CN111724289A - 基于时间序列的环保设备识别方法与系统 - Google Patents
基于时间序列的环保设备识别方法与系统 Download PDFInfo
- Publication number
- CN111724289A CN111724289A CN202010588923.9A CN202010588923A CN111724289A CN 111724289 A CN111724289 A CN 111724289A CN 202010588923 A CN202010588923 A CN 202010588923A CN 111724289 A CN111724289 A CN 111724289A
- Authority
- CN
- China
- Prior art keywords
- environmental protection
- type
- protection equipment
- fuzzy
- classification
- 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
- 230000007613 environmental effect Effects 0.000 title claims abstract description 60
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000013528 artificial neural network Methods 0.000 claims abstract description 17
- 238000012216 screening Methods 0.000 claims abstract description 12
- 238000000605 extraction Methods 0.000 claims abstract description 11
- 239000000284 extract Substances 0.000 claims abstract description 5
- 238000012549 training Methods 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 230000015556 catabolic process Effects 0.000 claims description 3
- 238000006731 degradation reaction Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 5
- 230000009286 beneficial effect Effects 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000005265 energy consumption Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000004134 energy conservation Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000003912 environmental pollution Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic
- G06N7/023—Learning or tuning the parameters of a fuzzy system
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Automation & Control Theory (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Fuzzy Systems (AREA)
- Computational Mathematics (AREA)
- Educational Administration (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Biophysics (AREA)
- Development Economics (AREA)
- Algebra (AREA)
- Computational Linguistics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于时间序列的环保设备识别方法与系统,其包括以下步骤:(1)采集环保设备的实时波形数据,并将数据波形转换为灰度图像;(2)基于图神经网络(GNN)提取灰度像图像的节点特征,并使用灰度特征构建二型模糊分类网络,并对模糊规则进行筛选,最终使用精简规则库完成环保设备的分类识别;(3)调用二型模糊分类网络与实时波形数据进行分类,输出环保设备种类。本发明基于图神经网络(GNN)提取特征,不依赖人工提取的特征集,大大减少了人工干预;使用灰度图像,能够更加直观反映环保设备的运行状态,且有利于特征提取;二型模糊分类网络可以处理更高维度、更复杂的数据,分类更加的灵活与准确,从而有利于对实时环保设备数据的识别分类。
Description
技术领域
本发明公开了一种基于时间序列灰度图像的环保设备识别方法,属于人工智能领域。
背景技术
随着国家实力不断增长,在经济进步的大背景下,国家对环境问题倍加关注。2017年以 来,不断有一些环保标准不合格的企业被关停,主要是印刷厂、养猪场等在生产中造成的严 重污染的企业。这表明了国家对环境问题的关注力度不断加大,对企业的环保审查也愈发严 格。
环保设备通常是指为了实现改良环境污染的现状,或者有净化周围空气的目的,某些建 筑单位或者研发部门专门为此而生产和制造出来的系统、建筑设备或者机械装置。企业生产 中投入使用环保设备可明显改善企业的污染排放问题,是贯彻“绿色环保”与“可持续发展”的 重要举措。
国家提出优化产业和能源结构,深化制造业与互联网融合发展,支持重点行业改造升级, 大力淘汰落后产能。加快发展壮大战略性新兴产业。推动能源结构优化,降低煤炭消费比重, 提高非化石能源比重。加强重点领域节能,实施工业能效赶超行动,加强高能耗行业能耗管 控。大力推进建筑节能,发展绿色建筑。加快推进综合交通运输体系建设,着力提高交通运 输工具能效水平。加强公共机构节能,降低单位建筑面积能耗和人均能耗。强化重点用能单 位节能管理,开展重点用能单位“百千万”行动。
虽然国家对企业环保加大了审查力度,但是仍有一些安装了环保设备的企业为了追求利 润选择了铤而走险,例如:私自改装或者不使用环保设备或者为设备加装后门程序,这使得 环保设备无法发挥其原来的作用。
发明内容
为加强企业的环保生产意识及提高监管部门对企业环保设备的监测效率,本发明提出一 种基于时间序列灰度图的环保设备识别方法与系统。
为实现上述目的,本发明采用下述技术方案:
本发明提供了一种基于时间序列的环保设备识别方法,包括以下步骤:
(1)采集环保设备的实时波形数据,并将数据波形转换为灰度图像;
(2)基于图神经网络(GNN)提取灰度像图像的节点特征,并使用灰度特征构建二型模糊分类网络,并对模糊规则进行筛选,最终使用精简规则库完成环保设备的分 类识别;
(3)调用二型模糊分类网络与实时波形数据进行分类,输出环保设备种类。
优选的,所述步骤(1)步骤中将实际环保设备的电压、电流和功率波形数据转化为灰度 图像。
优选的,所述步骤(1)步骤中对采集的数据经人工标注设备种类标签,已标注设备种类 标签为t∈{1,2,…,k,k+1,k+2},其中,1,2,…,k为环保设备类型,k+1为故障设备,k+2为 无关设备。
优选的,所述步骤(2)步骤如下:
步骤1:图像特征提取:基于图神经网络(GNN)提取灰度图像的节点特征;
图神经网络(GNN)提取输入灰度图GU、GI、GP的节点vu=[vu1,vu2,…,vun], vi=[vi1,vi2,…,vin],vp=[vp1,vp2,…,vpn]。并根据每个节点的位置p与纹理信息m,计算节点相似度δ,并基于相似度δ对节点进行分类,节点分类后表示为V=[vδ1,vδ2,…,vδn] (Vδ1,Vδ2,…,Vδn为分类后的节点),最后计算V=[vδ1,vδ2,…,vδn]的特征权重T=[EX,EY,EZ]。
最终,环保设备灰度图像GU、GI、GP特征表示为T=[EX,EY,EZ],其中,EX、EY、EZ分 别为GU、GI、GP的图像特征权重。
步骤2:使用灰度图特征T=[EX,EY,EZ]构建二型模糊分类网络,并对模糊规则进行筛选, 最终使用精简规则库完成环保设备的分类识别;
1)根据灰度图特征矩阵T=[EX,EY,EZ]确定EX、EY、EZ的论域U、V、W范围: [un,ul],[in,il],[pi,pl],并根据专家知识确定EX、EY、EZ在论域U、V、W中二型模糊 集个数,数量分别为a、b、c个。
2)根据环保设备的类型t∈{1,2,…,k,k+1,k+2}确定输出模糊集论域O,则论域O内 二型模糊集数量为k+2个,则整个网络输入输出对应关系可表示为 f:U×V×W→O。
3)根据论域中二型模糊集的划分,建立完备规则库,并对完备规则库中的规则进行 筛选:设置规则置信度阈值HConf,分类网络计算规则置信度conf(Rl),并比较 conf(Rl)与HConf的大小并筛选规则,从而构建精简规则库。
4)精简规则库建立后,输入向量模糊化并根据相应规则Rl输出一个二型模糊集Dt,t∈{1,2,…,k+1,k+2},其中对Dt进行Centroid降型,将Dt降型为一型模 糊集Dt'。最后,对降型后的一型模糊集Dt'解模糊,进而输出环保设备的类型。
优选的,所述步骤(2)中全部数据分为两部分:训练集和验证集,用训练集集训练二型 模糊分类网络,直到其满足分类精度要求,再用验证集测试分类网络性能,若其泛化性能较 差,可重新设置阈值参数或增加训练集数据量对网络重新训练,直到得到满意的分类网络为 止。
优选的,所述步骤(3)中,采集设备实时波形并转化为实时灰度图像,图神经网络(GNN) 提取实时灰度特征EX'、EY'、EZ',组成实时特征矩阵T',将T'输入至识别模块,识别模块 调用二型模糊分类网络,并根据精简规则库相应规则得到输出模糊集Dt',最后,Dt'经过降 型与解模糊,输出环保设备类型。
本发明还提供一种基于时间序列的环保设备识别系统,用于在执行时实现所述的基于时 间序列的环保设备识别方法的步骤,包括:
信息采集模块,该模块用于执行步骤(1)的方法;
识别模型构建模块,该模块用于执行步骤(2)的方法;
识别模块,该模块用于执行步骤(3)的方法。
本发明的技术方案具有以下有益效果:
1.图神经网络(GNN)能够处理图像中的无序节点,并从节点中提取特征,不依赖人工提取的特征集,大大减少了建模过程中的人工干预。
2.使用灰度图像作为用电设备的实时输入,能够更加直观反映环保设备的运行状态,且 有利于特征提取。
3.二型模糊分类器相较于传统模糊可以处理更高维度、更复杂的数据,分类更加的灵活 与准确,从而有利于对实时环保设备数据的识别分类。
4.对设备进行识别与监测,有利于监管企业正常使用环保设备,减少因设备停用或不用 造成的环境污染与资源浪费。
5.有利于企业掌握环保设备运行状态,对非人为停用设备进行及时排查与检修,保障企 业不受因设备停用而造成的损失。
6.有利于监管部门对企业的监督,同时大大提高了对企业环保问题的监督效率。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和 容易理解,其中:
图1是本发明各部分功能结构图;
图2是本发明波形灰度图;
图3是本发明图神经网络(GNN)特征提取过程示意图;
图4是本发明识别模型流程图;
图5是本发明主要流程图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或 类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的 实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。
为加强企业的环保生产意识及提高监管部门对企业环保设备的监测效率。本发明提出一 种基于时间序列灰度图的环保设备识别方法,其主要分为两部分:
数据处理:对设备进行数据采集、灰度图像转换及特征提取,将处理后的数据输入至分 类网络。
分类识别:该部分主要实现模型构建与实时数据识别功能,主要由模型库和识别模块构 成。使用人工标注数据建立模型库,识别模块通过调用模型库的最优分类网络完成对环保设 备的实时识别。
各部分功能如图1所示。
1.数据处理
数据处理包括数据的采集、灰度图像转换。采集环保设备的实时波形数据,并将数据波 形转换为灰度图像。采集的前期数据可经过人工标注分类后建立分类模型。
将实际环保设备的电压、电流和功率波形数据转化为灰度图像,灰度图像如图2所示。
图2中,用GU、GI、GP分别代表了电压谐波、电流谐波及功率的灰度图像,已标注设备种类标签为t∈{1,2,…,k,k+1,k+2},其中,1,2,…,k为环保设备类型,k+1为故障设备,k+2为无关设备。
将全部已标注数据均做上述处理,并随机选取80%数据作为训练集,20%作为验证集。
2.分类识别
该部分分为识别模型与识别模块两部分。识别模型是基于图神经网络(GNN)的二型模 糊分类网络。识别模块调用分类网络完成对实时数据的识别分类。
(1)图像特征提取
本部分基于图神经网络(GNN)提取灰度图像的节点特征。图神经网络(GNN)特征提取流程如图3所示。
图神经网络(GNN)提取输入灰度图GU、GI、GP的节点vu=[vu1,vu2,…,vun], vi=[vi1,vi2,…,vin],vp=[vp1,vp2,…,vpn]。并根据每个节点的位置p与纹理信息m,计算节点相似度δ,并基于相似度δ对节点进行分类,节点分类后表示为V=[vδ1,vδ2,…,vδn] (Vδ1,Vδ2,…,Vδn为分类后的节点),最后计算V=[vδ1,vδ2,…,vδn]的特征权重T=[EX,EY,EZ]。
最终,环保设备灰度图像GU、GI、GP特征表示为T=[EX,EY,EZ],其中,EX、EY、EZ分 别为GU、GI、GP的图像特征权重。
(2)二型模糊分类网络
使用灰度图特征T=[EX,EY,EZ]构建二型模糊分类网络,并对模糊规则进行筛选,最终 使用精简规则库完成环保设备的分类识别。
1)根据灰度图特征矩阵T=[EX,EY,EZ]确定EX、EY、EZ的论域U、V、W范围: [un,ul],[in,il],[pi,pl],并根据专家知识确定EX、EY、EZ在论域U、V、W中二型模糊 集个数,数量分别为a、b、c个。
2)根据环保设备的类型t∈{1,2,…,k,k+1,k+2}确定输出模糊集论域O,则论域O内二型 模糊集数量为k+2个,则整个网络输入输出对应关系可表示为f:U×V×W→O。
3)根据论域中二型模糊集的划分,建立完备规则库,并对完备规则库中的规则进行筛选: 设置规则置信度阈值HConf,分类网络计算规则置信度conf(Rl),并比较conf(Rl)与HConf的大小并筛选规则,从而构建精简规则库。
4)精简规则库建立后,输入向量模糊化并根据相应规则Rl输出一个二型模糊集Dt,t∈{1,2,…,k+1,k+2},其中对Dt进行Centroid降型,将Dt降型为一型模 糊集Dt'。最后,对降型后的一型模糊集Dt'解模糊,进而输出环保设备的类型。
5)用训练集集训练二型模糊分类网络,直到其满足分类精度要求,再用验证集测试分类 网络性能,若其泛化性能较差,可重新设置阈值参数或增加训练集数据量对网络重新训练,直到得到满意的分类网络为止。
识别模型的识别流程如图4所示。
(3)识别模块
分类模块的功能是调用二型模糊分类网络与实时波形数据进行分类,输出环保设备种类。
采集设备实时波形并转化为实时灰度图像,图神经网络(GNN)提取实时灰度特征EX'、EY'、EZ',组成实时特征矩阵T',将T'输入至识别模块,识别模块调用二型模糊分类 网络,并根据精简规则库相应规则得到输出模糊集Dt',最后,Dt'经过降型与解模糊,输出 环保设备类型。
本发明的整体步骤(主要流程图)如图5所示。
尽管已经示出和描述了本发明的实施例,本领域的普通技术人员可以理解:在不脱离本 发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的 范围由权利要求及其等同物限定。
Claims (7)
1.一种基于时间序列的环保设备识别方法,其特征在于,包括以下步骤:
(1)采集环保设备的实时波形数据,并将数据波形转换为灰度图像;
(2)基于图神经网络(GNN)提取灰度像图像的节点特征,并使用灰度特征构建二型模糊分类网络,并对模糊规则进行筛选,最终使用精简规则库完成环保设备的分类识别;
(3)调用二型模糊分类网络与实时波形数据进行分类,输出环保设备种类。
2.根据权利要求1所述的基于时间序列的环保设备识别方法,其特征在于,所述步骤(1)步骤中将实际环保设备的电压、电流和功率波形数据转化为灰度图像。
3.根据权利要求1所述的基于时间序列的环保设备识别方法,其特征在于,所述步骤(1)步骤中对采集的数据经人工标注设备种类标签,已标注设备种类标签为t∈{1,2,…,k,k+1,k+2},其中,1,2,…,k为环保设备类型,k+1为故障设备,k+2为无关设备。
4.根据权利要求1所述的基于时间序列的环保设备识别方法,其特征在于,所述步骤(2)步骤如下:
步骤1:图像特征提取:基于图神经网络(GNN)提取灰度图像的节点特征;
图神经网络(GNN)网络提取输入灰度图GU、GI、GP的节点vu=[vu1,vu2,…,vun],vi=[vi1,vi2,…,vin],vp=[vp1,vp2,…,vpn];并根据每个节点的位置p与纹理信息m,计算节点相似度δ,并基于相似度δ对节点进行分类,节点分类后表示为V=[vδ1,vδ2,…,vδn](Vδ1,Vδ2,…,Vδn为分类后的节点),最后计算V=[vδ1,vδ2,…,vδn]的特征权重T=[EX,EY,EZ];
最终,环保设备灰度图像GU、GI、GP特征表示为T=[EX,EY,EZ],其中,EX、EY、EZ分别为GU、GI、GP的图像特征权重。
步骤2:使用灰度图特征T=[EX,EY,EZ]构建二型模糊分类网络,并对模糊规则进行筛选,最终使用精简规则库完成环保设备的分类识别;
1)根据灰度图特征矩阵T=[EX,EY,EZ]确定EX、EY、EZ的论域U、V、W范围:[un,ul],[in,il],[pi,pl],并根据专家知识确定EX、EY、EZ在论域U、V、W中二型模糊集个数,数量分别为a、b、c个;
2)根据环保设备的类型t∈{1,2,…,k,k+1,k+2}确定输出模糊集论域O,则论域O内二型模糊集数量为k+2个,则整个网络输入输出对应关系可表示为f:U×V×W→O;
3)根据论域中二型模糊集的划分,建立完备规则库,并对完备规则库中的规则进行筛选:设置规则置信度阈值HConf,分类网络计算规则置信度conf(Rl),并比较conf(Rl)与HConf的大小并筛选规则,从而构建精简规则库;
5.根据权利要求4所述的基于时间序列的环保设备识别方法,其特征在于,所述步骤(2)中全部数据分为两部分:训练集和验证集,用训练集集训练二型模糊分类网络,直到其满足分类精度要求,再用验证集测试分类网络性能,若其泛化性能较差,可重新设置阈值参数或增加训练集数据量对网络重新训练,直到得到满意的分类网络为止。
6.根据权利要求1所述的基于时间序列的环保设备识别方法,其特征在于,所述步骤(3)中,采集设备实时波形并转化为实时灰度图像,图神经网络(GNN)提取实时灰度特征EX'、EY'、EZ',组成实时特征矩阵T',将T'输入至识别模块,识别模块调用二型模糊分类网络,并根据精简规则库相应规则得到输出模糊集Dt',最后,Dt'经过降型与解模糊,输出环保设备类型。
7.一种基于时间序列的环保设备识别系统,其特征在于,用于在执行时实现权利要求1-6任一项所述的基于时间序列的环保设备识别方法的步骤,包括:
信息采集模块,该模块用于执行步骤(1)的方法;
识别模型构建模块,该模块用于执行步骤(2)的方法;
识别模块,该模块用于执行步骤(3)的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010588923.9A CN111724289A (zh) | 2020-06-24 | 2020-06-24 | 基于时间序列的环保设备识别方法与系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010588923.9A CN111724289A (zh) | 2020-06-24 | 2020-06-24 | 基于时间序列的环保设备识别方法与系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111724289A true CN111724289A (zh) | 2020-09-29 |
Family
ID=72568775
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010588923.9A Pending CN111724289A (zh) | 2020-06-24 | 2020-06-24 | 基于时间序列的环保设备识别方法与系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111724289A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104121949A (zh) * | 2014-08-18 | 2014-10-29 | 中国船舶重工集团公司第七一二研究所 | 一种船舶电力推进系统状态监测方法 |
CN104961009A (zh) * | 2015-05-27 | 2015-10-07 | 山东建筑大学 | 基于机器视觉的多电梯并联运行协调控制方法及系统 |
CN109100627A (zh) * | 2018-10-31 | 2018-12-28 | 红相股份有限公司 | 一种基于端到端模式的电力设备局部放电故障诊断方法 |
CN109684295A (zh) * | 2018-12-04 | 2019-04-26 | 河北申科电力股份有限公司 | 环保设备运行状态分析方法、装置和系统 |
CN110008819A (zh) * | 2019-01-30 | 2019-07-12 | 武汉科技大学 | 一种基于图卷积神经网络的人脸表情识别方法 |
CN111242227A (zh) * | 2020-01-16 | 2020-06-05 | 天津师范大学 | 一种基于异构深度特征的多模态地基云识别方法 |
-
2020
- 2020-06-24 CN CN202010588923.9A patent/CN111724289A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104121949A (zh) * | 2014-08-18 | 2014-10-29 | 中国船舶重工集团公司第七一二研究所 | 一种船舶电力推进系统状态监测方法 |
CN104961009A (zh) * | 2015-05-27 | 2015-10-07 | 山东建筑大学 | 基于机器视觉的多电梯并联运行协调控制方法及系统 |
CN109100627A (zh) * | 2018-10-31 | 2018-12-28 | 红相股份有限公司 | 一种基于端到端模式的电力设备局部放电故障诊断方法 |
CN109684295A (zh) * | 2018-12-04 | 2019-04-26 | 河北申科电力股份有限公司 | 环保设备运行状态分析方法、装置和系统 |
CN110008819A (zh) * | 2019-01-30 | 2019-07-12 | 武汉科技大学 | 一种基于图卷积神经网络的人脸表情识别方法 |
CN111242227A (zh) * | 2020-01-16 | 2020-06-05 | 天津师范大学 | 一种基于异构深度特征的多模态地基云识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112699892A (zh) | 一种无监督领域自适应语义分割方法 | |
Huang et al. | An integrated computational intelligence approach to product concept generation and evaluation | |
Azis et al. | Waste classification using convolutional neural network | |
CN109359697A (zh) | 一种电力设备巡检中使用的图形图像识别方法及巡查系统 | |
CN112685504B (zh) | 一种面向生产过程的分布式迁移图学习方法 | |
CN112381248A (zh) | 一种基于深度特征聚类和lstm的配电网故障诊断方法 | |
CN111860193B (zh) | 一种基于文本的行人检索自监督视觉表示学习系统及方法 | |
CN111970400B (zh) | 骚扰电话识别方法及装置 | |
CN113516379B (zh) | 一种智能质检的工单评分方法 | |
CN112906790B (zh) | 一种基于用电数据的独居老人识别方法和系统 | |
CN110751191A (zh) | 一种图像的分类方法及系统 | |
CN111598476A (zh) | 一种基于稀疏自编码与svm的智慧城市环卫资源调度系统 | |
CN114387121A (zh) | 一种电力仓储物资供应的协同优化调度方法及系统 | |
Al-Gunaid et al. | Forecasting energy consumption with the data reliability estimatimation in the management of hybrid energy system using fuzzy decision trees | |
Gan et al. | Research on the algorithm of urban waste classification and recycling based on deep learning technology | |
CN108596224A (zh) | 基于半监督学习的孪生超限学习机分类的数据处理方法 | |
CN113793227B (zh) | 一种用于社交网络事件的类人智能感知与预测方法 | |
CN109635008B (zh) | 一种基于机器学习的设备故障检测方法 | |
CN116541755A (zh) | 一种基于时序图表征学习的金融行为模式分析预测方法 | |
CN111724289A (zh) | 基于时间序列的环保设备识别方法与系统 | |
CN110059189B (zh) | 一种游戏平台消息的分类系统及方法 | |
CN110348517A (zh) | 一种基于大数据的清洁能源供暖系统报警分类预测方法 | |
CN109034453A (zh) | 一种基于多标记神经网络的短期电力负荷预测方法 | |
CN115129875A (zh) | 基于图神经网络的建筑事故报告分类系统及其方法 | |
CN115271320A (zh) | 一种基于模糊聚类算法模型的可再生能源耗能评估方法 |
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 |