法收敛速度快的特性。对H∞稳定域范围内的分数阶PID控制器参数进行迭代寻优。首先初始化PSO算法中的粒子，其位置坐标随机分布在稳定域内。然后对粒子进行适应度计算，并设置其初始速度，使得粒子能够朝适应度更好的方向移动。最后不断进行迭代，直至两次迭代差值小于设定误差，得出最优解，即在稳定域范围内的分数阶PID控制器参数最优解。本发明采用的PSO算法，能够更快更精确的同时整定多个分数阶PID控制器参数。
-
公开(公告)号：CN112597919A
公开(公告)日：2021-04-02
申请号：CN202011577022.6
申请日：2020-12-28
Applicant: 浙江工业大学
Abstract: 本发明涉及基于YOLOv3剪枝网络和嵌入式开发板的实时药盒检测方法。包括如下步骤：步骤一：设计YOLOv3主干网络及损失函数；步骤二：通过人工拍摄的方式对各个品牌的药盒进行图像数据采集；步骤三：制作药盒数据集并进行训练；步骤四：通过基于BN层缩放因子γ的剪枝方法对YOLOv3进行模型压缩和加速推算；步骤五：将YOLOv3压缩模型部署到Nano嵌入式系统上并使用TensorRT进行模型推理加速；步骤六：使用CSI摄像头在Nano上进行实时药盒检测。本发明用于部署在NVIDIA Jetson Nano嵌入式开发板上进行实时药盒检测，在保证检测精度的同时，确保了检测的实时性以及模型运算的高效率。
-
公开(公告)号：CN108073173B
公开(公告)日：2021-03-16
申请号：CN201711397316.9
申请日：2017-12-21
Applicant: 浙江工业大学
IPC: G05D1/02
Abstract: 具有分数阶模型的多移动机器人的二自由度协同控制方法，步骤如下：1)根据移动机器人在草地上或者玻璃上滑行时的特性，获取单个移动机器人的分数阶模型2)根据模型参数确定能够保证单个机器人稳定的个体控制器的稳定集合；3)通过粒子群算法获取满足鲁棒性的最优控制器参数；4)将个体控制器和原来的模型结合成新的模型，求得耦合控制器的稳定集；5)在所求取的耦合控制器稳定集中通过粒子群算法选取最优控制参数，并执行分数阶PID控制程序，使多移动机器人系统完成协同控制。
-
公开(公告)号：CN109241603B
公开(公告)日：2023-05-26
申请号：CN201810989398.4
申请日：2018-08-28
Applicant: 浙江工业大学
IPC: G01M13/00 , G01D21/02 , G06F18/23213 , G06F18/27
Abstract: 一种固定式智能骑行台档位划分和功率拟合方法，首先对固定式智能骑行台控制线路板的PWM波百分比进行调整；然后，通过功率测试机对智能骑行台不同PWM波百分比时的速度值和相应的功率值进行测试和记录，每次测试前需要对骑行台的初始温度进行测量和记录，使初始温度的差值控制在预设的范围内。其次，对调整后的PWM波百分比、测试后记录的速度值、相应的功率值、温度值再利用机器学习之无监督学习中的K‑means算法进行聚类，聚类前先对数据进行异常处理，和标准化处理，然后再利用K‑means算法进行聚类，再根据聚类得到的权重，获取PWM波的分类的类别数，即档位数，最后再根据权重对数据进行局部加权多项式回归计算功率速度曲线，由曲线获得骑行台的最终输出功率。
-
公开(公告)号：CN112597920A
公开(公告)日：2021-04-02
申请号：CN202011577036.8
申请日：2020-12-28
Applicant: 浙江工业大学
Abstract: 本发明公开了一种基于YOLOv3剪枝模型和嵌入式开发板的实时检测系统，包括实时视频采集及预处理模块，物体识别与检测模块和显示及保存模块。实时视频采集及预处理模块，将实时视频数据转化为单帧图像后进行预处理。物体识别与检测模块，对模型进行训练并剪枝，得到压缩后的模型。将预先训练好的权重数据载入到卷积神经网络中，用卷积网络对图像数据中的物体进行检测。显示及保存单元，将识别到的物体进行实时显示并将结果进行保存。通过实时视频采集及预处理模块，对实时视频数据进行预处理，可实现复杂环境下的物体实时检测。通过物体识别与检测模块使用YOLOv3剪枝网络进行物体识别与检测，可以达到实时，高精度的检测效果。
-
-
-
-
-
-
-
-
-
Search Results
15
records
(took 0.027 seconds)
