分布式力觉同步感知方法及系统

    公开(公告)号:CN102122204A

    公开(公告)日:2011-07-13

    申请号:CN201110009143.5

    申请日:2011-01-17

    Abstract: 本发明涉及分布式力觉同步感知方法及系统,主要由一台服务器、三套计算和显示终端和三台Falcon三维力反馈设备组网连接而成。分布式力觉同步感知方法包括:构建立体迷宫场景;数据采集模块对输入力反馈装置的触发信号进行去噪、A/D转换等一系列的处理后,转向远程通信模块;远程通信模块将多路输入信号汇总,合成计算小球的速度、位置等参数;场景同步模块将多个客户端的场景进行同步处理;实时检测碰撞;若小球与管道发生碰撞,则进行碰撞响应;根据力反馈实时解算向客户端同步输出大小和方向一致的反馈力。参与者在体验过程中不仅可以感受到球的重量、碰撞时冲击力等力反馈感觉,而且可以感知到由位于异端操作者操作所带来的力触觉。

    基于图灵机模型的增强现实装配环境系统建模方法

    公开(公告)号:CN102073758A

    公开(公告)日:2011-05-25

    申请号:CN201010608052.9

    申请日:2010-12-16

    Abstract: 本发明涉及基于图灵机模型的增强现实装配环境系统HCPN建模方法,它借鉴了一种模型为计算“X+1”的图灵机,即能够记录当前状态X,在给入输入后得到最新的命令,并给出最新的状态输出,并应用到层次着色Petri网模型的建立中,使其能够记住当前内部状态并结合输入,作出正确的下一刻状态的判断。并采用CPN Tools建立增强现实装配环境系统的模型,首先将网络进行分层,将虚拟手子网、事件管理子网、装配子网等进行细化,利用每个子网的输入输出来实现事件的驱动,在网络中明确各种因素之间的关系,使其具有逻辑推理性,能够有效地处理大量的随机离散事件,便于表达装配模型的动态建立过程,具备感知用户意图的能力。

    具有导向头的柔性蠕动管道机器人

    公开(公告)号:CN101625062A

    公开(公告)日:2010-01-13

    申请号:CN200910088008.7

    申请日:2009-07-06

    Abstract: 本发明公开了一种具有导向头的柔性蠕动管道机器人,它包括:左半球壳和右半球壳,左、右半球壳的端部设有左、右法兰盘、左半球壳内设有驱动装置,该驱动装置与螺纹软轴构成螺旋传动,螺纹软轴的右端穿过左半球壳与右法兰盘固连,在右半球壳的顶端球铰一导向头,该导向头的底板左表面设有沿圆周方向均匀分布的四个滑槽,该滑槽中滑动连接有导向机构,该导向机构的另一端与左法兰盘上的四个电磁铁分别对应,右法兰盘上设有与导向机构相对应的止动器,左、右法兰盘上分别环设有若干推拉轮杆机构和若干支撑轮,该发明所得到的机器人能够顺利通过T形管道,在运动过程中推拉轮杆上的电磁轮始终与管道内部接触,稳定性好。

    一种基于近邻搜索分簇的电力调度监控数据异常检测方法

    公开(公告)号:CN114722947B

    公开(公告)日:2024-12-06

    申请号:CN202210383775.6

    申请日:2022-04-12

    Abstract: 本发明实施例提出了一种基于近邻搜索分簇的电力调度监控数据异常检测方法,包括:将带正异常标签的电力调度监控历史数据作为训练数据集输入,通过计算样本之间的欧氏距离寻找异常样本在特征空间中的k个近邻;通过异常样本的近邻标签确定该样本是否为噪声或属于某个异常样本簇,并在该样本近邻中依次迭代搜索直到不再找到更多的属于该簇的异常样本;对分簇后的数据过滤噪声并计算每个簇中需要生成的异常样本数量,据此利用SMOTE线性插值在各个簇内合成新样本以平衡数据集;使用平衡后的数据集训练随机森林模型,以检测电力调度监控数据中的异常样本。本发明实施例提供的技术方案,能够提升电力调度监控数据异常检测的准确率。

    一种基于多粒度近邻图的智能电表故障分类方法

    公开(公告)号:CN116543198A

    公开(公告)日:2023-08-04

    申请号:CN202310363977.9

    申请日:2023-04-06

    Abstract: 本发明实施例提出了一种基于多粒度近邻图的智能电表故障分类方法,包括:将智能电表不同类别下的故障历史数据作为输入数据集,划分得到多个二类数据集;针对每个二类数据集,将每个样本作为目标样本,以目标样本和不同数量近邻样本构成多粒度近邻图,作为后续分类任务中的训练样本;基于构造的近邻图数据集,设计自编码器实现对近邻图节点特征的提取,根据近邻图的节点编码特征和近邻图原始节点邻接关系训练图注意力神经网络用于近邻图分类任务;对于给定测试样本,组合其测试样本与其对应的不同数量近邻样本构成的近邻样本组,经近邻图分类结果集成后得到分类器在每个二类数据集下的判别结果,通过软投票得到其故障类别。

    一种基于密度距离综合决策的电力调度监控数据异常检测方法

    公开(公告)号:CN113608968B

    公开(公告)日:2023-06-23

    申请号:CN202110967252.1

    申请日:2021-08-23

    Abstract: 本发明实施例提出了一种基于密度距离综合决策的电力调度监控数据异常检测方法,包括:将电力调度监控历史数据作为输入数据集,通过局部可达距离与核密度估计来计算样本的局部密度;使用自然对数函数作为缩放函数,计算每个样本与其近邻的密度比;通过欧式距离找到每个样本密度比自身大的近邻,计算密度提升距离;将局部密度比与密度提升距离标准化后计算乘积,得到最终的异常分数,并判定数据中的异常样本。本发明实施例提供的技术方案,能够提升电力调度监控数据异常检测的准确率。

    基于有向密度比变化率的电力调度监控数据异常检测方法

    公开(公告)号:CN115293221A

    公开(公告)日:2022-11-04

    申请号:CN202210295273.8

    申请日:2022-03-23

    Abstract: 本发明实施例提出了基于有向密度比变化率的电力调度监控数据异常检测方法,包括:将电力调度监控历史数据作为输入数据集,通过核密度估计与扩展近邻集合来计算样本的局部核密度;结合局部核密度与样本之间的距离向量,计算每个样本与其近邻样本的有向密度比之和;通过有向密度比的二范数计算样本与其近邻的有向密度比的变化率;将不同参数下的有向密度比变化率进行求和,得到每个样本的最终异常分数,据此判定电力调度监控数据中的异常样本。本发明实施例提供的技术方案,能够提升电力调度监控数据异常检测的准确率与稳定性。

    一种基于样本全局再平衡的智能电表故障分类方法

    公开(公告)号:CN114781495A

    公开(公告)日:2022-07-22

    申请号:CN202210348671.1

    申请日:2022-04-01

    Abstract: 本发明实施例提出了一种基于样本全局再平衡的智能电表故障分类方法,包括:将智能电表不同类别下的故障历史数据作为输入数据集,划分得到多个二类数据集;针对每个二类数据集,构建VAE与GAN的融合模型,分别将每个样本作为模型的输入,将其隐编码划分为重要特征编码和次要特征编码;通过隐编码重构技术得到其变异隐编码,经解码器还原、互信息约束与判别器对抗,生成多个考虑输入样本重要特征的可靠相似变异样本;设计作用于两类样本隐编码之间的特征斥力技术进行有监督的特征表示学习;通过混合编码技术叠加样本各维度重构误差作为重要特征编码的补充,据此判定待测样本在每个二类数据集下的分类结果,通过硬投票得到其故障类别。

    一种基于反转信息熵动态集成的电力调度监控数据异常检测方法

    公开(公告)号:CN113128913B

    公开(公告)日:2022-05-17

    申请号:CN202110529495.7

    申请日:2021-05-14

    Abstract: 本发明实施例提出了一种基于反转信息熵动态集成的电力调度监控数据异常检测方法,包括:将电力调度监控历史数据划分为训练集和验证集,使用训练集训练一定数量的基分类器,基分类器的输出为输入数据属于正常类的概率;使用异常类标记方法将验证集中一部分历史数据标记为异常类;使用KNN算法从验证集中选择与待检测数据欧式距离较小的历史数据作为验证子集;使用基于反转信息熵的基分类器评价方法计算基分类器在验证子集中数据上的得分;使用基于无参数统计学假设检验的基分类器选择方法根据得分选择基分类器,平均所选基分类器的输出作为待检测数据的检测结果。本发明实施例提供的技术方案,能够降低电力调度监控数据异常检测的漏报率。

    一种基于特征相关性分区回归的电力调度监控数据异常检测方法

    公开(公告)号:CN113591400A

    公开(公告)日:2021-11-02

    申请号:CN202110968331.4

    申请日:2021-08-23

    Abstract: 本发明实施例提出了一种基于特征相关性分区回归的电力调度监控数据异常检测方法,包括:将电力调度监控历史数据划分为训练集和测试集,基于皮尔逊相关系数计算训练集特征间的相关系数矩阵;根据计算所得相关系数矩阵对训练集进行特征子空间的划分;根据特征子空间内特征相关程度的高低选择特征作为伪标签,剩余特征作为预测属性,基于支持向量回归SVR训练用于预测伪标签的回归模型;对测试集进行与训练集相同的特征子空间划分,并使用对应的回归模型计算各特征子空间中测试集样本的异常程度;根据特征子空间内相关程度计算所对应的权重;根据加权后集成的最终异常分数获得测试集样本的检测结果。

Patent Agency Ranking