-
公开(公告)号：CN111275003B
公开(公告)日：2023-08-01
申请号：CN202010101031.1
申请日：2020-02-19
Applicant: 煤炭科学研究总院 , 中国矿业大学 , 中国科学院沈阳自动化研究所
IPC: G06F18/24 , G06F18/213 , G06F18/214 , G01V1/28
Abstract: 一种基于类最优高斯核多分类支持向量机的微震信号识别方法，属于机器学习与数据挖掘领域。首先，对微震数据按照信道划分，并进行数据格式转换；其次，对每个信道数据根据均值和方差进行特征提取，并将同一样本的所有信道合并，构成新特征，利用类最优高斯核多分类支持向量机，对合成数据进行特征选择，生成降维后的非平衡训练样本集；再次，根据训练样本的非平衡率，确定欠采样倍率，对大类样本进行欠采样；最后，采用多分类支持向量机构建降维后的微震信号分类器。本发明可以有效减少冗余特征对分类的影响；通过对信道特征和合并特征进行双重降维，有效降低微震信号维度，提高微震信号分类器的正确率和时效性，增加冲击地压灾害预警的准确率。
-
公开(公告)号：CN119573756A
公开(公告)日：2025-03-07
申请号：CN202411690207.6
申请日：2024-11-25
Applicant: 中国科学院沈阳自动化研究所
IPC: G01C21/34
Abstract: 本发明涉及一种基于改进人工势场法的移动机器人径规划方法。该方法通过引入正弦距离因子建立了一种新的斥力函数，使得机器人受到的斥力随着其与目标点的接近而逐渐减小到零，能够避免机器人无法到达目标点的问题；当遇到局部极小值问题时，采用障碍物边界点群切向量算法来计算临时目标点，通过在障碍物边界建立一些虚拟的障碍物可见点群，充分考虑了障碍物的大小与形状，借助临时目标点的引力，通过先到达临时目标点来跳出局部极小值；采用自适应步长法来计算机器人下一步要移动的距离，减少算法迭代的次数和规划时间同时能够更好的避开障碍物，并且可以避免机器人与障碍物过近而被反弹回去的问题。本发明大幅度提高了传统APF算法路径规划的效率，具有重要的理论意义和实用价值。
-
公开(公告)号：CN119027940A
公开(公告)日：2024-11-26
申请号：CN202310588128.3
申请日：2023-05-24
Applicant: 中国科学院沈阳自动化研究所
Abstract: 本发明涉及一种多机器人协同类脑SLAM方法，单机器人将采集环境图像经过特征提取形成环境描述子，增量式构建二叉搜索树，检索曾见过的场景以及存储新场景信息，完成回环检测；将回环检测结果与机器人里程计信息通过类脑位姿细胞网络编码成对环境空间的描述，并形成环境的经验地图；多机器人间通过共享视觉信息，以集中式的通讯结构进行基于视觉的多机器人重叠区域检测；根据重叠区域进行相对位姿估计；将位姿估计结果返回给从机器人进行地图融合，以一种新的图松弛算法进行地图融合，得到全局一致的经验地图。本发明所述方法可以显著提高基于类脑SLAM的建图效率，提升类脑方法的实用性，具有重要的理论意义和使用价值。
-
公开(公告)号：CN109447309A
公开(公告)日：2019-03-08
申请号：CN201811029046.0
申请日：2018-09-05
Applicant: 中国电力科学研究院有限公司 , 国家电网有限公司 , 中国科学院沈阳自动化研究所
Abstract: 一种舞动数据的挖掘方法及系统，包括：基于输电线路舞动的潜在影响因子对舞动信息记录表进行筛选获得第一类影响因子；基于所述第一类影响因子对应的相关系数和预先构建的支持向量机模型，对所述第一类影响因子中的各影响因子进行排序，从排序后的第一类影响因子中选择满足预设条件的影响因子作为第二类影响因子；将舞动信息记录表中所述第二类影响因子对应的输电线路相关数据作为舞动分析的舞动数据。本发明可以提取出与舞动发生率密切相关的影响因子，提高舞动预测预警的准确率。
-
公开(公告)号：CN109446474A
公开(公告)日：2019-03-08
申请号：CN201811029062.X
申请日：2018-09-05
Applicant: 中国电力科学研究院有限公司 , 国家电网有限公司 , 中国科学院沈阳自动化研究所
Abstract: 一种数据舞动性的展示方法及系统，包括：基于输电线路舞动的潜在影响因子对舞动信息记录表进行筛选获得第一类影响因子；基于所述舞动信息记录表中舞动数据之间的相关性对第一类影响因子进行降维处理得到第二类影响因子；基于所述第二类影响因子对数据舞动性进行展示。本发明提供的技术方案可以直观地展示数据正负样本的分布情况，便于了解舞动数据特点，为通过舞动数据预测输电线路舞动提供了依据。
-
Patent Agency Ranking
公开(公告)号：CN114722850B
公开(公告)日：2025-04-08
申请号：CN202011526846.0
申请日：2020-12-22
Applicant: 中国科学院沈阳自动化研究所
IPC: G06F18/2431 , G06F18/241 , G06F18/10 , G06N3/084 , G06F18/214
Abstract: 本发明提供了一种基于概率黎曼学习空间量化的运动想象脑电信号识别方法，将脑电信号用空间协方差矩阵来表示，将空间协方差矩阵看作黎曼空间中的点，采用黎曼仿射不变距离计算点间的距离；利用该黎曼距离建立数据的类高斯混合模型，以此构建概率学习黎曼空间量化方法，采用贝叶斯理论为各类别脑电信号学习若干个带标签的原型，并学习类高斯混合函数中的方差参数；采用最大后验概率的方法进行最终的识别，将待识别样本的最大后验概率所对应的标签预测为该样本的类别。本发明采用空间协方差矩阵作为输入特征，避免复杂的脑电信号预处理计算；不需要大量的学习样本并且能够产生概率输出，有助于建立性能稳定的脑机接口系统。
-
公开(公告)号：CN119337117A
公开(公告)日：2025-01-21
申请号：CN202310875714.6
申请日：2023-07-18
Applicant: 中国科学院沈阳自动化研究所
IPC: G06F18/213 , G06F18/214 , G06N3/04 , G06F17/11
Abstract: 本发明涉及一种基于黎曼迁移学习的EEG信号解码方法。该方法将EEG信号表征为协方差矩阵特征，转换到对称正定黎曼空间，利用黎曼迁移学习方法降低相同实验范式下同一受试者在不同时间段采集的EEG信号或者不同受试者采集的EEG信号存在的数据分布的差异，以提高待识别目标EEG信号的解码精度。本发明利用黎曼几何变换将其他时间段或者其他受试者的EEG信号对应的源数据集和待识别EEG信号对应的目标数据集平移转换到统一的分布下，再利用源数据集上训练的基于对数欧式度量学习的概率学习矢量量化方法来识别目标EEG信号，能够大幅度提高目标EEG信号的识别精度。与此同时，采用对数欧式度量，计算效率比仿射不变度量更高，具有重要的理论意义与实用价值。
-
公开(公告)号：CN119027598A
公开(公告)日：2024-11-26
申请号：CN202310588138.7
申请日：2023-05-24
Applicant: 中国科学院沈阳自动化研究所
IPC: G06T17/05 , G06V10/74 , G06V10/80 , G06V10/764
Abstract: 本发明涉及一种经验地图的重用方法，将采集环境图像经过特征提取形成环境描述子，增量式构建二叉搜索树，利用动态岛屿机制，以快速检索与序列匹配的方式，建立高效的环境位置识别方法，改进类脑RatSLAM系统的局部视觉感知细胞，同时为经验地图重用提供高效准确的新旧地图重叠区域检测方法；建立经验地图的离线保存与加载重构方法，使机器人可以直接拥有旧的经验地图；提出新的图松弛算法位置更新规则，在新旧地图重叠位置，实现新旧地图融合，形成统一的全局地图。本发明所述方法大幅度提高了经验制图的精度和效率，提供了一种经验地图复用方法，可以有效解决机器人因电池能力有限无法一次性完成环境建图的问题，具有重要的理论意义与使用价值。
-
公开(公告)号：CN116434888A
公开(公告)日：2023-07-14
申请号：CN202310327262.8
申请日：2023-03-30
Applicant: 中国科学院沈阳自动化研究所
IPC: G16C60/00 , G06F30/23 , G06F113/26 , G06F111/04
Abstract: 本发明属于复合材料结构与人工智能交互领域，具体说是基于人工智能的双稳态复合材料结构振动频率优化方法，包括以下步骤：对随机生成的柱壳结构纤维铺设角度数据，并对数据进行分类；将数据进行训练，得到判断符合约束条件的分类器；建立有限元模型，并将满足约束条件的数据输入到有限元模型中，获取到不同纤维铺设角度、不同弧长和不同包角所对应的振动频率，并输入到BP神经网络中，得到振动频率的计算模型；将分类器与计算模型作为改进的粒子群优化算法的目标函数，纤维铺设角度、初始半径和包角作为设计变量，获得满足约束条件下的最大振动频率所对应的参数值。本发明适用于双稳态复合材料振频的优化，也适用于其他复合材料结构性能的优化。
-
公开(公告)号：CN114510956B
公开(公告)日：2024-11-22
申请号：CN202011170973.1
申请日：2020-10-28
Applicant: 中国科学院沈阳自动化研究所
IPC: G06F18/241 , G06F18/10 , G06F18/214 , G06N3/084
Abstract: 本发明涉及一种基于黎曼空间量化的多类别运动想象脑电信号识别方法，将不同运动想象任务诱发的脑电信号转换为空间协方差矩阵；将这种矩阵看作黎曼对称空间中的点，采用对数欧式距离度量点间距离；基于该距离构建黎曼空间量化方法与度量学习方法，在黎曼空间中为每一类别脑电信号样本学习若干带标签的原型，并学习样本与原型间的距离度量函数；采用赢者全拿策略，将与待识别脑电信号最近的原型的标签识别为其类别。本发明所述方法采用空间协方差作为输入特征，避免复杂的脑电信号预处理计算；是天然的多类别脑电信号识别方法，避免传统采用一对一等策略将二分类方法扩展到多分类所需要的复杂操作，有效地提升了多类别运动想象脑电信号的识别能力。
-
-
-
-
-
-
-
-
-
Search Results
16
records
(took 0.037 seconds)
