钻瓜专利网为您找到相关结果
24 个，建议您
升级VIP 下载更多相关专利
[发明专利] 一种用于信号分解的ACLCD方法 -CN201910187421.2 有效
发明人：
田慧欣 任岱旭
- 专利权人：
天津工业大学
申请日：
2019-03-12
-
公布日：
2023-05-05
-
主分类号：
G06F30/20 文献下载
摘要： 本发明是一种用于信号分解的ACLCD(Autocorrelation Local characteristic‑scale decomposition)算法，目的是解决LCD算法在分解过程中的端点效应问题。包括下列步骤：(1)求出给定信号的所有极大值与极小值并计算均值。(2)分别延拓出信号的前一周期和后一周期完整信号波并求出极值。(3)根据信号的自相关性求出修正极值。(4)若满足替换条件则用修正极值替换原有极值，不满足则维持不变。得到完成延拓的信号。(5)对延拓后的信号进行LCD分解，得到ISC分量和余量r。(6)将ISC分量和余量r截取到原信号区间得到最终的分解信号。一种 用于 信号 分解 aclcd 方法
[发明专利] 一种基于NSIR模式的DIRVAE算法 -CN202210776984.7 在审
发明人：
田慧欣 田春芝
- 专利权人：
天津工业大学
申请日：
2022-07-04
-
公布日：
2022-09-30
-
主分类号：
G06N3/04 文献下载
摘要： 本发明提出一种基于NSIR模式的DIRVAE算法，NSIR(Negative Skewed Imbalanced Regression)模式的不平衡回归问题的特点是回归样本的目标值分布属于负偏态分布，这一特点导致目标值小的样本数量远少于目标值大的样本数量，不同目标值区间内的回归样本数量相差很大会进一步影响机器学习模型的效果。本发明提出了生成样本和原始样本分布之间的变化率指标，该指标可以衡量生成样本的质量，并用来指导样本的生成，设计了RVAE(Regression Variational Autoencoder)模块和NSIRLSTM(Negative Skewed Imbalanced Regression Long Short Term Memory)模块来学习回归样本的分布信息和少数类样本附近的样本信息，使生成的回归样本和原始的回归样本更相似，最终通过增加少数类回归样本的数量来提高预测模型的预测精度。一种 基于 nsir 模式 dirvae 算法
[发明专利] 一种纯电动汽车剩余续驶里程估算方法 -CN202010319512.X 在审
发明人：
田慧欣 李昂
- 专利权人：
天津工业大学
申请日：
2020-04-22
-
公布日：
2021-10-22
-
主分类号：
G06F30/20 文献下载
摘要： 一种纯电动汽车剩余续驶里程估算方法。本发明属于电动汽车技术领域。目的是提出一种基于地图信息和迭代SVR模型的纯电动汽车剩余续驶里程估算方法。包括以下步骤：(1)依据汽车物理模型和实际数据分析影响续驶里程的影响因素。(2)将行驶工况数据进行片段划分，提取片段的特征参数。(3)基于特征参数，通过聚类方法对工况片段进行类别划分。(4)建立计算单位里程SOC下降值的SVR模型。(5)利用百度地图API路径规划功能获取道路信息，预测未来行驶工况。(6)通过循环迭代SVR模型，结合当前SOC值、工况参数与温度值，预测汽车的剩余续驶里程。一种 电动汽车 剩余 里程 估算 方法
[发明专利] 一种改进的GBDT算法 -CN202010319513.4 在审
发明人：
田慧欣 秦鹏亮
- 专利权人：
天津工业大学
申请日：
2020-04-22
-
公布日：
2021-10-22
-
主分类号：
G06N20/00 文献下载
摘要： 本发明公开了一种改进的GBDT(Gradient Boosting Decision Tree)算法。该算法是在改进GBDT算法的基础上提出的。该算法首先通过构造的评判指标在不同的数据集上选定学习机完成初始学习，然后通过构造的变量Δ判断样本学习的好坏，从而确定样本的学习率，最后结合梯度提升的思想完成集成学习。由于在不同数据集上选择了初始的学习机，所以该算法在任何数据集都有很强的学习能力并可以完成良好的预测。同时通过设定学习率的组合策略，可以使样本学习更充分，预测效果更好。本发明基于GBDT的改进算法，能够在不同的数据集上实现良好的预测效果。一种 改进 gbdt 算法
[发明专利] 一种基于HI-DD算法的概念漂移检测方法 -CN201910742532.5 在审
发明人：
田慧欣 秦鹏亮
- 专利权人：
天津工业大学
申请日：
2019-08-13
-
公布日：
2021-02-23
-
主分类号：
G06F16/2458 文献下载
摘要： 本发明公开了一种基于HI‑DD(Drift Detection Based On Hoeffding Inequality)算法的概念漂移检测方法。该方法是在滑动窗口技术与Hoeffding一般不等式的基础上提出的。该方法首先结合滑动窗口技术将当前数据窗口划分为两个子窗口，然后根据Hoeffding一般不等式推出了两个数据窗口之间发生概念漂移的阈值，从而可以通过构建检验统计量与其进行比较，进而得出是否发生概念漂移的结论。由于结合了Hoeffding一般不等式，所以该方法可以在不对数据做任何操作的基础上进行概念漂移的检测。本发明基于HI‑DD算法的概念漂移检测方法，能够依据实验数据进行快速准确的检测。一种 基于 hi dd 算法 概念 漂移 检测 方法
[发明专利] 基于密度特征聚类集成的锂电池荷电状态估算方法 -CN201910187423.1 在审
发明人：
田慧欣 李晓宇 ;欧阳北平
- 专利权人：
天津工业大学
申请日：
2019-03-12
-
公布日：
2020-09-22
-
主分类号：
G01R31/367 文献下载
摘要： 本发明是一种基于密度特征聚类集成的锂电池荷电状态估算方法，目的针对锂离子电池荷电状态(SOC)智能估算模型精度提高困难、传统估算方法稳定性差的问题，结合电池实际运行数据的特点，设计一种基于数据特征聚类的集成建模方法对SOC进行估算。其特征在于首先结合SOC数据波动范围较大、状态间转换频繁的特点，设计将分散范围较广的建模数据依据特征进行聚类以获取子学习机训练数据集的数据选取策略，通过缩小子学习机训练数据的分布范围提高子学习机性能；其次在集成学习时，由于每个子学习机的训练数据具有相似特征，因此利用数据与簇的相关性对数据的权重进行更新，使得子学习机在训练时具有较强的针对性；之后，将包含了多个子学习机进行集成，进一步提高模型的估算精度。基于 密度 特征 集成 锂电池 状态 估算 方法
[发明专利] 一种用于0-1规划的AB-DPSO优化算法 -CN201711312663.7 在审
发明人：
田慧欣 帅民伟
- 专利权人：
天津工业大学
申请日：
2017-12-08
-
公布日：
2018-05-11
-
主分类号：
G06N3/00 文献下载
摘要： 本发明是一种基于AB‑DPSO(改进的具有自适应性、适应于二进制编码或0‑1变量的差分进化(DE)‑粒子群(PSO)混合算法)的优化算法。包括下列步骤：(1)参数初始化(包括PSO算法和DE算法的部分参数)。(2)初始化种群，获取最优个体和最优适应度值，并将种群划分为P种群和D种群两部分。(3)进化开始，分别对PSO算法的P种群进行速度、位置自适应更新；DE算法对D种群进行变异、交叉、选择操作的自适应性更新。(4)记录每一代中P种群的最优个体和相应的适应度值；D种群中的最优个体和相应的适应度值。(5)比较两个种群的个体，判断是否满足论坛式交互学习条件，如果满足，则进行优势互补，更新两种群的个体；否则转(7)。(6)优势互补，筛选P种群和D种群中的较好个体组成新的种群，并更新P种群和D种群为筛选后的种群。(7)记录历史最优解，判断是否到达最大迭代次数，或者满足精度要求，满足则输出最优个体和最佳适应度值，否则转(3)。算法结束。AB‑DPSO算法使PSO算法、DE算法应用于二进制编码或0‑1变量的优化需求中，并且能够有效的改善算法的性能，避免陷入局部最优。一种 用于 规划 ab dpso 优化 算法
[发明专利] 基于KMDB的软测量建模数据异常点检测方法 -CN201510157690.6 有效
发明人：
田慧欣 韩梅
- 专利权人：
天津工业大学
申请日：
2015-04-03
-
公布日：
2017-12-12
-
主分类号：
G06F19/00 文献下载
摘要： 本发明是一种基于KMDB(K‑means与DBSCAN相结合的算法)的软测量建模数据异常点检测方法，其特征在于包括下列步骤(1)设定异常点比例p0与误差比较系数t。(2)对确定的样本数据集进行软测量建模，计算建模测试误差e0(选取相对误差)。(3)用建模误差指导K值的选择，将数据集划分为K类。(4)对每一类用DBSCAN算法进行异常点检测。(5)用异常数据样本占总样本的比例p调整DBSCAN算法中Eps和MinPts的选择。(6)将删除异常点的数据进行软测量建模，得到误差e。比较e与te0判断算法是否有效。(7)判断在迭代次数范围内算法是否达到设定条件，若未达到需返回(1)重新选择p0与t；否则，算法结束。KMDB算法有效地提高了聚类算法的精度及软测量模型的稳定性。基于 kmdb 测量 建模 数据 异常 检测 方法
[发明专利] 一种软测量建模方法 -CN201610817978.6 在审
发明人：
田慧欣 彭晓
- 专利权人：
天津工业大学
申请日：
2016-09-07
-
公布日：
2017-02-15
-
主分类号：
G06F17/50 文献下载
摘要： 本发明提供一种软测量建模方法。所述方法包括S110、获取用于所述软测量建模方法的M个建模数据作为待处理数据；S120、将每个所述建模数据分为数据输入部分xi和数据输出部分yi；S130、设定最大迭代次数T并初始化迭代次数t＝1；S140、利用抽样方法抽取m个所述建模数据作为训练数据，其中，m≤M；S150、选择一个单一的智能方法训练所述训练数据得到一个软测量子模型ft(x)→y；S160、计算所述软测量子模型的训练误差、误差率和权重因子；S170、所述迭代次数t+1；S180、如果所述迭代次数t小于等于所述最大迭代次数T，则返回步骤S140；S190、根据T个所述软测量子模型得到所述软测量建模方法的模型。本发明解决了软测量技术中对高维度输出变量模型建立问题，所述方法提高软测量模型的精度及泛化能力。一种 测量 建模 方法
[发明专利] 一种用于过程参数在线检测的增量集成算法 -CN201410695786.3 在审
发明人：
田慧欣
- 专利权人：
天津工业大学
申请日：
2014-11-24
-
公布日：
2015-03-25
-
主分类号：
G06F19/00 文献下载
摘要： 本发明是一种用于过程参数在线检测的增量集成算法，其特征在于包括下列步骤：(1)测量与被检测量相关的可测量，随机抽取M个子数据集。确定弱学习机个数和基准误差。(2)赋予子数据集中每个样本一个权重，并根据权重选取训练子集与测试子集。(3)对每一个弱学习机训练并测试；根据误差判断学习机，若为“优”则保留，进入步骤(4)，若为“劣”则抛弃，转到步骤(2)。(4)依据误差率将多个基本检测模型集成得到集成检测模型。(5)对集成检测模型进行检验，并计算误差率，若误差率大于基准误差，则放弃该模型，并转到步骤(2)。(6)重复步骤(2)-(5)得到M个集成检测模型。(7)将M个集成检测模型整合成最终检测模型。一种 用于 过程 参数 在线 检测 增量 集成 算法
