CN107588788A - 基于熵权‑层次分析的光纤和智能涂层数据融合实现方法 - Google Patents
基于熵权‑层次分析的光纤和智能涂层数据融合实现方法 Download PDFInfo
- Publication number
- CN107588788A CN107588788A CN201710756951.5A CN201710756951A CN107588788A CN 107588788 A CN107588788 A CN 107588788A CN 201710756951 A CN201710756951 A CN 201710756951A CN 107588788 A CN107588788 A CN 107588788A
- Authority
- CN
- China
- Prior art keywords
- optical fiber
- data
- smart coat
- sensor
- weight
- 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.)
- Pending
Links
Abstract
本发明提供一种基于熵权‑层次分析的光纤和智能涂层数据融合的实现方法，步骤如下：一，搭建光纤和智能涂层传感器的结构健康监测硬件平台；二，创建时钟TIME_F和TIME_T，时钟TIME_F用来控制数据采集；三，对光纤和智能涂层传感器数据进行归一化处理；四，利用熵权法确定光纤和智能涂层传感器数据的权重；五，利用层次分析法确定光纤和智能涂层传感器数据的权重；六，将光纤和智能涂层传感器的数据进行融合；通过以上步骤，本发明实现了基于熵权‑层次分析的光纤和智能涂层数据融合的实现方法，能够对两种传感器的数据进行融合，相比于单一的传感器精度更高，结果更加准确，适用于对精度要求高的结构的健康监测。
Description
技术领域
本发明提供名称为“基于熵权-层次分析的光纤和智能涂层数据融合实现方法”，即“一种基于熵权-层次分析的光纤和智能涂层数据融合的实现方法”，能够对光纤光栅和智能涂层传感器的信号进行数据融合，通过对融合后的数据分析实现对结构健康状况的监测,属于结构健康监测技术领域。
背景技术
光纤传感器可对其布贴局部区域的应力应变进行实时监测，且具有抗电磁干扰、抗腐蚀、灵敏度高、本征无源、易维护、重量轻、耐腐蚀等优点，使其在各种大型机电、石油化工、强电磁干扰、易燃、易爆、强腐蚀环境中得到越来越广泛的应用，但是光纤传感器能监测的区域范围较小，不能大范围的对结构进行监测。
智能涂层技术可实现对结构裂纹的监测，已经得到了实际的应用，但是因为智能涂层脆性较大，当其应用在监测结构时会存在虚警率较高的问题，即当结构未出现问题时，由于其他因素的影响导致其报警，因此限制了它的推广应用。
为了提高对结构监测的精度，将光纤和智能涂层传感器进行结合，因此需要对两种传感器的数据进行融合，基于以上现状和问题，本发明一种基于熵权-层次分析的光纤和智能涂层数据融合的实现方法，能够将两种传感器很好的进行融合，保留各自的优点，从而提高监测的精度，便于实际应用。
发明内容
(一)本发明的目的是：
本发明的目的是实现一种基于熵权-层次分析的光纤和智能涂层数据融合的实现方法，能够对光纤和智能涂层传感器的信号进行采集，在此基础上通过数据融合，能够结合两种传感器的优点，从而提高对结构的监测精度。
(二)其具体技术方案如下：
本发明一种基于熵权-层次分析的光纤和智能涂层数据融合的实现方法，通过以下步骤来实现：
步骤一，搭建光纤和智能涂层传感器的结构健康监测硬件平台，确定硬件平台所使用的开发板、编程语言和处理器，对传感器数据进行采集；
步骤二，利用光纤和智能涂层传感器的结构健康监测硬件平台对传感器的信号分类采集，创建时钟TIME_F和TIME_T，时钟TIME_F用来控制光纤光栅传感器的数据采集，时钟TIME_T用来控制智能涂层传感器的数据采集；
步骤三，对光纤和智能涂层传感器数据进行归一化处理：即将有量纲的传感器数据，经过变换，化为无量纲的数据，使其成为标量，从而将传感器数值的绝对值变成某种相对值关系，简化计算，缩小量值；
步骤四，利用熵权法确定光纤和智能涂层传感器数据的权重；
步骤五，利用层次分析法确定光纤和智能涂层传感器数据的权重；
步骤六，利用熵权-层次分析法确定光纤和智能涂层传感器数据的权重，并将光纤和智能涂层传感器的数据进行融合；
其中，在步骤一中所述的“光纤和智能涂层传感器”其中光纤是一种由玻璃或塑料制成的纤维，可作为光传导工具，工作原理是将来自光源的光信号经过光纤送入调制器，使待测参数与进入调制区的光相互作用后，导致光的光学性质(如光的强度、波长、频率、相位、偏振态等)发生变化。智能涂层传感器是指一种以涂层的形式制备于目标物体上，能对环境产生选择性作用或者对环境变化响应，并实时改变自身的一种或多种性能参数向适应环境方向调整的传感器。
其中，在步骤一中所述的“搭建光纤和智能涂层传感器的结构健康监测硬件平台，确定该硬件平台所使用的开发板、编程语言和处理器，对传感器数据进行采集”，其作法如下：是指使用型号为XC7Z020-1CLG484I的集成开发板Miz702(南京米联电子)，该集成开发板采用基于现场可编程门阵列(即Field－Programmable Gate Array,以下简称FPGA)和ARM(即Acorn RISC Machine)处理器相结合的平台，并采用版本为“Vivado 2015.4”的开发软件进行开发；具体作法为：在计算机上安装Vivado软件，使用verilog语言，新建名为“FAC”的工程，利用FPGA和ARM结合的硬件平台和采集芯片AD9244，对传感器的信号进行采集。
其中，在步骤二中所述的“利用光纤和智能涂层传感器的结构健康监测硬件平台对传感器的信号分类采集，创建时钟TIME_F和TIME_T，时钟TIME_F用来控制光纤光栅传感器的数据采集，时钟TIME_T用来控制智能涂层传感器的数据采集”，其作法如下：利用设置的时钟TIME_F和TIME_T，每隔一定时间(时钟周期)对光纤光栅和智能涂层传感器的数据，利用采集芯片AD9244重复采集，使两种传感器数据的采集相互独立。
其中，在步骤三中所述的“对光纤和智能涂层传感器数据进行归一化处理：即将有量纲的传感器数据，经过变换，化为无量纲的数据，使其成为标量，从而将传感器数值的绝对值变成某种相对值关系，简化计算，缩小量值”，其作法如下：在软件平台上将接收的关于被测栅点的中心波长和智能涂层传感器电阻值信息的每个数据xi，及所有数据的最大值xmax，采用以下方法进行归一化处理：
其中Xi为每个数据归一化处理后的值，N为数据总数，xmax为所有数据的最大值。
其中，在步骤四中所述的“熵权法”，是指按照信息论基本原理的解释，信息是系统有序程度的一个度量，熵是系统无序程度的一个度量；如果指标的信息熵越小，该指标提供的信息量越大，在综合评价中所起作用理当越大，权重就应该越高。
其中，在步骤四中所述的“利用熵权法确定光纤和智能涂层传感器数据的权重”，其作法如下：根据熵权法的评价模型，带入模型的公式中计算光纤和智能涂层传感器数据的权重。
其中，在步骤五中所述的“层次分析法”，是指将与决策总是有关的元素分解成目标、准则、方案等层次，在此基础之上进行定性和定量分析的决策方法。
其中，在步骤五中所述的“利用层次分析法确定光纤和智能涂层传感器数据的权重”，其作法如下：根据层次分析法的评价模型，带入模型的公式中计算光纤和智能涂层传感器数据的权重。
其中，在步骤六中所述的“利用熵权-层次分析法确定光纤和智能涂层传感器数据的权重，并将光纤和智能涂层传感器的数据进行融合”，其作法如下：根据熵权-层次分析法的评价模型计算出光纤和智能涂层传感器数据的权重，然后将光纤和智能涂层的数据分别与其权重相乘，即可得到融合后的数据。
通过以上步骤，本发明实现了基于熵权-层次分析的光纤和智能涂层数据融合的实现方法，能够对两种传感器的数据进行融合，相比于单一的传感器精度更高，结果更加准确，适用于对精度要求高的结构的健康监测。
(三)本发明的优点在于：
基于熵权-层次分析的光纤和智能涂层数据融合的实现方法，解决了单一的智能涂层传感器虚警率较高的问题，并且利用光纤光栅传感器质量轻、抗腐蚀性、抗干扰性好、监测精度高等优点，充分发挥了两种传感器的优势，检测的数据更加的准确。在此基础上利用熵权-层次分析法计算两种传感器数据的权重，综合了主、客观评价方法，使所得到的权重更有参考性和代表性，算法的精度更高。
附图说明
图1本发明所述方法流程图。
具体实施方式
本发明一种基于熵权-层次分析的光纤和智能涂层数据融合的实现方法，见图1所示，其具体步骤如下：
步骤一，搭建光纤光栅和智能涂层传感器的结构健康监测硬件平台，确定硬件平台使用的开发板、编程语言和处理器。本发明使用型号为XC7Z020-1CLG484I的集成开发板Miz702(南京米联电子)，该集成开发板采用FPGA和ARM处理器相结合的平台，并采用版本为“Vivado 2015.4”的开发软件进行开发；
步骤二，利用光纤光栅和智能涂层传感器的结构健康监测硬件平台对传感器的信号分类采集，创建时钟TIME_F和TIME_T，时钟TIME_F用来控制光纤光栅传感器的数据采集，时钟TIME_T用来控制智能涂层传感器的数据采集，即每隔一定时间(时钟周期)对相应的传感器数据重复采集，两种传感器数据的采集相互独立，互不干扰。
步骤三，对光纤光栅和智能涂层传感器数据的归一化处理：即将有量纲的传感器数据，经过变换，化为无量纲的数据，使其成为标量，使传感器数值的绝对值变成某种相对值关系，简化计算，缩小量值。
将的关于被测栅点的中心波长和智能涂层传感器电阻值信息的每个数据xi，及所有数据的最大值xmax，采用以下方法进行归一化处理：
其中Xi为每个数据归一化处理后的值，N为数据总数，xmax为所有数据的最大值。
步骤四，基于熵权法的指标体系评价模型确定光纤和智能涂层传感器数据的权重：
将矩阵进行归一化处理，计算公式如下：
指标j的输出信息熵定义为：
其中，k＝1/lnn
第j个评价指标的熵权定义为：
经熵权法得到光纤数据的权重为0.6217，智能涂层传感器数据的权重为0.3783。
步骤五，基于层次分析法的指标体系评价模型确定光纤和智能涂层传感器数据的权重：
层次分析法的实质是对复杂问题进行分解，将分解出的指标依据支配关系组合成有序的递阶型层次结构，一般包括目标层、准则层和方案层，再经有关专家对同一支配指标下的所有指标进行两两比较。随着判断矩阵A阶数的增多，矩阵的一致性有所降低，定义CI衡量矩阵的一致性程度：
λmax为矩阵A的最大特征值,n为指标的总数
引入一致性比率指标CR：
RI为CI的样本均值
当CR＜0.1时，认为判断矩阵A具有可接受的一致性，反之需要对其修正。
将矩阵A的每一列归一化得到矩阵A1，将A1的每一列取平均值即得权重W。
经层次分析法得到光纤数据的权重为0.5924，智能涂层传感器数据的权重为0.4076。
步骤六，基于熵权-层次分析法确定光纤和智能涂层传感器数据的权重:
记第j种评价方法对第i个评价对象的评价结果为yij用加权合成，得到模型：
记由方法A得到m个被评价对象的评价值为：
由方法B得到m个被评价对象的评价值记为：
将得到的两组被评价对象的评价值看成是m维空间的两个向量，则问题转化为找到一个向量(li)m*l使其到(gi)m*l和(hi)m*l的距离最小，距离的计算采用m维空间的欧氏距离。构造模型如下：
通过解上述非线性规划，得到αi的值，即为集成后的指标权重。
由得到被评价对象的集成评价值。li越大，表明第i个被评价对象越优。
经熵权-层次分析法得到光纤光栅数据0.60705和智能涂层传感器数据的权重为0.39295。
将融合后的数据设为ξ，光纤传感器归一化后的数据设为X1，光纤传感器的数据权重设为α，智能涂层传感器归一化后的数据设为X2，智能涂层传感器的数据权重设为β，则ξ＝α·X1+β·X2即为光纤和智能涂层传感器融合后的数据。
Claims (10)
1.一种基于熵权-层次分析的光纤和智能涂层数据融合的实现方法，其特征在于：通过以下步骤来实现：
步骤一，搭建光纤和智能涂层传感器的结构健康监测硬件平台，确定硬件平台所使用的开发板、编程语言和处理器，对传感器数据进行采集；
步骤二，利用光纤和智能涂层传感器的结构健康监测硬件平台对传感器的信号分类采集，创建时钟TIME_F和TIME_T，时钟TIME_F用来控制光纤光栅传感器的数据采集，时钟TIME_T用来控制智能涂层传感器的数据采集；
步骤三，对光纤和智能涂层传感器数据进行归一化处理：即将有量纲的传感器数据，经过变换，化为无量纲的数据，使其成为标量，从而将传感器数值的绝对值变成相对值关系，简化计算，缩小量值；
步骤四，利用熵权法确定光纤和智能涂层传感器数据的权重；
步骤五，利用层次分析法确定光纤和智能涂层传感器数据的权重；
步骤六，利用熵权-层次分析法确定光纤和智能涂层传感器数据的权重，并将光纤和智能涂层传感器的数据进行融合；
通过以上步骤，本发明实现了基于熵权-层次分析的光纤和智能涂层数据融合的实现方法，能够对两种传感器的数据进行融合，相比于单一的传感器精度更高，结果更加准确，适用于对精度要求高的结构的健康监测。
2.根据权利要求1所述的一种基于熵权-层次分析的光纤和智能涂层数据融合的实现方法，其特征在于：
在步骤一中所述的“光纤和智能涂层传感器”，其中光纤是一种由玻璃及塑料中的一种制成的纤维，作为光传导工具，将来自光源的光信号经过光纤送入调制器，使待测参数与进入调制区的光相互作用后，导致光的光学性质发生变化；智能涂层传感器是指一种以涂层的形式制备于目标物体上，能对环境产生选择性作用及对环境变化响应，并实时改变自身的一种及多种性能参数向适应环境方向调整的传感器。
3.根据权利要求1所述的一种基于熵权-层次分析的光纤和智能涂层数据融合的实现方法，其特征在于：
在步骤一中所述的“搭建光纤和智能涂层传感器的结构健康监测硬件平台，确定该硬件平台所使用的开发板、编程语言和处理器，对传感器数据进行采集”，其作法如下：是指使用型号为XC7Z020-1CLG484I的集成开发板Miz702，该集成开发板采用基于现场可编程门阵列即FPGA和ARM处理器相结合的平台，并采用版本为“Vivado2015.4”的开发软件进行开发；具体作法为：在计算机上安装Vivado软件，使用verilog语言，新建名为“FAC”的工程，利用FPGA和ARM结合的硬件平台和采集芯片AD9244，对传感器的信号进行采集。
4.根据权利要求1所述的一种基于熵权-层次分析的光纤和智能涂层数据融合的实现方法，其特征在于：
在步骤二中所述的“利用光纤和智能涂层传感器的结构健康监测硬件平台对传感器的信号分类采集，创建时钟TIME_F和TIME_T，时钟TIME_F用来控制光纤光栅传感器的数据采集，时钟TIME_T用来控制智能涂层传感器的数据采集”，其作法如下：利用设置的时钟TIME_F和TIME_T，每隔一定时间即时钟周期，对光纤光栅和智能涂层传感器的数据，利用采集芯片AD9244重复采集，使两种传感器数据的采集相互独立。
5.根据权利要求1所述的一种基于熵权-层次分析的光纤和智能涂层数据融合的实现方法，其特征在于：
在步骤三中所述的“对光纤和智能涂层传感器数据进行归一化处理：即将有量纲的传感器数据，经过变换，化为无量纲的数据，使其成为标量，从而将传感器数值的绝对值变成相对值关系，简化计算，缩小量值”，其作法如下：在软件平台上将接收的关于被测栅点的中心波长和智能涂层传感器电阻值信息的每个数据xi，及所有数据的最大值xmax，采用以下方法进行归一化处理：
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>X</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mfrac>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<msub>
<mi>x</mi>
<mi>max</mi>
</msub>
</mfrac>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>X</mi>
<mi>i</mi>
</msub>
<mo>&le;</mo>
<mn>1</mn>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>i</mi>
<mo>&le;</mo>
<mi>N</mi>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>;</mo>
</mrow>
其中Xi为每个数据归一化处理后的值，N为数据总数，xmax为所有数据的最大值。
6.根据权利要求1所述的一种基于熵权-层次分析的光纤和智能涂层数据融合的实现方法，其特征在于：
在步骤四中所述的“熵权法”，是指按照信息论基本原理的解释，信息是系统有序程度的一个度量，熵是系统无序程度的一个度量；如果指标的信息熵越小，该指标提供的信息量越大，在综合评价中所起作用理当越大，权重就应该越高。
7.根据权利要求1所述的一种基于熵权-层次分析的光纤和智能涂层数据融合的实现方法，其特征在于：
在步骤四中所述的“利用熵权法确定光纤和智能涂层传感器数据的权重”，其作法如下：根据熵权法的评价模型，带入模型的公式中计算光纤和智能涂层传感器数据的权重。
8.根据权利要求1所述的一种基于熵权-层次分析的光纤和智能涂层数据融合的实现方法，其特征在于：
在步骤五中所述的“层次分析法”，是指将与决策总是有关的元素分解成目标、准则、方案层次，在此基础之上进行定性和定量分析的决策方法。
9.根据权利要求1所述的一种基于熵权-层次分析的光纤和智能涂层数据融合的实现方法，其特征在于：
在步骤五中所述的“利用层次分析法确定光纤和智能涂层传感器数据的权重”，其作法如下：根据层次分析法的评价模型，带入模型的公式中计算光纤和智能涂层传感器数据的权重。
10.根据权利要求1所述的一种基于熵权-层次分析的光纤和智能涂层数据融合的实现方法，其特征在于：
在步骤六中所述的“利用熵权-层次分析法确定光纤和智能涂层传感器数据的权重，并将光纤和智能涂层传感器的数据进行融合”，其作法如下：根据熵权-层次分析法的评价模型计算出光纤和智能涂层传感器数据的权重，然后将光纤和智能涂层的数据分别与其权重相乘，即得到融合后的数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710756951.5A CN107588788A (zh) | 2017-08-29 | 2017-08-29 | 基于熵权‑层次分析的光纤和智能涂层数据融合实现方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710756951.5A CN107588788A (zh) | 2017-08-29 | 2017-08-29 | 基于熵权‑层次分析的光纤和智能涂层数据融合实现方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107588788A true CN107588788A (zh) | 2018-01-16 |
Family
ID=61051314
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710756951.5A Pending CN107588788A (zh) | 2017-08-29 | 2017-08-29 | 基于熵权‑层次分析的光纤和智能涂层数据融合实现方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107588788A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112067560A (zh) * | 2020-08-06 | 2020-12-11 | 红云红河烟草(集团)有限责任公司 | 一种基于色度值结合熵权法的烟用料液稳定性测定方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN202330339U (zh) * | 2011-11-09 | 2012-07-11 | 西安交通大学 | 一种基于信息智能涂层的裂纹监测装置 |
| CN103577888A (zh) * | 2013-09-05 | 2014-02-12 | 西安电子科技大学 | 一种改进的熵权层次分析法及其应用 |
| CN105954294A (zh) * | 2016-05-13 | 2016-09-21 | 北京航空航天大学 | 基于传感器的裂纹实时监测系统及其监测方法 |
| CN107014668A (zh) * | 2016-04-22 | 2017-08-04 | 北京航空航天大学 | 一种基于压电和智能涂层传感器的疲劳裂纹综合监测方法 |
| CN107462180A (zh) * | 2017-07-07 | 2017-12-12 | 北京航空航天大学 | 基于光纤光栅和智能涂层传感器的告警系统的实现方法 |
-
2017
- 2017-08-29 CN CN201710756951.5A patent/CN107588788A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN202330339U (zh) * | 2011-11-09 | 2012-07-11 | 西安交通大学 | 一种基于信息智能涂层的裂纹监测装置 |
| CN103577888A (zh) * | 2013-09-05 | 2014-02-12 | 西安电子科技大学 | 一种改进的熵权层次分析法及其应用 |
| CN107014668A (zh) * | 2016-04-22 | 2017-08-04 | 北京航空航天大学 | 一种基于压电和智能涂层传感器的疲劳裂纹综合监测方法 |
| CN105954294A (zh) * | 2016-05-13 | 2016-09-21 | 北京航空航天大学 | 基于传感器的裂纹实时监测系统及其监测方法 |
| CN107462180A (zh) * | 2017-07-07 | 2017-12-12 | 北京航空航天大学 | 基于光纤光栅和智能涂层传感器的告警系统的实现方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112067560A (zh) * | 2020-08-06 | 2020-12-11 | 红云红河烟草(集团)有限责任公司 | 一种基于色度值结合熵权法的烟用料液稳定性测定方法 |
| CN112067560B (zh) * | 2020-08-06 | 2023-11-03 | 红云红河烟草(集团)有限责任公司 | 一种基于色度值结合熵权法的烟用料液稳定性测定方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Li et al. | An approach using random forest intelligent algorithm to construct a monitoring model for dam safety | |
| Li et al. | An empirical comparison of multiple linear regression and artificial neural network for concrete dam deformation modelling | |
| CN109659933A (zh) | 一种基于深度学习模型的含分布式电源配电网电能质量预测方法 | |
| CN106289691B (zh) | 一种基于微波雷达装置的桥梁分块冲击振动检测方法及检测装置 | |
| CN104200005A (zh) | 基于神经网络的桥梁损伤识别方法 | |
| CN105444923A (zh) | 基于遗传算法优化最小二乘支持向量机的机械式温度仪表误差预测方法 | |
| Kumar et al. | Parametric studies of a simple direct expansion solar assisted heat pump using ANN and GA | |
| Zhao et al. | Digital modeling approach of distributional mapping from structural temperature field to temperature-induced strain field for bridges | |
| Santillán et al. | Dam seepage analysis based on artificial neural networks: The hysteresis phenomenon | |
| CN111461187A (zh) | 一种建筑物沉降智能检测系统 | |
| CN103617563B (zh) | 一种基于地统计空间分析理论的供水管网无监测节点压力确定方法 | |
| CN105116399B (zh) | 一种针对超宽带雷达回波的土壤湿度反演方法 | |
| Liang et al. | Research on sensor error compensation of comprehensive logging unit based on machine learning | |
| Zhang et al. | Timber damage identification using dynamic broad network and ultrasonic signals | |
| CN111507505A (zh) | 一种水库日入量预测模型的构建方法 | |
| CN107977730A (zh) | 一种多传感器数据融合技术的风速测量方法 | |
| CN107590975B (zh) | 基于光纤、智能涂层和压电传感器的告警系统的实现方法 | |
| CN107588788A (zh) | 基于熵权‑层次分析的光纤和智能涂层数据融合实现方法 | |
| Lefik | Some aspects of application of artificial neural network for numerical modeling in civil engineering | |
| CN102496062B (zh) | 一种基于Spiking神经网络的人员信息融合方法 | |
| CN113973403B (zh) | 基于结构离散测点拓扑的温致应变场重分布智能感知方法 | |
| CN107462180B (zh) | 基于光纤光栅和智能涂层传感器的告警系统的实现方法 | |
| CN106339357A (zh) | 寻优参数化的网络信息安全检测系统和方法 | |
| Xie et al. | Interpretable Framework of Physics‐Guided Neural Network With Attention Mechanism: Simulating Paddy Field Water Temperature Variations | |
| CN110705187B (zh) | 通过最小二乘算法即时在线仪表校验和诊断方法 |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180116 |