CN110363214A - 一种基于gwa-svm的机器人装配的接触状态识别方法 - Google Patents
一种基于gwa-svm的机器人装配的接触状态识别方法 Download PDFInfo
- Publication number
- CN110363214A CN110363214A CN201910468277.XA CN201910468277A CN110363214A CN 110363214 A CN110363214 A CN 110363214A CN 201910468277 A CN201910468277 A CN 201910468277A CN 110363214 A CN110363214 A CN 110363214A
- Authority
- CN
- China
- Prior art keywords
- svm
- population
- parameter
- individual
- gwa
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Feedback Control In General (AREA)
- Manipulator (AREA)
Abstract
一种基于GWA‑SVM的机器人装配的接触状态识别方法,包括以下步骤:步骤1:使用工业机器人装配零件,采集装配过程中的力数据;步骤2:设定初始参数;步骤3:将数据集进行标准化处理;步骤4:利用混沌逻辑映射策略初始化SVM参数的种群;步骤5:利用改进的反向学习策略优化SVM参数的种群;步骤6:使用GWA算子更新种群;步骤7:计算种群个体的适应度,并更新最优个体;步骤8:若当前迭代达到最大允许迭代次数,则执行步骤9;否则,t=t+1并返回步骤6;步骤9:结束SVM参数优化过程,将最优SVM参数C和γ和训练数据集代入SVM,建立基于GWA‑SVM的接触状态识别模型;步骤10:利用接触状态模型去识别测试数据集,绘制分类结果图。本发明分类精度较高。
Description
技术领域
本发明属于机器学习与机器人控制技术领域,适用于利用工业机器人装配零件的接触状态识别的领域。具体地说,涉及一种基于全局最优鲸鱼算法(G-best WhaleAlgorithm,以下简称GWA)和支持向量机(Support Vector Machine,以下简称SVM)的接触状态识别方法。
背景技术
工业机器人是柔性自动化的核心设备。在生产中的应用,工业机器人对提高劳动生产率,提高产品质量,改善劳动条件,提高企业的竞争能力和应变能力,促进新产业的建立和发展,改变劳动结构,以及促进相关学科的技术进步,均发挥了重大的社会效益和经济效益。当机械臂末端与工作环境有任何接触时,只依靠位置控制是难以满足要求的。对装配力的分析有助于解决装配过程中的位置不确定性问题。接触状态识别是通过采集装配过程中的力和力矩信号,将抽象知识或环境感知添加到机器人柔顺控制系统。接触状态识别方法影响了机器人的装配精度和运行效率,故有必要对接触状态识别方法进行研究。
接触状态识别的方法主要基于机器学习算法,这类分类算法得到的预测类别即是对应的装配接触状态。一些简单的机器学习算法如模糊分类算法和朴素贝叶斯算法,能够预测力数据所属的类别,然而该类算法分类精度较低,无法应用于实际装配任务。复杂机器学习算法如混合分类器或集成分类器能够在一定程度上提高分类精度,但是没有针对零件力数据特性的改进,且计算时间大大增加。
因此,设计一种面向零件装配过程的接触状态识别方法,对工业机器人自动化装配的研究与开发是非常必要的。
发明内容
为了克服现有分类方法对工业机器人零件装配力数据分类精度较低的不足,本发明提供一种分类精度较高的基于GWA-SVM的机器人装配的接触状态识别方法。
本发明解决其技术问题所采用的技术方案是:
一种基于GWA-SVM的机器人装配的接触状态识别方法,包括以下步骤:
步骤1:使用工业机器人装配零件,采集多组装配过程中的力数据,建立训练数据集{X1,L1}与测试数据集{X2,L2},其中X1,X2为装配过程中采集的六维力数据X=(fx,fy,fz,mx,my,mz),fx,fy,fz分别为沿x,y,z轴方向的力数据,mx,my,mz分别为绕x,y,z轴的力矩数据。L1,L2为分别与X1,X2对应的接触状态,即数据所属的类别,训练数据X1共分为Y类;
步骤2:设定初始参数,包括种群大小M,SVM的惩罚参数C的搜索范围[Cmin,Cmax],SVM的核参数γ的搜索范围[γmin,γmax],当前迭代次数t=0,种群优化最大允许迭代次数tm;
步骤3:将训练数据集{X1,L1}与测试数据集{X2,L2}进行标准化处理:
式中,xi,j代表六维力数据集X的第i个样本的第j个特征,代表六维力数据集X的第j个特征的最小值,代表六维力数据集X的第j个特征的最大值,x’i,j代表标准化后的六维力数据集X的第i个样本的第j个特征,将X1,X2的所有样本的特征都按公式(1)进行处理;
步骤4:利用混沌逻辑映射策略生成初始的SVM参数的种群。设向量Sk=(pk,1,pk,2)是初始的SVM参数的种群中的第k个体。其中pk,1和pk,2分别是对应于SVM的惩罚参数C和核参数γ的一个候选解。混沌逻辑映射策略生成的初始种群描述为:
式中,r1,h是介于0到1之间的随机数且h=1,2。当h=1时,和分别为Cmin和Cmax;当h=2时,和分别为γmin和γmax;
步骤5:利用改进的反向学习策略优化初始的SVM参数的种群:
式中,Pk,h是对应于混沌逻辑映射策略生成的个体特征pk,h的反向特征,Pk是对应于种群个体pk的反向个体。其中适应度函数V(p)分别以种群个体和标准化后的训练数据集为函数变量和输入常量,函数值为根据K折交叉验证得到的SVM的分类误差;根据个体的适应度函数值,如果反向个体Pk比原始个体pk好,则初始种群中的原始个体被反向个体所取代;否则,保留原始个体;
步骤6:使用GWA算子更新SVM参数的种群,设定r为[0,1]范围内的一个随机向量,S(t)是当代种群,Sr(t)是当代种群中的一个随机个体,Sm(t)是当代最优个体,且初始种群S(0)={S1,S2,…,SM},GWA算子的变量设置如下:
A=(2-2t/tm).r (6)
Wr(t)=A.|S(t)-Sr(t)| (7)
Wm(t)=1.5A.|Sm(t)-S(t)| (8)
根据公式(9)来更新种群:
式中,h是介于[-1,1]之间的随机数,q是介于[0,1]之间的随机数,Q是介于[0,2]之间的随机向量;
步骤7:计算种群个体的适应度函数值,更新最优个体的位置向量;
步骤8:若当前迭代达到最大允许迭代次数,则执行步骤9;否则,t=t+1并返回步骤6;
步骤9:结束SVM参数优化过程,输出最优参数C和γ,将最优SVM参数和标准化后的训练数据集代入SVM里面,建立基于GWA-SVM的接触状态识别模型;
步骤10:利用建立好的接触状态模型去识别标准化后的测试数据集,将预测类别Lp和实际类别L2对比,绘制分类结果图。
本发明的有益效果主要表现在:
1.GWA算法结合原始的鲸鱼优化算法局部搜索能力强和全局最优人工蜂群算法全局搜索能力强的优点,使得该混合算法具有较快的收敛速度和较好的收敛精度。
2.GWA算法在离线状态下优化SVM的参数,不会增加GWA-SVM识别接触状态所消耗的时间。
3.GWA-SVM在工业机器人零件装配的接触状态分类方面更加精确。
附图说明
图1是基于GWA-SVM的零件装配的接触状态识别流程图
图2是刚性零件装配的接触状态分类结果图。
图3是柔性零件装配的接触状态分类结果图。
具体实施方式
下面结合附图对本发明作进一步描述。
参照图1~图3,一种基于GWA-SVM的机器人装配的接触状态识别方法,包括以下步骤:
步骤1:使用三菱工业机器人RV-2F装配零件,通过六维力传感器4F-FS001-W200采集多组装配过程中的力数据,建立训练数据集{X1,L1}与测试数据集{X2,L2}。其中X1,X2为装配过程中采集的六维力数据X=(fx,fy,fz,mx,my,mz),fx,fy,fz分别为沿x,y,z轴方向的力数据,mx,my,mz分别为绕x,y,z轴的力矩数据。L1,L2为分别与X1,X2对应的接触状态,即数据所属的类别,训练数据X1共分为6类。
步骤2:设定初始参数,包括种群大小M=30,SVM的惩罚参数C的搜索范围[0.001,10000],SVM的核参数γ的搜索范围[0.001,10000],当前迭代次数t=0,种群优化最大允许迭代次数tm=20。
步骤3:将训练数据集{X1,L1}与测试数据集{X2,L2}进行标准化处理:
式中,xi,j代表六维力数据集X的第i个样本的第j个特征,代表六维力数据集X的第j个特征的最小值,代表六维力数据集X的第j个特征的最大值,x’i,j代表标准化后的六维力数据集X的第i个样本的第j个特征。将X1,X2的所有样本的特征都按公式(1)进行处理。
步骤4:利用混沌逻辑映射策略生成初始的SVM参数的种群。设向量Sk=(pk,1,pk,2)是初始的SVM参数的种群中的第k个体。其中pk,1和pk,2分别是对应于SVM的惩罚参数C和核参数γ的一个候选解。混沌逻辑映射策略生成的初始种群描述为:
式中,r1,h是介于0到1之间的随机数且h=1,2。当h=1时,和分别为0.001和10000;当h=2时,和分别为0.001和10000。
步骤5:利用改进的反向学习策略优化初始的SVM参数的种群:
式中,Pk,h是对应于混沌逻辑映射策略生成的个体特征pk,h的反向特征,Pk是对应于种群个体pk的反向个体。其中适应度函数V(p)分别以种群个体和标准化后的训练数据集为函数变量和输入常量,函数值为根据K折交叉验证得到的SVM的分类误差。根据个体的适应度函数值,如果反向个体Pk比原始个体pk好,则初始种群中的原始个体被反向个体所取代;否则,保留原始个体。
步骤6:使用GWA算子更新SVM参数的种群。设定r为[0,1]范围内的一个随机向量,S(t)是当代种群,Sr(t)是当代种群中的一个随机个体,Sm(t)是当代最优个体,且初始种群S(0)={S1,S2,…,SM}。GWA算子的变量设置如下:
A=(2-2t/tm).r (6)
Wr(t)=A.|S(t)-Sr(t)| (7)
Wm(t)=1.5A.|Sm(t)-S(t)| (8)
根据公式(9)来更新种群:
式中,h是介于[-1,1]之间的随机数,q是介于[0,1]之间的随机数,Q是介于[0,2]之间的随机向量。
步骤7:计算种群个体的适应度函数值,更新最优个体的位置向量。
步骤8:若当前迭代达到20代,则执行步骤9;否则,t=t+1并返回步骤6。
步骤9:结束SVM参数优化过程,输出最优参数C和γ。将最优SVM参数和标准化后的训练数据集代入SVM里面,建立基于GWA-SVM的接触状态识别模型。
步骤10:利用建立好的接触状态模型去识别标准化后的测试数据集。将预测类别Lp和实际类别L2对比,绘制分类结果图。
本实例通过GWA和SVM的结合,提高了GWA-SVM分类算法的模式识别精度。且实例结果表明GWA-SVM分类算法能够较快的识别机器人零件装配的接触状态,且预测接触状态与实际接触状态相差不大。
以上列举的仅是本发明的具体实施例。显然,本发明不限于以上实施例,还可以有许多变形。本领域的普通技术人员还能从本发明公开的内容直接导出或联想到的所有变形,均应认为是本发明的保护范围。
Claims (1)
1.一种基于GWA-SVM的机器人装配的接触状态识别方法,其特征在于,所述方法包括以下步骤:
步骤1:使用工业机器人装配零件,采集多组装配过程中的力数据,建立训练数据集{X1,L1}与测试数据集{X2,L2},其中X1,X2为装配过程中采集的六维力数据X=(fx,fy,fz,mx,my,mz),fx,fy,fz分别为沿x,y,z轴方向的力数据,mx,my,mz分别为绕x,y,z轴的力矩数据,L1,L2为分别与X1,X2对应的接触状态,即数据所属的类别,训练数据X1共分为Y类;
步骤2:设定初始参数,包括种群大小M,SVM的惩罚参数C的搜索范围[Cmin,Cmax],SVM的核参数γ的搜索范围[γmin,γmax],当前迭代次数t=0,种群优化最大允许迭代次数tm;
步骤3:将训练数据集{X1,L1}与测试数据集{X2,L2}进行标准化处理:
式中,xi,j代表六维力数据集X的第i个样本的第j个特征,代表六维力数据集X的第j个特征的最小值,代表六维力数据集X的第j个特征的最大值,x’i,j代表标准化后的六维力数据集X的第i个样本的第j个特征,将X1,X2的所有样本的特征都按公式(1)进行处理;
步骤4:利用混沌逻辑映射策略生成初始的SVM参数的种群,设向量Sk=(pk,1,pk,2)是初始的SVM参数的种群中的第k个体,其中pk,1和pk,2分别是对应于SVM的惩罚参数C和核参数γ的一个候选解,混沌逻辑映射策略生成的初始种群描述为:
式中,r1,h是介于0到1之间的随机数且h=1,2,当h=1时,和分别为Cmin和Cmax;当h=2时,和分别为γmin和γmax;
步骤5:利用改进的反向学习策略优化初始的SVM参数的种群:
式中,Pk,h是对应于混沌逻辑映射策略生成的个体特征pk,h的反向特征,Pk是对应于种群个体pk的反向个体,其中适应度函数V(p)分别以种群个体和标准化后的训练数据集为函数变量和输入常量,函数值为根据K折交叉验证得到的SVM的分类误差;根据个体的适应度函数值,如果反向个体Pk比原始个体pk好,则初始种群中的原始个体被反向个体所取代;否则,保留原始个体;
步骤6:使用GWA算子更新SVM参数的种群,设定r为[0,1]范围内的一个随机向量,S(t)是当代种群,Sr(t)是当代种群中的一个随机个体,Sm(t)是当代最优个体,且初始种群S(0)={S1,S2,…,SM},GWA算子的变量设置如下:
A=(2-2t/tm).r (6)
Wr(t)=A.|S(t)-Sr(t)| (7)
Wm(t)=1.5A.|Sm(t)-S(t)| (8)
根据公式(9)来更新种群:
式中,h是介于[-1,1]之间的随机数,q是介于[0,1]之间的随机数,Q是介于[0,2]之间的随机向量;
步骤7:计算种群个体的适应度函数值,更新最优个体的位置向量;
步骤8:若当前迭代达到最大允许迭代次数,则执行步骤9;否则,t=t+1并返回步骤6;
步骤9:结束SVM参数优化过程,输出最优参数C和γ,将最优SVM参数和标准化后的训练数据集代入SVM里面,建立基于GWA-SVM的接触状态识别模型;
步骤10:利用建立好的接触状态模型去识别标准化后的测试数据集,将预测类别Lp和实际类别L2对比,绘制分类结果图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910468277.XA CN110363214B (zh) | 2019-05-31 | 2019-05-31 | 一种基于gwa-svm的机器人装配的接触状态识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910468277.XA CN110363214B (zh) | 2019-05-31 | 2019-05-31 | 一种基于gwa-svm的机器人装配的接触状态识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110363214A true CN110363214A (zh) | 2019-10-22 |
CN110363214B CN110363214B (zh) | 2021-08-03 |
Family
ID=68215404
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910468277.XA Active CN110363214B (zh) | 2019-05-31 | 2019-05-31 | 一种基于gwa-svm的机器人装配的接触状态识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110363214B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112247898A (zh) * | 2020-09-18 | 2021-01-22 | 浙江工业大学 | 一种基于挠度分析的机器人非刚体装配方法 |
CN112598036A (zh) * | 2020-12-14 | 2021-04-02 | 湖北工业大学 | 一种网络流量分类方法和系统 |
CN113743462A (zh) * | 2021-07-30 | 2021-12-03 | 浙江工业大学 | 基于hwoa-elm的机械臂末端夹持的误差偏角识别方法 |
CN113878588A (zh) * | 2021-11-12 | 2022-01-04 | 哈尔滨工业大学(深圳) | 面向卡扣式连接的基于触觉反馈的机器人柔顺装配方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101738981A (zh) * | 2009-12-04 | 2010-06-16 | 清华大学 | 基于机器学习的机器人磨削方法 |
US20100161385A1 (en) * | 2008-12-19 | 2010-06-24 | Nxn Tech, Llc | Method and System for Content Based Demographics Prediction for Websites |
CN106335057A (zh) * | 2016-09-27 | 2017-01-18 | 东南大学 | 一种基于实时力控的装配机器人全空间柔顺插孔控制方法 |
US9582080B1 (en) * | 2014-06-25 | 2017-02-28 | Rithmio, Inc. | Methods and apparatus for learning sensor data patterns for gesture-based input |
CN108010069A (zh) * | 2017-12-01 | 2018-05-08 | 湖北工业大学 | 基于鲸鱼优化算法和灰色关联分析的快速图像匹配方法 |
CN108112049A (zh) * | 2017-12-15 | 2018-06-01 | 华中科技大学 | 一种基于鲸鱼群算法的无线传感器网络能效优化分簇方法 |
CN108197307A (zh) * | 2018-01-31 | 2018-06-22 | 湖北工业大学 | 一种文本特征的选择方法及系统 |
CN108196447A (zh) * | 2017-12-25 | 2018-06-22 | 清华大学 | 一种利用基于学习遗传进化算法的机器人双轴孔装配方法 |
CN109543732A (zh) * | 2018-11-09 | 2019-03-29 | 山东大学 | 基于类别特征知识库的装配系统及方法 |
CN109765893A (zh) * | 2019-01-17 | 2019-05-17 | 重庆邮电大学 | 基于鲸鱼优化算法的移动机器人路径规划方法 |
-
2019
- 2019-05-31 CN CN201910468277.XA patent/CN110363214B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100161385A1 (en) * | 2008-12-19 | 2010-06-24 | Nxn Tech, Llc | Method and System for Content Based Demographics Prediction for Websites |
CN101738981A (zh) * | 2009-12-04 | 2010-06-16 | 清华大学 | 基于机器学习的机器人磨削方法 |
US9582080B1 (en) * | 2014-06-25 | 2017-02-28 | Rithmio, Inc. | Methods and apparatus for learning sensor data patterns for gesture-based input |
CN106335057A (zh) * | 2016-09-27 | 2017-01-18 | 东南大学 | 一种基于实时力控的装配机器人全空间柔顺插孔控制方法 |
CN108010069A (zh) * | 2017-12-01 | 2018-05-08 | 湖北工业大学 | 基于鲸鱼优化算法和灰色关联分析的快速图像匹配方法 |
CN108112049A (zh) * | 2017-12-15 | 2018-06-01 | 华中科技大学 | 一种基于鲸鱼群算法的无线传感器网络能效优化分簇方法 |
CN108196447A (zh) * | 2017-12-25 | 2018-06-22 | 清华大学 | 一种利用基于学习遗传进化算法的机器人双轴孔装配方法 |
CN108197307A (zh) * | 2018-01-31 | 2018-06-22 | 湖北工业大学 | 一种文本特征的选择方法及系统 |
CN109543732A (zh) * | 2018-11-09 | 2019-03-29 | 山东大学 | 基于类别特征知识库的装配系统及方法 |
CN109765893A (zh) * | 2019-01-17 | 2019-05-17 | 重庆邮电大学 | 基于鲸鱼优化算法的移动机器人路径规划方法 |
Non-Patent Citations (2)
Title |
---|
WU DENG 等: "A novel intelligent diagnosis method using optimal LS-SVM with improved PSO algorithm", 《SOFT COMPUTING VOLUME 23》 * |
何海琳 等: "基于改进鲸鱼优化算法的外骨骼机器人步态检测", 《计算机应用》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112247898A (zh) * | 2020-09-18 | 2021-01-22 | 浙江工业大学 | 一种基于挠度分析的机器人非刚体装配方法 |
CN112247898B (zh) * | 2020-09-18 | 2022-04-08 | 浙江工业大学 | 一种基于挠度分析的机器人非刚体装配方法 |
CN112598036A (zh) * | 2020-12-14 | 2021-04-02 | 湖北工业大学 | 一种网络流量分类方法和系统 |
CN113743462A (zh) * | 2021-07-30 | 2021-12-03 | 浙江工业大学 | 基于hwoa-elm的机械臂末端夹持的误差偏角识别方法 |
CN113878588A (zh) * | 2021-11-12 | 2022-01-04 | 哈尔滨工业大学(深圳) | 面向卡扣式连接的基于触觉反馈的机器人柔顺装配方法 |
CN113878588B (zh) * | 2021-11-12 | 2023-03-31 | 哈尔滨工业大学(深圳) | 面向卡扣式连接的基于触觉反馈的机器人柔顺装配方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110363214B (zh) | 2021-08-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110363214A (zh) | 一种基于gwa-svm的机器人装配的接触状态识别方法 | |
CN108694502B (zh) | 一种基于XGBoost算法的机器人制造单元自适应调度方法 | |
WO2022105635A1 (zh) | 一种机器人运动技能学习方法及系统 | |
CN109543732B (zh) | 基于类别特征知识库的装配系统及方法 | |
CN110033141B (zh) | 一种脱硫系统运行工况数据库的建立方法 | |
CN113177358B (zh) | 一种基于模糊细粒度特征提取的水泥质量软测量方法 | |
CN108762503A (zh) | 一种基于多模态数据采集的人机交互系统 | |
CN115099296A (zh) | 基于深度学习算法的海浪高度预测方法 | |
CN116187836A (zh) | 一种电力物资质量评价及抽检方法 | |
CN114429152A (zh) | 基于动态指数对抗性自适应的滚动轴承故障诊断方法 | |
CN116522118A (zh) | 一种基于改进无监督域自适应网络的故障诊断方法 | |
Wang et al. | Human–machine collaborative decision-making method based on confidence for smart workshop dynamic scheduling | |
CN116442219B (zh) | 一种智能机器人控制系统及方法 | |
CN109670538A (zh) | 一种非刚体零件的装配接触状态识别方法 | |
Wani et al. | Parallel algorithm for control chart pattern recognition | |
CN113033683B (zh) | 一种基于静态与动态联合分析的工业系统工况监测方法和系统 | |
Liu et al. | Facial expression recognition approach based on least squares support vector machine with improved particle swarm optimization algorithm | |
CN114372181A (zh) | 一种基于多模态数据的设备生产智能规划方法 | |
CN114595750A (zh) | 基于深度强化学习参数自动调整的铝电解故障识别方法 | |
CN114139598A (zh) | 基于深度代价敏感卷积网络的故障诊断方法及诊断框架 | |
Ma et al. | The research and application of a dynamic dispatching strategy selection approach based on BPSO-SVM for semiconductor production line | |
Du et al. | Improved bacterial foraging optimization algorithm based on fuzzy control rule base | |
Jin-Yue et al. | Research on the non-linear function fitting of RBF neural network | |
CN111680576A (zh) | 一种基于自适应元胞算法的lulc预测方法 | |
CN110619644A (zh) | 获取ct图像中肿瘤位置和轮廓的数据处理系统及电子设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |