-
公开(公告)号：CN111415032B
公开(公告)日：2022-04-29
申请号：CN202010141610.9
申请日：2020-03-03
申请人： 东华大学
摘要： 本发明涉及一种基于迁移学习的ELM‑AE的聚酯纤维原丝生产性能预测方法。由于ELM网络结构仅有一个隐含层，且输入数据的权重及隐含层的偏置是随机生成的，浅层网络对数据特征提取具有一定的偏差，因此加深ELM网络结构用于提取数据的特征，多层隐含层采用自编码(Autoencoder:AE)进行训练提高模型的训练精度。在工业过程中，同一生产规格产品的生产数据具有难采集，采集成本造价高，采集样本数量少等特点，数据难以用来进行工业过程建模。迁移学习(Transfer Learning:TL)是在一种环境中学到的知识被用在另一个领域中来提高它的泛化性能。不同规格的产品的生产数据有相似之处，且具有一定的相关性，建立迁移学习ELM‑AE(TL‑ELM‑AE)模型，提高模型的泛化能力。
-
公开(公告)号：CN108334986B
公开(公告)日：2020-06-02
申请号：CN201810115255.0
申请日：2018-02-06
申请人： 东华大学
摘要： 本发明涉及一种基于可塑性机制的重调度方法的多智能体多目标优化方法，首先对所有智能体进行顺序编码，把智能体作为种群基因初始化种群，种群个体为针对所有智能体的调度策略，根据个体完成的前后关系建立工作流模型，再应用基于可塑性机制的重调度方法对工作流模型求解得到最优策略模型，然后应用改进的NSGA III优化算法进行多目标优化处理求得Pareto解集和目标解集，在目标解集确定最优元素并选取Pareto解集中的对应调度策略，最后按照前步选取的调度策略调度多智能体执行任务即完成多目标优化。本发明能够有效实现多目标优化，优化效果好，本发明算法的HV值≥0.450643，IGD值≤0.229190。
-
公开(公告)号：CN106102112B
公开(公告)日：2019-06-11
申请号：CN201610341107.1
申请日：2016-05-19
申请人： 东华大学
CPC分类号： Y02D70/30
摘要： 本发明涉及一种基于蚁群算法的移动Sink节点数据收集方法，无线传感器网络利用LEACH协议对传感器节点进行分簇操作得到簇头节点，簇头节点收集簇内成员节点的数据，通过改进的蚁群算法，使用激素信息标记数据的重要程度，根据簇内各个成员节点的激素浓度和簇头节点间的欧氏距离作为能见度因子，计算邻接矩阵，遍历所有簇头节点，搜索Sink节点移动的最优路径，最后按照最优路径移动Sink节点。本发明提供了一种解决无线传感器网络数据采集中的漏斗效应和能量空洞问题的方法，能够保证在网络中及时发送重要信息，并有效降低数据时延。
-
公开(公告)号：CN105897577B
公开(公告)日：2019-06-11
申请号：CN201610341073.6
申请日：2016-05-19
申请人： 东华大学
IPC分类号： H04L12/703 , H04W40/24 , H04W84/18 , G06N3/12
摘要： 本发明涉及一种可充电无线传感器网络免疫路由修复方法，在源节点与Sink节点之间建立k条不相交的路由，网络使用其中的1条路由，另外k‑1条为备份路由，将由节点能量耗尽节点引起的路由故障作为抗原，将对应的修复路由作为抗体；相应的检测模块、应答与学习模块和记忆模块来模拟免疫系统排除抗原的工作机制。学习模块中，采用了克隆选择算法。基于内分泌系统的激素调节机制，对克隆和变异机制进行了改进。通过模拟免疫系统各个模块的协同工作，ISRRA能够有效地提供故障路由的修复策略，特别适合于EH‑WSNs中相同故障路由多次出现的情况。此外，在故障路由修复过程中，ISRRA还对备份路由的质量进行评估并判断是否对备份路由进行更换，从而保证路由的质量。
-
公开(公告)号：CN106446495B
公开(公告)日：2018-08-21
申请号：CN201610312557.8
申请日：2016-05-12
申请人： 东华大学
IPC分类号： G06Q10/04
摘要： 本发明涉及一种碳纤维原丝生产过程中牵伸环节性能指标的预测方法，尤其是一种基于幂律法则改进的粒子群优化算法(PSO)优化的最小二乘支持向量机(LS‑SVM)的碳纤维原丝生产过程中牵伸环节性能指标的预测方法，发明包括以下步骤：选择碳纤维原丝生产过程中牵伸环节的六级牵伸比作为特征信息，进行线性函数归一化后建立输入样本数据集；确定影响碳纤维质量的主要性能指标，即线密度、原丝强度和断裂伸长率，进行对数函数归一化后建立输出样本数据集；根据输入—输出样本数据集建立LS‑SVM模型，采用高斯径向基函数(RBF)作为LS‑SVM的核函数，并使用PSO优化选取最佳惩罚因子C和核函数参数σ；根据幂律法则对PSO寻优过程进行改进，可以大大提升寻优速度，并实现精准预测。
-
公开(公告)号：CN108415425A
公开(公告)日：2018-08-17
申请号：CN201810127193.5
申请日：2018-02-08
申请人： 东华大学
IPC分类号： G05D1/02
摘要： 本发明提供了一种基于改进基因调控网络的分布式群机器人协同集群控制方法，通过在基于图灵反应-扩散机制的基因调控网络模型中嵌入菱形网格分布方程和轨迹跟随方程，控制每个机器人的移动矢量速度，使得初始状态为随机分布的每个机器人，在t时刻始终向预设的集群轨迹位置聚拢，同时自组织地排列为菱形网格分布，并能够在动态环境中避障以及自修复队形，本发明改进的基因调控网络模型中的参数取值由NSGA Ⅱ优化算法给出。本发明的算法计算复杂度低，拓展性好，对于任意一机器人只需采集其邻域机器人的位置信息，因此所需通信范围小，有效降低了通信负担；另外，若运行中部分机器人失效，系统仍可正常工作，鲁棒性好，极具应用前景。
-
公开(公告)号：CN107466816A
公开(公告)日：2017-12-15
申请号：CN201710605810.3
申请日：2017-07-24
申请人： 东华大学
摘要： 本发明涉及一种基于动态多层极限学习机的灌溉方法，首先采集多组训练数据，训练数据包括土壤环境数据、气象数据和灌溉作物的作物系数；然后对各组训练数据进行归一化处理构成训练集；再采用训练集训练多层极限学习机得到最终模型；最终采集测试数据并对其进行归一化处理后输入到最终模型，得到预测灌溉需水量，根据预测灌溉需水量进行灌溉。本发明根据计算精度采用“求同存异”策略，即如果模型对再次输入数据计算结果满足精度需求，则输出该模型，否则将在已有模型的基础上进行增量式学习训练，得到动态调整的模型，本发明提高了灌溉需水量的计算精度，降低了灌溉需水量预测时间损耗和计算成本，达到了合理利用水资源、合理灌溉农作物的目的。
-
公开(公告)号：CN106102112A
公开(公告)日：2016-11-09
申请号：CN201610341107.1
申请日：2016-05-19
申请人： 东华大学
摘要： 本发明涉及一种基于蚁群算法的移动Sink节点数据收集方法，无线传感器网络利用LEACH协议对传感器节点进行分簇操作得到簇头节点，簇头节点收集簇内成员节点的数据，通过改进的蚁群算法，使用激素信息标记数据的重要程度，根据簇内各个成员节点的激素浓度和簇头节点间的欧氏距离作为能见度因子，计算邻接矩阵，遍历所有簇头节点，搜索Sink节点移动的最优路径，最后按照最优路径移动Sink节点。本发明提供了一种解决无线传感器网络数据采集中的漏斗效应和能量空洞问题的方法，能够保证在网络中及时发送重要信息，并有效降低数据时延。
-
公开(公告)号：CN114694762A
公开(公告)日：2022-07-01
申请号：CN202210201454.X
申请日：2022-03-02
申请人： 东华大学
IPC分类号： G16C20/10 , G16C20/30 , G06F30/23 , G06F113/12 , G06F119/08
摘要： 本发明涉及一种聚酯纤维聚合过程的分段建模预测方法，预测模型由气液平衡方程、反应速率方程、物料平衡方程和质量守恒方程联立得到，包括酯化阶段的动态机理模型、预缩聚阶段的动态机理模型和终缩聚阶段的动态机理模型。在静态机理模型的基础上，增加时间维度，建立偏微分方程组，采用MOL直线法对偏微分方程组进行求解得到酯化、预缩聚或终缩聚阶段液相中端羧基的浓度、端羟基的浓度和二甘醇的浓度，从而实现对酯化、预缩聚或终缩聚阶段酯化率、产物聚对苯二甲酸乙二醇酯平均分子量、产物聚对苯二甲酸乙二醇酯平均聚合度和产物聚对苯二甲酸乙二醇酯中二甘醇含量百分比的预测。本发明实现了实时预测聚合过程各个反应物的生产变化情况。
-
公开(公告)号：CN111738482B
公开(公告)日：2022-04-29
申请号：CN202010311105.4
申请日：2020-04-20
申请人： 东华大学
摘要： 本发明涉及一种聚酯纤维聚合过程中的工艺参数的调节方法，获取聚酯纤维性能指标的预测值后，将其与设定值进行比较，根据比较结果调整聚酯纤维聚合过程中的工艺参数；预测值的获取过程为：首先从传感器采集到的所有特征数据中收集m个特征数据；然后基于网格搜索的极限梯度提升树算法对m个特征数据进行特征相关性排序；对排序好的m个特征数据选取特征相关性较大的前n个特征数据；接着对n个特征数据的所有样本进行归一化处理；最后运用加权的双流双向长短时记忆注意力网络处理归一化后的n个特征数据，分别输出4种所述聚酯纤维性能指标的预测值。本发明可高精度地获取聚酯纤维性能指标的预测值，进而能更好地指导工业生产。
-
-
-
-
-
-
-
-
-
搜索结果
50 条记录 (耗时 0.028 秒)
