CN110889494A - 一种采煤机定位方法及装置 - Google Patents
一种采煤机定位方法及装置 Download PDFInfo
- Publication number
- CN110889494A CN110889494A CN201911198008.2A CN201911198008A CN110889494A CN 110889494 A CN110889494 A CN 110889494A CN 201911198008 A CN201911198008 A CN 201911198008A CN 110889494 A CN110889494 A CN 110889494A
- Authority
- CN
- China
- Prior art keywords
- neural network
- data
- term memory
- memory neural
- coal mining
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Abstract
本申请公开了一种采煤机定位方法及装置,方法包括:构建改进的长短期记忆神经网络;训练所述改进的长短期记忆神经网络;获取采煤机的惯导数据和里程计数据;将采煤机的惯导数据和里程计数据输入训练好的所述改进的长短期记忆神经网络中进行处理,得到预测结果。本申请提供的采煤机定位方法,利用改进的长短期记忆神经网络对采煤机的惯导数据和里程计数据进行处理,得到采煤机位置定位结果,定位精度高,误差小,采用本申请的方法的定位精度比现有技术的精度都高,能够很好地满足实际应用的需要。
Description
技术领域
本申请涉及矿产开采技术领域,具体涉及一种采煤机定位方法及装置。
背景技术
高效安全生产一直是煤炭企业追求的目标,机械化、自动化是煤矿机械发展的方向。采煤机、液压支架、刮板输送机是综采工作面最重要的三种设备,简称“三机”,其中以采煤机为主导,三者互相配合实现煤炭的开采,它们的工作效率直接决定了煤矿生产的效率。采煤机在工作时沿刮板输送机的轨道进行往复式割煤,液压支架对顶板进行支护,目前大多数煤矿生产中是由人工手动控制三种设备联动,实现煤炭开采的机械化,但离自动化生产还有一段距离。采煤机的位置和姿态能直接反映出液压支架与刮板输送机的工作状态,可以为三机联动提供数据基础,因此采煤机采区的实时定位定姿监测是实现自动化生产的关键技术,是实现综采工作面自动化、少人化生产的基础。目前,现有技术的采煤机定位精度较低。
采煤机定位定姿技术从20世纪80年代以来,为了实现采煤机采区的定位定姿,众多科研人员提出了多种方法,主要有以下几种:
1、基于红外的采煤机定位技术
采煤机在运行过程中,由安装在采煤机上的红外发射装置发射脉冲信号,液压支架上安装红外接收装置,根据接收到的脉冲信号,定位出采煤机相对液压支架的位置。这种方法定位精度不高,容易受到粉尘等遮挡物影响导致信号无法接收,另外液压支架在实际生产中移动频繁,不能实时对采煤机位置进行准确监测。
2、基于超声波的采煤机定位技术
使用超声波测距传感器定位采煤机的工作位置,原理与使用红外传感器的采煤机定位技术基本一致,区别在于超声波可以穿透粉尘,镜头不需要清洗。超声波定位的精度也不高,只能作为辅助定位,使用具有局限性。
3、基于轨道里程的采煤机定位技术
这种方法是利用传感器采煤机行走齿轮的转动圈数信息,通过转动圈数乘以齿轮分度圆周长计算出采煤机在管板输送机轨道上的行走距离,与液压支架的架间距进行对比,确定采煤机的实际位置。该方法只能用来定位采煤机沿刮板输送机轨道方向的一维位置,且受齿轮计数误差的影响,不能满足采煤机精确定位定姿的要求。
4、基于无线传感器网络的采煤机定位技术
无线传感器网络(Wireless Sensor Network,WSN)是分布式智能化网络系统,在综采工作面布置大量具有通信和计算能力的无线传感器,通过无线信号监测采煤机与液压支架间的位置关系,解算出采煤机的实际位置。这种方法成本低,定位精度较高,但是由于工作区域环境复杂,液压支架频繁移动,容易出现信号衰减或无信号情况,在监测的实时性上还需进一步提高。
5、基于惯性导航的采煤机定位技术
惯性导航技术是一种自主式导航技术,通过安装在采煤机上的陀螺仪及加速度计,测量采煤机的实时角加速度和线性加速度,解算出采煤机的运动状态信息,再经过坐标变换得到采煤机的实时位置。这种方法不需外加信号,定位精度高,可以得到采煤机的三维位置信息,但在长时间工作后由于累积误差使精度变差,需要采用综合导航技术进行修正。
发明内容
本申请的目的是提供一种采煤机定位方法及装置。为了对披露的实施例的一些方面有一个基本的理解,下面给出了简单的概括。该概括部分不是泛泛评述,也不是要确定关键/重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念,以此作为后面的详细说明的序言。
根据本申请实施例的一个方面,提供一种采煤机定位方法,包括:
构建改进的长短期记忆神经网络;
训练所述改进的长短期记忆神经网络;
获取采煤机的惯导数据和里程计数据;
将采煤机的惯导数据和里程计数据输入训练好的所述改进的长短期记忆神经网络中进行处理,得到预测结果。
进一步地,所述方法还包括:
将所述预测结果转换为矿区坐标系数据,并输出所述矿区坐标系数据;所述预测结果为WGS84坐标系下的数据。
进一步地,所述构建改进的长短期记忆神经网络包括设置长短期记忆神经网络的输入维度、输入数据的步长、输入数据读取批次规模和窗口长度、优化器、学习率、隐藏层节点数以及迭代次数。
进一步地,所述训练所述改进的长短期记忆神经网络,包括:
向所述改进的长短期记忆神经网络输入训练数据,调整所述长短期记忆神经网络的每个参数,查看不同参数组合的LSTM神经网络的收敛程度,选取收敛程度高的参数,得到训练好的改进的长短期记忆神经网络。
进一步地,所述调整所述长短期记忆神经网络的每个参数的步骤包括:利用梯度的一阶矩阵估计和二阶矩估计动态调整每个参数的学习速率。
进一步地,所述预测结果包括采煤机的位置坐标和姿态数据。
进一步地,所述改进的长短期神经网络包括一个输入层和两个隐藏层;所述的隐藏层采用LSTM单元,LSTM单元包括输入门、遗忘门和输出门。
根据本申请实施例的另一个方面,提供一种采煤机定位装置,包括:
构建模块,用于构建改进的长短期记忆神经网络;
训练模块,用于训练所述改进的长短期记忆神经网络;
获取模块,用于获取采煤机的惯导数据和里程计数据;
处理模块,用于将采煤机的惯导数据和里程计数据输入训练好的所述改进的长短期记忆神经网络中进行处理,得到预测结果。
进一步地,所述装置还包括:
转换模块,用于将所述预测结果转换为矿区坐标系数据,并输出所述矿区坐标系数据;所述预测结果为WGS84坐标系下的数据。
根据本申请实施例的另一个方面,提供一种非临时性计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行,以实现所述的采煤机定位方法。
本申请实施例提供的技术方案可以包括以下有益效果:
本申请实施例提供的采煤机定位方法,利用改进的长短期记忆神经网络对采煤机的惯导数据和里程计数据进行处理,得到采煤机位置定位结果,定位精度高,误差小,采用本申请的方法的定位精度比现有技术的精度都高,能够很好地满足实际应用的需要。
本申请的其他特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者,部分特征和优点可以从说明书中推知或毫无疑义地确定,或者通过实施本申请实施例了解。本申请的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1示出了本申请的一个实施例的采煤机定位方法流程图;
图2示出了本申请的一个实施例的采煤机定位装置的结构框图;
图3示出了本申请的一个实施例的改进的长短期记忆神经网络的结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,下面结合附图和具体实施例对本申请做进一步说明。应当理解,此处所描述的具体实施例仅用以解释本申请,并不用于限定本申请。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语),具有与本申请所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语,应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样被特定定义,否则不会用理想化或过于正式的含义来解释。
如图1所示,本申请的一个实施例提供了一种采煤机定位方法01,包括:
S10、构建改进的长短期记忆神经网络;
S20、训练所述改进的长短期记忆神经网络;
S30、获取采煤机的惯导数据和里程计数据;
S40、将采煤机的惯导数据和里程计数据输入训练好的所述改进的长短期记忆神经网络中进行处理,得到预测结果。
在某些实施方式中,所述方法还包括:
S50、将所述预测结果转换为矿区坐标系数据,并输出所述矿区坐标系数据;所述预测结果为WGS84坐标系下的数据。
在某些实施方式中,所述构建改进的长短期记忆神经网络包括设置长短期记忆神经网络的输入维度、输入数据的步长、输入数据读取批次规模和窗口长度、优化器、学习率、隐藏层节点数以及迭代次数。
在某些实施方式中,所述训练所述改进的长短期记忆神经网络,包括:
向所述改进的长短期记忆神经网络输入训练数据,调整所述长短期记忆神经网络的每个参数,查看不同参数组合的LSTM神经网络的收敛程度,选取收敛程度高的参数,得到训练好的改进的长短期记忆神经网络。
在某些实施方式中,所述调整所述长短期记忆神经网络的每个参数的步骤包括:利用梯度的一阶矩阵估计和二阶矩估计动态调整每个参数的学习速率。
在某些实施方式中,所述预测结果包括采煤机的位置坐标和姿态数据。
在某些实施方式中,所述改进的长短期神经网络包括一个输入层和两个隐藏层;所述的隐藏层采用LSTM单元,LSTM单元包括输入门、遗忘门和输出门。
如图2所示,本实施例还提供了一种采煤机定位装置,包括:
构建模块100,用于构建改进的长短期记忆神经网络;
训练模块200,用于训练所述改进的长短期记忆神经网络;
获取模块300,用于获取采煤机的惯导数据和里程计数据;
处理模块400,用于将采煤机的惯导数据和里程计数据输入训练好的所述改进的长短期记忆神经网络中进行处理,得到预测结果。
在某些实施方式中,所述装置还包括:
转换模块500,用于将所述预测结果转换为矿区坐标系数据,并输出所述矿区坐标系数据;所述预测结果为WGS84坐标系下的数据。
本实施例还提供了一种非临时性计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行,以实现所述的采煤机定位方法。
本申请的另一个实施例提供了一种采煤机定位方法02,包括:
S1、构建改进的长短期记忆神经网络(LSTM)。
具体地,设置长短期记忆神经网络的输入维度、输入数据的步长、输入数据读取批次规模和窗口长度、优化器、学习率、隐藏层节点数以及迭代次数。
在某些实施方式中,改进的长短期记忆神经网络具有一个输入层和两个隐藏层。所述的改进的长短期记忆神经网络的隐藏层采用LSTM单元,LSTM单元具有三个门,分别为输入门、遗忘门和输出门,如图3所示。
改进的长短期记忆神经网络的隐藏层采用LSTM单元,LSTM单元具有三个门,分别为输入门、遗忘门和输出门;LSTM单元的具体公式为:
it=σ(Wxixt+Whiht+Wcict-1+bi);
ft=σ(Wxfxt+Whfht-1+Wcfct-1+bf);
ct=ftct-1+ittanh(Wxcxt+Whcht-1+bc);
ot=σ(Wxoxt+Whoht-1+Wcoct-1+bo);
ht=ottanh(ct);
其中,i、f、c、o、h分别表示输入门、遗忘门、输出门、单元激活向量和隐藏层单元,Wxi、Whi、Wci分别为输入特征向量与输入门之间的权重矩阵、隐藏层单元与输入门之间的权重矩阵以及单元激活向量与输入门之间的权重矩阵,Wxf、Whf、Wcf分别为输入特征向量与遗忘门之间的权重矩阵、隐藏层单元与遗忘门之间的权重矩阵以及单元激活向量与遗忘门之间的权重矩阵,Wxo、Who、Wco分别为输入特征向量与输出门之间的权重矩阵、隐藏层单元与输出门之间的权重矩阵以及单元激活向量与输出门之间的权重矩阵,Wxc和Whc分别为输入特征向量与单元激活向量之间的权重矩阵以及隐藏层单元与单元激活向量之间的权重矩阵,权重矩阵均为对角阵:bi、bf、bc和bo分别为输入门的偏差值、遗忘门的偏差值、输出门的偏差值以及单元激活向量的偏差值,下标t表示采样时刻,tanh为激活函数;xt表示t时刻的输入数据;激活函数σ为sigmoid函数;
S2、训练所述改进的长短期记忆神经网络。
向所述改进的长短期记忆神经网络输入训练数据,调整所述长短期记忆神经网络的每个参数,查看不同参数组合的LSTM神经网络的收敛程度,选取收敛程度高的参数,得到训练好的LSTM神经网络;其中,参数包括学习率、优化器、网络层数、隐藏层节点数、隐藏层节点维度和迭代次数。
在某些实施方式中,调整所述长短期记忆神经网络的每个参数的步骤包括:
利用梯度的一阶矩阵估计和二阶矩估计动态调整每个参数的学习速率,其训练公式如下:
mt=μ×mt-1+(1-μ)×gt;
nt=v×nt-1+(1-v)×gt 2;
S3、获取采煤机的惯导数据和里程计数据;
S4、将采煤机的惯导数据和里程计数据输入训练好的所述改进的长短期记忆神经网络(LSTM)中进行处理,得到WGS84坐标系下的预测结果。
所述预测结果为根据惯导数据和里程计数据自动输出的WGS84坐标系下的数据(即采煤机的位置坐标和姿态数据,所述位置坐标包括纬度和经度,所述姿态数据包括高度、俯仰角、航向角和横滚角);
S5、进行坐标转换,将WGS84坐标系下的预测结果转换为矿区坐标系数据,并输出所述矿区坐标系数据。
WGS-84坐标系即World Geodetic System一1984Coordinate System。
本实施例的改进的长短期记忆神经网络的收敛速度快,收敛效果好,对数据的处理速度快、处理效果好。
在某些实施方式中,测量精度是由全站仪进行标定的,精度较高,误差不会超过5cm。
本申请实施例提供的采煤机定位方法,利用改进的长短期记忆神经网络对采煤机的惯导数据和里程计数据进行处理,得到采煤机位置定位结果,定位精度高,误差小,采用本申请的方法的定位精度比现有技术的精度都高,能够很好地满足实际应用的需要。
需要说明的是:
术语“模块”并非意图受限于特定物理形式。取决于具体应用,模块可以实现为硬件、固件、软件和/或其组合。此外,不同的模块可以共享公共组件或甚至由相同组件实现。不同模块之间可以存在或不存在清楚的界限。
在此提供的算法和显示不与任何特定计算机、虚拟装置或者其它设备固有相关。各种通用装置也可以与基于在此的示教一起使用。根据上面的描述,构造这类装置所要求的结构是显而易见的。此外,本申请也不针对任何特定编程语言。应当明白,可以利用各种编程语言实现在此描述的本申请的内容,并且上面对特定语言所做的描述是为了披露本申请的最佳实施方式。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本申请的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本公开并帮助理解各个发明方面中的一个或多个,在上面对本申请的示例性实施例的描述中,本申请的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本申请要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如下面的权利要求书所反映的那样,发明方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本申请的单独实施例。
本领域那些技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外,本领域的技术人员能够理解,尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本申请的范围之内并且形成不同的实施例。例如,在下面的权利要求书中,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本申请的各个部件实施例可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本领域的技术人员应当理解,可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本申请实施例的虚拟机的创建装置中的一些或者全部部件的一些或者全部功能。本申请还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如,计算机程序和计算机程序产品)。这样的实现本申请的程序可以存储在计算机可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。
应该注意的是上述实施例对本申请进行说明而不是对本申请进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本申请可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
应该理解的是,虽然附图的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,其可以以其他的顺序执行。而且,附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
以上所述实施例仅表达了本申请的实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种采煤机定位方法,其特征在于,包括:
构建改进的长短期记忆神经网络;
训练所述改进的长短期记忆神经网络;
获取采煤机的惯导数据和里程计数据;
将采煤机的惯导数据和里程计数据输入训练好的所述改进的长短期记忆神经网络中进行处理,得到预测结果。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
将所述预测结果转换为矿区坐标系数据,并输出所述矿区坐标系数据;所述预测结果为WGS84坐标系下的数据。
3.根据权利要求1所述的方法,其特征在于,所述构建改进的长短期记忆神经网络包括设置长短期记忆神经网络的输入维度、输入数据的步长、输入数据读取批次规模和窗口长度、优化器、学习率、隐藏层节点数以及迭代次数。
4.根据权利要求1所述的方法,其特征在于,所述训练所述改进的长短期记忆神经网络,包括:
向所述改进的长短期记忆神经网络输入训练数据,调整所述长短期记忆神经网络的每个参数,查看不同参数组合的LSTM神经网络的收敛程度,选取收敛程度高的参数,得到训练好的改进的长短期记忆神经网络。
5.根据权利要求4所述的方法,其特征在于,所述调整所述长短期记忆神经网络的每个参数的步骤包括:利用梯度的一阶矩阵估计和二阶矩估计动态调整每个参数的学习速率。
6.根据权利要求1所述的方法,其特征在于,所述预测结果包括采煤机的位置坐标和姿态数据。
7.根据权利要求1所述的方法,其特征在于,所述改进的长短期神经网络包括一个输入层和两个隐藏层;所述的隐藏层采用LSTM单元,LSTM单元包括输入门、遗忘门和输出门。
8.一种采煤机定位装置,其特征在于,包括:
构建模块,用于构建改进的长短期记忆神经网络;
训练模块,用于训练所述改进的长短期记忆神经网络;
获取模块,用于获取采煤机的惯导数据和里程计数据;
处理模块,用于将采煤机的惯导数据和里程计数据输入训练好的所述改进的长短期记忆神经网络中进行处理,得到预测结果。
9.根据权利要求1所述的装置,其特征在于,所述装置还包括:
转换模块,用于将所述预测结果转换为矿区坐标系数据,并输出所述矿区坐标系数据;所述预测结果为WGS84坐标系下的数据。
10.一种非临时性计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行,以实现如权利要求1-7中任一所述的采煤机定位方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911198008.2A CN110889494A (zh) | 2019-11-29 | 2019-11-29 | 一种采煤机定位方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911198008.2A CN110889494A (zh) | 2019-11-29 | 2019-11-29 | 一种采煤机定位方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110889494A true CN110889494A (zh) | 2020-03-17 |
Family
ID=69749452
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911198008.2A Pending CN110889494A (zh) | 2019-11-29 | 2019-11-29 | 一种采煤机定位方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110889494A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN205426176U (zh) * | 2015-12-01 | 2016-08-03 | 中国矿业大学 | 一种惯性导航与激光扫描融合的采煤机定位装置 |
CN107239859A (zh) * | 2017-06-05 | 2017-10-10 | 国网山东省电力公司电力科学研究院 | 基于串联长短期记忆循环神经网络的供热负荷预测方法 |
CN108280551A (zh) * | 2018-02-02 | 2018-07-13 | 华北电力大学 | 一种利用长短期记忆网络的光伏发电功率预测方法 |
CN108596327A (zh) * | 2018-03-27 | 2018-09-28 | 中国地质大学(武汉) | 一种基于深度学习的地震速度谱人工智能拾取方法 |
CN108920888A (zh) * | 2018-04-26 | 2018-11-30 | 浙江工业大学 | 一种基于深度神经网络的连续搅拌釜式反应过程辨识方法 |
-
2019
- 2019-11-29 CN CN201911198008.2A patent/CN110889494A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN205426176U (zh) * | 2015-12-01 | 2016-08-03 | 中国矿业大学 | 一种惯性导航与激光扫描融合的采煤机定位装置 |
CN107239859A (zh) * | 2017-06-05 | 2017-10-10 | 国网山东省电力公司电力科学研究院 | 基于串联长短期记忆循环神经网络的供热负荷预测方法 |
CN108280551A (zh) * | 2018-02-02 | 2018-07-13 | 华北电力大学 | 一种利用长短期记忆网络的光伏发电功率预测方法 |
CN108596327A (zh) * | 2018-03-27 | 2018-09-28 | 中国地质大学(武汉) | 一种基于深度学习的地震速度谱人工智能拾取方法 |
CN108920888A (zh) * | 2018-04-26 | 2018-11-30 | 浙江工业大学 | 一种基于深度神经网络的连续搅拌釜式反应过程辨识方法 |
Non-Patent Citations (1)
Title |
---|
雷祖尔卡里姆: "《Scala机器学习 构建现实世界机器学习和深度学习项目》", 31 October 2019 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103472823B (zh) | 一种智能机器人用的栅格地图创建方法 | |
Sermet et al. | Crowdsourced approaches for stage measurements at ungauged locations using smartphones | |
US20160004795A1 (en) | Device, method, apparatus, and computer-readable medium for solar site assessment | |
CN103412565B (zh) | 一种具有全局位置快速估计能力的机器人定位方法 | |
CN109901205B (zh) | 一种水下机器人多传感器融合与运动轨迹预测方法 | |
CN110146909A (zh) | 一种定位数据处理方法 | |
CN111707260B (zh) | 一种基于频域分析及卷积神经网络的定位方法 | |
CN108303043B (zh) | 多传感器信息融合的植物叶面积指数检测方法及系统 | |
CN105589100A (zh) | 一种微地震震源位置和速度模型同时反演方法 | |
CN104090301B (zh) | 一种求取三维高频静校正量的方法 | |
CN114526745A (zh) | 一种紧耦合激光雷达和惯性里程计的建图方法及系统 | |
CN111504392A (zh) | 一种滑坡多要素三维空间监测系统及方法 | |
CN101438184A (zh) | 一种跟踪移动电子设备的状态的方法 | |
Mu et al. | A GNSS/INS-integrated system for an arbitrarily mounted land vehicle navigation device | |
CN105547300A (zh) | 用于auv的全源导航系统及方法 | |
CN108292138A (zh) | 随机地图知悉式立体视觉传感器模型 | |
Miller et al. | A mixture‐model based algorithm for real‐time terrain estimation | |
CN206095257U (zh) | 智能巡视机器人组合导航系统 | |
CN117518196A (zh) | 一种激光雷达的运动补偿方法、装置、系统、设备及介质 | |
CN110889494A (zh) | 一种采煤机定位方法及装置 | |
CN105180955A (zh) | 机动车实时精准定位方法及装置 | |
US11635538B2 (en) | Equivalent linear velocity for first arrival picking of seismic refraction | |
CN111025364A (zh) | 一种基于卫星辅助的机器视觉定位系统及方法 | |
CN102507062B (zh) | 基于神经网络模型bp算法的嵌入式矿压检测方法 | |
CN111650587B (zh) | 一种顾及移动规律的矿区地表三维动态形变估计方法、装置及存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200317 |
|
RJ01 | Rejection of invention patent application after publication |