专利名称
主分类
A 农业
B 作业;运输
C 化学;冶金
D 纺织;造纸
E 固定建筑物
F 机械工程、照明、加热
G 物理
H 电学
专利下载VIP
公布日期
2023-10-24 公布专利
2023-10-20 公布专利
2023-10-17 公布专利
2023-10-13 公布专利
2023-10-10 公布专利
2023-10-03 公布专利
2023-09-29 公布专利
2023-09-26 公布专利
2023-09-22 公布专利
2023-09-19 公布专利
更多 »
专利权人
国家电网公司
华为技术有限公司
浙江大学
中兴通讯股份有限公司
三星电子株式会社
中国石油化工股份有限公司
清华大学
鸿海精密工业股份有限公司
松下电器产业株式会社
上海交通大学
更多 »
钻瓜专利网为您找到相关结果131个,建议您升级VIP下载更多相关专利
  • [发明专利]一种蜗杆牵引交替夹持拉挤机-CN202211310854.0在审
  • 夏永祥;龙建雪;华宁 - 盐城恒华智造科技有限公司
  • 2022-10-25 - 2023-03-28 - B29C70/52
  • 本发明涉及一种蜗杆牵引交替夹持拉挤机,它由两套相同拉挤设备组成,其中任一套中的动力控制装置包含有:伺服电机、减速机和升降机,所述伺服电机、减速机和升降机固定在机架上,升降机内设有蜗轮和蜗杆,蜗杆卧置,其一端与所述连接座固定连接,另一端与所述蜗轮相啮合连接。伺服电机输出轴与减速机输入轴相连接,减速机输出轴与升降机蜗轮相连接,蜗轮正反向转动带动蜗杆前后运动。与传统的液压控制牵相比:有投资小、能耗低、动作过程控制精准和维护价廉的优点。
  • 一种蜗杆牵引交替夹持拉挤机
  • [发明专利]一种周期时间序列异常检测方法-CN202211423138.3在审
  • 刘春山;廖世波;夏永祥;涂海程;赵楼 - 杭州电子科技大学
  • 2022-11-15 - 2023-03-07 - H04L43/08
  • 本发明公开了一种周期时间序列异常检测方法,包括如下步骤:步骤S1:历史时间序列数据预处理;步骤S2:搭建基于GRU和自编码器网络的异常检测模型;步骤S3:以随机洗牌方式训练模型;步骤S4:根据训练数据确定异常检测阈值;步骤S5:执行异常检测。该方法的核心思想是将原始时间序列经过GRU‑AE模型得到重构序列,再计算原始时间序列和重构时间序列之间的重构误差,最后根据重构误差识别序列中的异常点。在本发明中,采用多时间节点输入方式,加快模型的训练速度,也更好地学习时间序列之间的规律,并且提出了一种新的模型训练方式,以减少过拟合现象。
  • 一种周期时间序列异常检测方法
  • [实用新型]一种蜗杆牵引交替夹持拉挤机-CN202222812729.1有效
  • 夏永祥;龙建雪;华宁 - 盐城恒华智造科技有限公司
  • 2022-10-25 - 2023-01-31 - B29C70/52
  • 本实用新型涉及一种蜗杆牵引交替夹持拉挤机,它由两套相同拉挤设备组成,其中任一套中的动力控制装置包含有:伺服电机、减速机和升降机,所述伺服电机、减速机和升降机固定在机架上,升降机内设有蜗轮和蜗杆,蜗杆卧置,其一端与所述连接座固定连接,另一端与所述蜗轮相啮合连接。伺服电机输出轴与减速机输入轴相连接,减速机输出轴与升降机蜗轮相连接,蜗轮正反向转动带动蜗杆前后运动。与传统的液压控制牵相比:有投资小、能耗低、动作过程控制精准和维护价廉的优点。
  • 一种蜗杆牵引交替夹持拉挤机
  • [发明专利]基于改进聚类算法的电力系统运行关键特征选择方法-CN202210965713.6在审
  • 左一帆;涂海程;夏永祥;刘春山 - 杭州电子科技大学
  • 2022-08-12 - 2022-11-08 - G06K9/62
  • 本发明公开了一种基于改进聚类算法的电力系统运行关键特征选择方法,包括如下步骤:S1、将高维的电力数据组成的数据集处理成由每一个电气特征组成的数据集;S2、通过部分优先聚类算法产生聚类成员;S3、通过Co‑association矩阵进行聚类融合;S4、特征选择算法对电气特征进行聚类,并选择出关键属性。本发明方法通过改进的聚类算法来实现电力大数据的快速精确聚类,然后在得到聚类结果的基础上实现关键特征选择,实现对数据集的降维。本发明一方面有利于快速实现聚类,降低计算复杂度的同时还可以减少时间复杂度。另一方面可以实现可靠的聚类结果,保证了对电力大数据进行关键特征选择的可靠性。
  • 基于改进算法电力系统运行关键特征选择方法

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

400-8765-105周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top