CN111797750A - 基于bp神经网络的电梯轿厢地坎与井道内表面测距方法 - Google Patents
基于bp神经网络的电梯轿厢地坎与井道内表面测距方法 Download PDFInfo
- Publication number
- CN111797750A CN111797750A CN202010607106.3A CN202010607106A CN111797750A CN 111797750 A CN111797750 A CN 111797750A CN 202010607106 A CN202010607106 A CN 202010607106A CN 111797750 A CN111797750 A CN 111797750A
- Authority
- CN
- China
- Prior art keywords
- neural network
- sill
- elevator car
- distance
- error
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
- G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B66—HOISTING; LIFTING; HAULING
- B66B—ELEVATORS; ESCALATORS OR MOVING WALKWAYS
- B66B5/00—Applications of checking, fault-correcting, or safety devices in elevators
- B66B5/0006—Monitoring devices or performance analysers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- 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
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Signal Processing (AREA)
- Indicating And Signalling Devices For Elevators (AREA)
Abstract
本发明公开了一种基于BP神经网络的电梯轿厢地坎与井道内表面测距方法,方法包括:利用激光、超声波以及视觉传感器同时多次采集电梯轿厢地坎与井道内表面的距离信息;利用EMD小波算法对超声波传感器采集的原始数据进行消噪处理,利用均值滤波法对其他传感器采集的原始数据进行消噪处理;通过自适应学习率的BP神经网络算法对消噪后的传感器数据进行融合,获得电梯轿厢地坎与井道内表面的最终距离。本发明方法采用了差异化的学习率,能够动态调节不同节点之间的权重,使得收敛误差函数所需的时间减少,同时,采用自适应学习率的BP神经网络算法进行多传感器数据融合,弥补了单一传感器测量存在的不足,提高了测距的准确性和可靠性,适应性更广。
Description
技术领域
本发明属于电梯轿厢地坎与井道内表面距离智能测量领域,特别涉及一种基于BP神经网络的电梯轿厢地坎与井道内表面测距方法。
背景技术
电梯作为一种垂直运输工具,广泛用于住宅、宾馆、商场、办公楼等高层建筑中,是现代城市生活必不可少的交通工具,但我国的电梯管理模式、检验技术水平、现行标准与发达国家相比还存在一定的差距,尤其是检验技术方面的深入研究相对滞后,给制造企业和检验单位带来很多困难。
安全性是电梯所有性能指标中最关键的一项,其中电梯轿厢与井道内表面的距离是电梯安全运行的重要参数指标。现有的特检行业几乎均采用人工检验的方法,该方法操作困难、比较繁琐、耗时长、检验效率低、精度差,对于一些垂直度不规则的井道内表面,容易出现误判现象。因此,如何准确、完整、快捷地获得电梯轿厢地坎与井道内表面距离是检验人员亟需解决的技术问题。
文献“一种针对电梯安全距离的超声波测距系统设计”,针对拖曳式电梯轿厢与入口井道壁安全距离的监测,将超声波应用于短距离测距中,经济有效、方便实用,但是测量精度、抗干扰性差强人意;文献“基于BP神经网络信息融合的智能家居安全系统研究”,使用基于BP神经网络的数据融合方法在一定程度上可以较为准确的对智能家居安全性进行分析,但是收敛速度太慢,传统的学习率算法依然存在不足之处。
发明内容
本发明的目的在于针对上述现有技术存在的问题,提供一种基于BP神经网络的电梯轿厢地坎与井道内表面测距方法。
实现本发明目的的技术解决方案为:基于BP神经网络的电梯轿厢地坎与井道内表面测距方法,所述方法包括以下步骤:
步骤1、利用激光传感器、超声波传感器以及视觉传感器同时多次采集电梯轿厢地坎与井道内表面的距离信息,记为距离信息的原始数据;
步骤2、利用EMD小波算法对超声波传感器采集的原始数据进行消噪处理,利用均值滤波法对激光传感器以及视觉传感器采集的原始数据进行消噪处理;
步骤3、通过自适应学习率的BP神经网络算法对上述消噪后的传感器数据进行融合,获得电梯轿厢地坎与井道内表面的最终距离。
本发明与现有技术相比,其显著优点为:1)采用EMD小波消噪算法,提高了超声波测距的检测精度和抗干扰性能;2)在传统BP神经网络算法的基础上,引入了自适应调整因子,实现了连接权值以及阈值的自动修正,解决了收敛速度过慢的问题;3)采用自适应学习率的BP神经网络算法对多传感器数据进行融合,弥补了单一传感器测量存在的不足,提高了获得的电梯轿厢地坎与井道内表面的距离信息的精确度。
下面结合附图对本发明作进一步详细描述。
附图说明
图1为一个实施例中基于BP神经网络的电梯轿厢地坎与井道内表面测距方法的流程图。
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,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在一个实施例中,结合图1,提供了一种基于BP神经网络的电梯轿厢地坎与井道内表面测距方法,所述方法包括以下步骤:
步骤1、利用激光传感器、超声波传感器以及视觉传感器同时多次采集电梯轿厢地坎与井道内表面的距离信息,记为距离信息的原始数据;
步骤2、利用EMD小波算法对超声波传感器采集的原始数据进行消噪处理,利用均值滤波法对激光传感器以及视觉传感器采集的原始数据进行消噪处理;
这里,均值滤波法的公式为:
式中,d(i)、u(i)分别为激光传感器、视觉传感器采集到的第i个原始数据,N为采集的总次数;
步骤3、通过自适应学习率的BP神经网络算法对上述消噪后的传感器数据进行融合,获得电梯轿厢地坎与井道内表面的最终距离。
进一步地,在其中一个实施例中,步骤2所述利用EMD小波算法对超声波传感器采集的原始数据进行消噪处理,具体过程包括:
步骤1-1、对采集到的超声波信号x(t)进行EMD分解,获得n个IMF分量和一个残余分量;
步骤1-2,利用小波消噪算法对每个IMF分量进行消噪,之后合成消噪后的IMF分量和残余分量,获得消噪后的超声波信号。
进一步地,在其中一个实施例中,步骤1-1所述对采集到的超声波信号x(t)进行EMD分解,获得n个IMF分量,具体过程包括:
步骤1-1-1,获取超声波信号x(t)的所有极值点,包括极大值点和极小值点;
步骤1-1-2,基于所述极大值点构建x(t)的上包络曲线,基于所述极小值点构建x(t)的下包络曲线,所述x(t)的所有点均位于上、下包络曲线之间;
步骤1-1-3,将所述上、下包络曲线求和并取平均值获得新的曲线m1(t),同时定义x(t)与m1(t)的差为:
h1 1(t)=x(t)-m1(t)
步骤1-1-4,判断h1 1(t)是否满足以下标准:
1)在整个时间范围内,函数中包含的极值点数目与零点数目的差值小于等于1;
2)在任一点处,上、下包络线的均值为零;
若满足,则h1 1(t)为x(t)的第一个IMF分量,记为c1(t);反之,则表示h1 1(t)不是IMF分量,则继续对h1 1(t)重复上述的计算与判断过程,直到得到满足以上两点标准的分量h1 k(t),则h1 k(t)为x(t)的第一个IMF分量,记为c1(t);
步骤1-1-5,对x(t)与c1(t)做差得:
r1(t)=x(t)-c1(t)
将r1(t)作为新的超声波信号重复以上筛分过程,获得第二个IMF分量c2(t)以及第二个余量r2(t),依此类推,直至筛分出的IMF分量cn(t)或最后的余量rn(t)为单调函数时,结束EMD分解过程;由此将超声波信号x(t)分解为n个IMF分量和一个残余分量:
进一步地,在其中一个实施例中,步骤1-2所述利用小波消噪算法对每个IMF分量进行消噪,具体过程包括:
步骤1-2-1,根据Haar小波基确定小波系数:
式中,ci(t)为第i个IMF分量,fi(a,b)为ci(t)的小波系数,a、b为小波函数变换参数,ψHaar为Haar小波基;
步骤1-2-2,对所有的小波系数fi(a,b)取绝对值,并进行升序排列,之后对序列中的每个元素取平方值,获得一组新的序列:
yi(a,b)=(sort(|fi(a,b)|))2
步骤1-2-3,计算rigrsure阈值Ti_regrsure:
式中,σ为噪声的估计方差,其计算公式为:
式中,median(fi(a,b))为小波系数的中间值;
步骤1-2-4,利用阈值函数进行消噪:
式中,fi(a,b)为消除噪声后的第i个IMF分量的小波系数;
根据步骤1-2-1至步骤1-2-4的过程进行反向重构,获得消除噪声后的第i个IMF分量。
进一步地,在其中一个实施例中,步骤3所述通过自适应学习率的BP神经网络算法对上述消噪后的传感器数据进行融合,获得电梯轿厢地坎与井道内表面的最终距离,具体过程包括:
步骤3-1,初始化BP神经网络,包括确定各层神经元个数以及隐藏层中的传递函数,初始化输入层I到隐藏层J的权值矩阵U,以及隐藏层J到输出层P的权值矩阵V,设定期望输出E、误差精度e、初始学习率以及权重矩阵W=[ω1,ω2,ω3,.......,ωm];将已知的传感器采集的电梯轿厢地坎与井道内表面的距离数据,及其对应的实际距离输入至BP神经网络;
步骤3-2,计算正向传播误差E(0);
步骤3-3,判断正向传播误差是否小于误差精度e,若是,则输出当前权重矩阵,结束训练并执行步骤3-7;否则执行下一步;
步骤3-5,调节权值ωi,所用公式为:
ωi(n+1)=Δωi(n)+ωi(n)
式中,Δωi(n)表示调整的权值变化量,ηi(n)为该权值在第n次调整时的学习率,其中,μ为自适应调整因子,μ=sgn(F(k)F(k-1)),F(k)为k时刻的权值负梯度,μ的取值为1或者-1;这里,由于学习率η的增大与减小不能简单的仅仅依靠倍率因子来决定,因此引入自适应调整因子μ,当μ=1时,连续两次迭代的梯度方向一致,但其下降速度太慢,取1~2之间的随机参数,来增大学习速率;当μ=-1时,连续两次迭代得到的梯度方向是相反的,说明是下降速度又过于快了,任取0~1之间的某个数据,从而降低学习的速率;
步骤3-6,计算正向传播误差,判断该误差与前一次误差的关系:若该误差相比于前一次误差减小了,取μ为1,增大学习率,返回步骤3-5重新调节权值ωi,之后重复本步骤直至正向传播误差相比前一次误差增大为止,并返回步骤3-3进行下一次迭代;若该误差相比于前一次误差增大了,取μ为-1,减小学习率,返回步骤3-5重新调节权值ωi,之后重复本步骤直至正向传播误差相比前一次误差减小为止,并返回步骤3-3进行下一次迭代;
步骤3-7,将消噪后的传感器数据输入训练后的BP神经网络,输出电梯轿厢地坎与井道内表面的最终距离。
本发明方法采用了差异化的学习率,能够动态调节不同节点之间的权重,使得收敛误差函数所需的时间减少,同时,采用自适应学习率的BP神经网络算法进行多传感器数据融合,弥补了单一传感器测量存在的不足,提高了测距的准确性和可靠性,适应性更广。
以上显示和描述了本发明的基本原理、主要特征及优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (5)
1.基于BP神经网络的电梯轿厢地坎与井道内表面测距方法,其特征在于,所述方法包括以下步骤:
步骤1、利用激光传感器、超声波传感器以及视觉传感器同时多次采集电梯轿厢地坎与井道内表面的距离信息,记为距离信息的原始数据;
步骤2、利用EMD小波算法对超声波传感器采集的原始数据进行消噪处理,利用均值滤波法对激光传感器以及视觉传感器采集的原始数据进行消噪处理;
步骤3、通过自适应学习率的BP神经网络算法对上述消噪后的传感器数据进行融合,获得电梯轿厢地坎与井道内表面的最终距离。
2.根据权利要求1所述的基于BP神经网络的电梯轿厢地坎与井道内表面测距方法,其特征在于,步骤2所述利用EMD小波算法对超声波传感器采集的原始数据进行消噪处理,具体过程包括:
步骤1-1、对采集到的超声波信号x(t)进行EMD分解,获得n个IMF分量和一个残余分量;
步骤1-2,利用小波消噪算法对每个IMF分量进行消噪,之后合成消噪后的IMF分量和残余分量,获得消噪后的超声波信号。
3.根据权利要求2所述的基于BP神经网络的电梯轿厢地坎与井道内表面测距方法,其特征在于,步骤1-1所述对采集到的超声波信号x(t)进行EMD分解,获得n个IMF分量,具体过程包括:
步骤1-1-1,获取超声波信号x(t)的所有极值点,包括极大值点和极小值点;
步骤1-1-2,基于所述极大值点构建x(t)的上包络曲线,基于所述极小值点构建x(t)的下包络曲线,所述x(t)的所有点均位于上、下包络曲线之间;
步骤1-1-3,将所述上、下包络曲线求和并取平均值获得新的曲线m1(t),同时定义x(t)与m1(t)的差为:
h1 1(t)=x(t)-m1(t)
步骤1-1-4,判断h1 1(t)是否满足以下标准:
1)在整个时间范围内,函数中包含的极值点数目与零点数目的差值小于等于1;
2)在任一点处,上、下包络线的均值为零;
若满足,则h1 1(t)为x(t)的第一个IMF分量,记为c1(t);反之,则表示h1 1(t)不是IMF分量,则继续对h1 1(t)重复上述的计算与判断过程,直到得到满足以上两点标准的分量h1 k(t),则h1 k(t)为x(t)的第一个IMF分量,记为c1(t);
步骤1-1-5,对x(t)与c1(t)做差得:
r1(t)=x(t)-c1(t)
将r1(t)作为新的超声波信号重复以上筛分过程,获得第二个IMF分量c2(t)以及第二个余量r2(t),依此类推,直至筛分出的IMF分量cn(t)或最后的余量rn(t)为单调函数时,结束EMD分解过程;由此将超声波信号x(t)分解为n个IMF分量和一个残余分量:
4.根据权利要求3所述的基于BP神经网络的电梯轿厢地坎与井道内表面测距方法,其特征在于,步骤1-2所述利用小波消噪算法对每个IMF分量进行消噪,具体过程包括:
步骤1-2-1,根据Haar小波基确定小波系数:
式中,ci(t)为第i个IMF分量,fi(a,b)为ci(t)的小波系数,a、b为小波函数变换参数,ψHaar为Haar小波基;
步骤1-2-2,对所有的小波系数fi(a,b)取绝对值,并进行升序排列,之后对序列中的每个元素取平方值,获得一组新的序列:
yi(a,b)=(sort(|fi(a,b)|))2
步骤1-2-3,计算rigrsure阈值Ti_regrsure:
式中,σ为噪声的估计方差,其计算公式为:
式中,median(fi(a,b))为小波系数的中间值;
步骤1-2-4,利用阈值函数进行消噪:
式中,fi(a,b)为消除噪声后的第i个IMF分量的小波系数;
根据步骤1-2-1至步骤1-2-4的过程进行反向重构,获得消除噪声后的第i个IMF分量。
5.根据权利要求1所述的基于BP神经网络的电梯轿厢地坎与井道内表面测距方法,其特征在于,步骤3所述通过自适应学习率的BP神经网络算法对上述消噪后的传感器数据进行融合,获得电梯轿厢地坎与井道内表面的最终距离,具体过程包括:
步骤3-1,初始化BP神经网络,包括确定各层神经元个数以及隐藏层中的传递函数,初始化输入层I到隐藏层J的权值矩阵U,以及隐藏层J到输出层P的权值矩阵V,设定期望输出E、误差精度e、初始学习率以及权重矩阵W=[ω1,ω2,ω3,.......,ωm];将已知的传感器采集的电梯轿厢地坎与井道内表面的距离数据,及其对应的实际距离输入至BP神经网络;
步骤3-2,计算正向传播误差E(0);
步骤3-3,判断正向传播误差是否小于误差精度e,若是,则输出当前权重矩阵,结束训练并执行步骤3-7;否则执行下一步;
步骤3-5,调节权值ωi,所用公式为:
ωi(n+1)=Δωi(n)+ωi(n)
步骤3-6,计算正向传播误差,判断该误差与前一次误差的关系:若该误差相比于前一次误差减小了,取μ为1,增大学习率,返回步骤3-5重新调节权值ωi,之后重复本步骤直至正向传播误差相比前一次误差增大为止,并返回步骤3-3进行下一次迭代;若该误差相比于前一次误差增大了,取μ为-1,减小学习率,返回步骤3-5重新调节权值ωi,之后重复本步骤直至正向传播误差相比前一次误差减小为止,并返回步骤3-3进行下一次迭代;
步骤3-7,将消噪后的传感器数据输入训练后的BP神经网络,输出电梯轿厢地坎与井道内表面的最终距离。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010607106.3A CN111797750A (zh) | 2020-06-30 | 2020-06-30 | 基于bp神经网络的电梯轿厢地坎与井道内表面测距方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010607106.3A CN111797750A (zh) | 2020-06-30 | 2020-06-30 | 基于bp神经网络的电梯轿厢地坎与井道内表面测距方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111797750A true CN111797750A (zh) | 2020-10-20 |
Family
ID=72804687
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010607106.3A Pending CN111797750A (zh) | 2020-06-30 | 2020-06-30 | 基于bp神经网络的电梯轿厢地坎与井道内表面测距方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111797750A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113772503A (zh) * | 2021-08-17 | 2021-12-10 | 南京理工大学紫金学院 | 一种基于大数据的小区电梯智能停靠方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108537335A (zh) * | 2017-03-06 | 2018-09-14 | 南京理工大学 | 一种自适应学习率的bp神经网络算法 |
CN110245746A (zh) * | 2019-06-19 | 2019-09-17 | 广州供电局有限公司 | 一种bp神经网络学习率的改进方法 |
-
2020
- 2020-06-30 CN CN202010607106.3A patent/CN111797750A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108537335A (zh) * | 2017-03-06 | 2018-09-14 | 南京理工大学 | 一种自适应学习率的bp神经网络算法 |
CN110245746A (zh) * | 2019-06-19 | 2019-09-17 | 广州供电局有限公司 | 一种bp神经网络学习率的改进方法 |
Non-Patent Citations (3)
Title |
---|
尹云鹏: "基于传感器信息融合的移动机器人动态避障方法研究", 中国优秀硕士学位论文全文数据库信息科技辑 * |
朱振国;田松禄;: "基于权值变化的BP神经网络自适应学习率改进研究", 计算机系统应用 * |
陈奕君: "基于多传感器信息融合的机器人避障研究", 中国优秀硕士学位论文全文数据库信息科技辑 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113772503A (zh) * | 2021-08-17 | 2021-12-10 | 南京理工大学紫金学院 | 一种基于大数据的小区电梯智能停靠方法 |
CN113772503B (zh) * | 2021-08-17 | 2022-10-28 | 南京理工大学紫金学院 | 一种基于大数据的小区电梯智能停靠方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107247259B (zh) | 基于神经网络的k分布海杂波形状参数估计方法 | |
CN109669049B (zh) | 一种基于卷积神经网络的粒子图像测速方法 | |
CN109492808B (zh) | 一种室内停车场剩余车位预测方法 | |
CN111368607B (zh) | 一种机器人、障碍物的检测方法及检测装置 | |
TWI481978B (zh) | 工具機之加工品質的預測方法 | |
CN108715166B (zh) | 基于深度学习的车辆稳定性指标估计方法 | |
CN107248156A (zh) | 分段点自动提取的踏面轮廓拟合方法 | |
CN109685793B (zh) | 一种基于三维点云数据的管身缺陷检测方法及系统 | |
CN112985830B (zh) | 一种abs结果自动判定算法 | |
CN110320520B (zh) | 一种测深信息同步定位与建图的鲁棒后端图优化方法 | |
CN108435819B (zh) | 一种铝型材挤压机能耗异常检测方法 | |
CN109916388A (zh) | 基于小波降噪和神经网络的光纤陀螺温度漂移补偿方法 | |
CN109872415A (zh) | 一种基于神经网络的车速估计方法及系统 | |
CN111797750A (zh) | 基于bp神经网络的电梯轿厢地坎与井道内表面测距方法 | |
CN111400973A (zh) | 一种基于水文监测数据构建流量-水面宽的关系曲线的方法 | |
CN110398775B (zh) | 隧道突涌水灾害微震事件信号波动初至拾取方法及系统 | |
CN117314016A (zh) | 基于bim技术的水利工程在线监控方法 | |
CN115342814A (zh) | 一种基于多传感器数据融合的无人船定位方法 | |
CN113071509B (zh) | 一种智能车车轮转角传感器故障检测方法 | |
CN111553226B (zh) | 一种基于遥感解译技术提取河流监测断面水面宽度的方法 | |
CN110657807A (zh) | 基于小波变换检测不连续性的室内定位位移测量方法 | |
CN108197809B (zh) | 基于维度最优转换的权值共享深度网络的实时调度方法 | |
CN105824941A (zh) | 一种基于waqm的网站无障碍检测最佳抽样方法 | |
CN111461288A (zh) | 一种轨道几何参数全速段检测方法及系统 | |
CN116628411B (zh) | 一种基于全感融合的高精度流量在线监测智能方法 |
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 |