CN115687928B - 一种异物识别模型的构建方法、装置及异物识别方法 - Google Patents
一种异物识别模型的构建方法、装置及异物识别方法 Download PDFInfo
- Publication number
- CN115687928B CN115687928B CN202211420489.9A CN202211420489A CN115687928B CN 115687928 B CN115687928 B CN 115687928B CN 202211420489 A CN202211420489 A CN 202211420489A CN 115687928 B CN115687928 B CN 115687928B
- Authority
- CN
- China
- Prior art keywords
- preset
- neural network
- particles
- training
- elman
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000010276 construction Methods 0.000 title claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 210
- 239000002245 particle Substances 0.000 claims abstract description 192
- 238000004088 simulation Methods 0.000 claims abstract description 106
- 238000013528 artificial neural network Methods 0.000 claims abstract description 90
- 238000005457 optimization Methods 0.000 claims abstract description 37
- 239000002184 metal Substances 0.000 claims abstract description 15
- 238000003062 neural network model Methods 0.000 claims abstract description 14
- 239000011159 matrix material Substances 0.000 claims description 73
- 230000000306 recurrent effect Effects 0.000 claims description 12
- 230000008878 coupling Effects 0.000 claims description 11
- 238000010168 coupling process Methods 0.000 claims description 11
- 238000005859 coupling reaction Methods 0.000 claims description 11
- 210000002569 neuron Anatomy 0.000 claims description 8
- 230000013016 learning Effects 0.000 claims description 5
- 230000009326 social learning Effects 0.000 claims description 5
- 238000004590 computer program Methods 0.000 description 19
- 230000008569 process Effects 0.000 description 11
- 239000004973 liquid crystal related substance Substances 0.000 description 8
- 230000005540 biological transmission Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 3
- 101100084474 Gallus gallus PRRX1 gene Proteins 0.000 description 2
- 101000942118 Homo sapiens C-reactive protein Proteins 0.000 description 2
- 101000920800 Homo sapiens Endoplasmic reticulum-Golgi intermediate compartment protein 2 Proteins 0.000 description 2
- 101001069723 Homo sapiens Paired mesoderm homeobox protein 2 Proteins 0.000 description 2
- 101000617151 Homo sapiens Pentraxin-4 Proteins 0.000 description 2
- 101001082142 Homo sapiens Pentraxin-related protein PTX3 Proteins 0.000 description 2
- 101001090065 Homo sapiens Peroxiredoxin-2 Proteins 0.000 description 2
- 101000583156 Homo sapiens Pituitary homeobox 1 Proteins 0.000 description 2
- 101001092910 Homo sapiens Serum amyloid P-component Proteins 0.000 description 2
- 101150081137 PRX1 gene Proteins 0.000 description 2
- 102100033829 Paired mesoderm homeobox protein 2 Human genes 0.000 description 2
- KJWMGLBVDNMNQW-VWTMXFPPSA-N Pectenotoxin 1 Chemical compound O[C@@H]1[C@H](C)CCO[C@]1(O)[C@H]1O[C@@H]2/C=C/C(/C)=C/[C@H](C)C[C@](C)(O3)CC[C@@H]3[C@](O3)(O4)CC[C@@]3(CO)C[C@@H]4[C@@H](O3)C(=O)C[C@]3(C)[C@@H](O)[C@@H](O3)CC[C@@]3(O3)CCC[C@H]3[C@@H](C)C(=O)O[C@@H]2C1 KJWMGLBVDNMNQW-VWTMXFPPSA-N 0.000 description 2
- BFHAYPLBUQVNNJ-UHFFFAOYSA-N Pectenotoxin 3 Natural products OC1C(C)CCOC1(O)C1OC2C=CC(C)=CC(C)CC(C)(O3)CCC3C(O3)(O4)CCC3(C=O)CC4C(O3)C(=O)CC3(C)C(O)C(O3)CCC3(O3)CCCC3C(C)C(=O)OC2C1 BFHAYPLBUQVNNJ-UHFFFAOYSA-N 0.000 description 2
- 102100021653 Pentraxin-4 Human genes 0.000 description 2
- 102100030345 Pituitary homeobox 1 Human genes 0.000 description 2
- 102100036088 Pituitary homeobox 3 Human genes 0.000 description 2
- 102100036202 Serum amyloid P-component Human genes 0.000 description 2
- 101150083317 Shox2 gene Proteins 0.000 description 2
- 101100194320 Zea mays PER1 gene Proteins 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006698 induction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 101150067974 prx3 gene Proteins 0.000 description 2
- 101150011364 prx4 gene Proteins 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000005674 electromagnetic induction Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/70—Energy storage systems for electromobility, e.g. batteries
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/7072—Electromobility specific charging systems or methods for batteries, ultracapacitors, supercapacitors or double-layer capacitors
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02T90/10—Technologies relating to charging of electric vehicles
- Y02T90/14—Plug-in electric vehicles
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种异物识别模型的构建方法、装置及异物识别方法，构建方法包括：获取仿真训练集并输入至初始神经网络模型进行迭代训练，直至达到预设训练次数或符合预设输出；初始化预设维度的粒子并根据预设粒子群公式进行全局寻优，输出更新位置后的粒子；并作为权值输入至elman循环神经网络，以使elman循环神经网络根据权值和仿真训练集进行预设运算，输出一次训练结果，当训练结果不符合预设输出时，对前一次更新位置后的粒子进行全局寻优，并将更新位置后的粒子输入至elman循环神经网络，直至输出的训练结果符合预设输出或达到预设训练次数，得到异物识别模型。本申请可以提高无线充电系统中金属异物识别的可行性和准确性。
Description
技术领域
本发明涉及无线充电技术领域，特别是涉及一种异物识别模型的构建方法、装置及异物识别方法。
背景技术
无线充电是指具有电池的用电设备透过无线感应的方式取得电力而进行充电，由于不再需要为用电设备连接充电线，使得充电更为方便。无线充电采用电磁感应原理，通过电磁波来传送能量，在发送和接收端用相应的线圈来发送和接收产生感应的交流信号进行充电。无线充电通过磁场将发射线圈和接受线圈耦合，实现了电能便捷、高效、安全的传输。但如果传输区域内存在金属异物会在磁场中产生涡流，造成功率损耗或燃烧隐患。
目前针对无线充电的金属异物识别主要有功率损耗效率比对法和温度监控法。功率损耗对比法需要预先存储大量数据或进行拟合运算以测定一条对应的功率曲线，当工作状态超出功率曲线的阈值时判定存在异物。该方法工作量大步骤繁琐，且不支持一对多的设备供电，接收端的差异会导致功率损失等充电参数改变从影响异物判定。而温度监控法通过检测耦合空间的温度，当存在异常温度上升时候判定存在异物。为了实现对耦合空间的热量检测，需要额外添加温度传感器等额外装置，当耦合空间较大时还需要添加更多的传感设备以实现监控，容易造成充电系统的设备冗余，增加系统成本和占地面积。对于无线充电的金属异物识别还包括直接对当前时刻接收端和发送端的功率进行对比，但该方法容易受接收线圈偏移的影响，当耦合空间过大时，异物所在位置不同也容易对异物识别造成影响。
发明内容
本申请提供了一种异物识别模型的构建方法、装置及异物识别方法，用于提高金属异物识别的可行性和准确性。
第一方面，本申请提供了一种异物识别模型的构建方法，包括：
获取仿真训练集；其中，所述仿真训练集内包含若干仿真训练样本和每一所述仿真训练样本对应的异物识别结果，每一所述仿真训练样本内包含预设数量的连续的发射功率－接收功率对；
将所述仿真训练集输入至初始神经网络模型进行迭代训练，直至达到预设训练次数或符合预设输出，得到异物识别模型；其中，所述初始神经网络模型为elman循环神经网络；
在对所述初始神经网络进行迭代训练时，
初始化预设维度的粒子并根据预设粒子群公式对所述粒子进行全局寻优，输出更新位置后的粒子；
将更新位置后的所述粒子作为权值输入至所述elman循环神经网络，以使所述elman循环神经网络根据所述权值和所述仿真训练集进行预设运算，输出一次训练结果，当所述训练结果符合预设输出时，得到所述异物识别模型；
当所述训练结果不符合预设输出时，根据所述预设粒子群公式对前一次更新位置后的粒子进行全局寻优，并将更新位置后的粒子作为权值输入至所述elman循环神经网络，直至所述elman循环神经网络输出的训练结果符合预设输出或达到预设训练次数，得到所述异物识别模型。
本申请提供一种异物识别模型的构建方法，在进行异物模型构建时，区别于现有技术中简单的通过发射端和接收端的功率差作为异物识别样本，采用预设数量连续的发射功率－接收功率对作为仿真训练样本，获取连续时间内发射端和接收端内的功率幅度变化，避免因线圈位置变化导致异物识别结果失误。进一步的，在异物识别模型中引入elman循环神经网络和粒子算法进行深度学习，通过不断将仿真训练样本输入elman循环神经网络进行迭代训练，使得整个网络结构具有适应时间序列的应变能力。通过粒子群算法对前一次位置更新后的粒子进行全局寻优并将更新位置后的粒子作为elman循环神经网络的权值不断进行迭代训练，粒子群算法利用群体中的个体对信息的共享使整个群体的运动在问题求解空间中产生从无序到有序的演化过程，从而获得各个粒子的最优解，从而提高异物识别的准确率。
在一种实现方式中，所述获取仿真训练集，具体包括：
在无线充电系统的耦合区域内随机放置金属样本或不放置金属样本；
控制发射系统采用预设时长且每秒以预设幅度增强的发射功率；
采集在所述预设时长内所述发射系统的发射功率和接收系统对应的接收功率作为一个仿真训练样本。
在一种实现方式中，所述初始化预设维度的粒子，具体为：
根据所述elman循环神经网络各个层级的神经元数量确定输入层到隐含层的权值、隐含层的偏置值、隐含层到输出层的权值和输出层的偏置值；其中，所述elman循环神经网络包含输入层、隐含层、输出层；
根据所述权值和偏置值的数量初始化对应维数的粒子。
在一种实现方式中，所述根据预设粒子群公式对所述粒子进行全局寻优，输出更新位置后的粒子，具体包括：
其中，
为第d次迭代时第i个粒子的速度；w为速度的惯性权重；c1为粒子的个体学习因子；/>
为到第d次迭代时第i个粒子经过的最好的位置；/>
为第d次迭代时，第i个粒子所在的位置；c2为粒子的社会学习因子；/>
为第d次迭代时所有粒子经过的最好的位置；
为第d次迭代时第i个粒子的速度；w、c1、r1、c2、r2为自定义参数。
在一种实现方式中，所述elman循环神经网络根据所述权值和所述仿真训练集进行预设运算，输出一次训练结果，具体包括：
基于所述elman循环神经网络中输入层到隐含层的权值、隐含层的偏置值、隐含层到输出层的权值和输出层的偏置值，依次建立第一矩阵、第二矩阵、第三矩阵和第四矩阵；
在所述仿真训练集中任意选取一个仿真训练样本并将所述仿真训练样本与所述第一矩阵进行矩阵乘法运算，输出第一运算结果；
将所述第一运算结果与所述第二矩阵进行矩阵加法运算，输出第二运算结果；
将所述第二运算结果与所述第三矩阵进行矩阵乘法运算，输出第三运算结果；
将所述第三运算结果与所述第四矩阵进行矩阵加法运算，输出本次训练结果。
在一种实现方式中，所述根据所述预设粒子群公式对前一次更新位置后的粒子进行全局寻优，还包括根据预设公式更新下一次全局寻优时所述粒子群公式中的惯性权重，具体为：
其中，‖‖为范数运算符，A为所述elman循环神经网络进行预设运算后输出的前一次训练结果；distance 1为当前粒子与最优粒子的距离；distance 2为当前粒子与次最优粒子的距离。
在一种实现方式中，所述异物识别模型的构建方法还包括根据预设条件在全局寻优时自适应调节粒子移动步伐，具体为：
将本次训练结果与采用的仿真训练样本对应的异物识别结果进行均方差运算，当均方差运算结果大于预设范围时调整全局寻优时的粒子移动步伐。
第二方面，本申请提供一种异物识别模型的构建装置，包括数据获取模块和模型训练模块，具体为：
所述数据获取模块用于获取仿真训练集；其中，所述仿真训练集内包含若干仿真训练样本和每一所述仿真训练样本对应的异物识别结果，每一所述仿真训练样本内包含预设数量的连续的发射功率－接收功率对；
所述模型训练模块用于将所述仿真训练集输入至初始神经网络模型进行迭代训练，直至达到预设训练次数或符合预设输出，得到异物识别模型；其中，所述初始神经网络模型为elman循环神经网络；
在对所述初始神经网络进行迭代训练时，初始化预设维度的粒子并根据预设粒子群公式对所述粒子进行全局寻优，输出更新位置后的粒子；
将更新位置后的所述粒子作为权值输入至所述elman循环神经网络，以使所述elman循环神经网络根据所述权值和所述仿真训练集进行预设运算，输出一次训练结果，当所述训练结果符合预设输出时，得到所述异物识别模型；
当所述训练结果不符合预设输出时，根据所述预设粒子群公式对前一次更新位置后的粒子进行全局寻优，并将更新位置后的粒子作为权值输入至所述elman循环神经网络，直至所述elman循环神经网络输出的训练结果符合预设输出或达到预设训练次数，得到所述异物识别模型。
本申请提供一种异物识别模型的构建装置，在进行异物模型构建时，区别于现有技术中简单的通过发射端和接收端的功率差作为异物识别样本，采用预设数量连续的发射功率－接收功率对作为仿真训练样本，获取连续时间内发射端和接收端内的功率幅度变化，避免因线圈位置变化导致异物识别结果失误。进一步的，在异物识别模型中引入elman循环神经网络和粒子群算法进行深度学习，通过不断将仿真训练样本输入elman循环神经网络进行迭代训练，使得整个网络结构具有适应时间序列的应变能力。通过粒子群算法对前一次位置更新后的粒子进行全局寻优并将更新位置后的粒子作为elman循环神经网络的权值不断进行迭代训练，粒子群算法利用群体中的个体对信息的共享使整个群体的运动在问题求解空间中产生从无序到有序的演化过程，从而获得各个粒子的最优解，并与仿真训练样本进行预设运算，最终生成准确的异物识别结果，从而提高异物识别的准确率。
在一种实现方式中，所述数据获取模块用于获取仿真训练集，具体包括：
在无线充电系统的耦合区域内随机放置随金属样本或不放置金属样本；
控制发射系统采用预设时长且每秒以预设幅度增强的发射功率；
采集在所述预设时长内所述发射系统的发射功率和接收系统对应的接收功率作为一个仿真训练样本。
在一种实现方式中，所述初始化预设维度的粒子，具体为：
根据所述elman循环神经网络各个层级的神经元数量确定输入层到隐含层的权值、隐含层的偏置值、隐含层到输出层的权值和输出层的偏置值；其中，所述elman循环神经网络包含输入层、隐含层、输出层；
根据所述权值和偏置值的数量初始化对应维数的粒子。
在一种实现方式中，所述根据预设粒子群公式对所述粒子进行全局寻优，输出更新位置后的粒子，具体包括：
其中，
为第d次迭代时第i个粒子的速度；w为速度的惯性权重；c1为粒子的个体学习因子；/>
为到第d次迭代时第i个粒子经过的最好的位置；/>
为第d次迭代时，第i个粒子所在的位置；c2为粒子的社会学习因子；/>
为第d次迭代时所有粒子经过的最好的位置；
为第d次迭代时第i个粒子的速度；w、c1、r1、c2、r2、a为自定义参数。
在一种实现方式中，所述elman循环神经网络根据所述权值和所述仿真训练集进行预设运算，输出一次训练结果，具体包括：
基于所述elman循环神经网络中输入层到隐含层的权值、隐含层的偏置值、隐含层到输出层的权值和输出层的偏置值，依次建立第一矩阵、第二矩阵、第三矩阵和第四矩阵；在所述仿真训练集中任意选取一个仿真训练样本并将所述仿真训练样本与所述第一矩阵进行矩阵乘法运算，输出第一运算结果；
将所述第一运算结果与所述第二矩阵进行矩阵加法运算，输出第二运算结果；
将所述第二运算结果与所述第三矩阵进行矩阵乘法运算，输出第三运算结果；
将所述第三运算结果与所述第四矩阵进行矩阵加法运算，输出本次训练结果。
在一种实现方式中，所述根据所述预设粒子群公式对前一次更新位置后的粒子进行全局寻优，还包括根据预设公式更新下一次全局寻优时所述粒子群公式中的惯性权重，具体为：
其中，‖‖为范数运算符，A为所述elman循环神经网络进行预设运算后输出的前一次训练结果；a为前一次预设运算中选取的仿真训练样本对应的异物识别结果；distance 1为当前粒子与最优粒子的距离；distance 2为当前粒子与次最优粒子的距离。
在一种实现方式中，所述异物识别模型的构建方法还包括根据预设条件在全局寻优时自适应调节粒子移动步伐，具体为：
将本次训练结果与采用的仿真训练样本对应的异物识别结果进行均方差运算，当均方差运算结果大于预设范围时调整全局寻优时的粒子移动步伐。
第三方面，本申请还提供一种异物识别方法，包括：
控制发射系统采用预设时长且每秒以预设幅度增强的发送功率；
采集在所述预设时长内所述发射系统的发射功率和接收系统对应的接收功率作为功率样本；
将所述功率样本输入至通过如上所述的异物识别模型的构建方法所构建的异物识别模型中，以使所述异物识别模型根据所述功率样本与所述异物识别模型的权值进行预设运算后输出对应的异物识别结果。
第四方面，本申请还提供一种终端设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上所述的异物识别模型的构建方法。
第五方面，本申请还提供一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上所述的异物识别模型的构建方法。
附图说明
图1是本发明实施例提供的一种异物识别模型的构建方法的流程示意图；
图2是本发明实施例提供的一种异物识别模型的构建装置的模块结构图；
图3是本发明实施例提供的一种异物识别方法的流程示意图。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
本申请的说明书和权利要求书及所述附图中的术语“第一”和“第二”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
实施例1
参见图1，图1是本发明实施例提供的一种异物识别模型的构建方法的流程示意图。本发明实施例提供一种异物识别模型的构建方法，包括步骤101至步骤105，各项步骤具体提如下：
步骤101：获取仿真训练集；其中，所述仿真训练集内包含若干仿真训练样本和每一所述仿真训练样本对应的异物识别结果，每一所述仿真训练样本内包含预设数量的连续的发射功率－接收功率对；
步骤102：将所述仿真训练集输入至初始神经网络模型进行迭代训练，直至达到预设训练次数或符合预设输出，得到异物识别模型；其中，所述初始神经网络模型为elman循环神经网络；
步骤103：在对所述初始神经网络进行迭代训练时，初始化预设维度的粒子并根据预设粒子群公式对所述粒子进行全局寻优，输出更新位置后的粒子；
步骤104：将更新位置后的所述粒子作为权值输入至所述elman循环神经网络，以使所述elman循环神经网络根据所述权值和所述仿真训练集进行预设运算，输出一次训练结果，当所述训练结果符合预设输出时，得到所述异物识别模型；
步骤105：当所述训练结果不符合预设输出时，根据所述预设粒子群公式对前一次更新位置后的粒子进行全局寻优，并将更新位置后的粒子作为权值输入至所述elman循环神经网络，直至所述elman循环神经网络输出的训练结果符合预设输出或达到预设训练次数，得到所述异物识别模型。
对于步骤101，所述获取仿真训练集，具体包括：在无线充电系统的耦合区域内随机放置随金属样本或不放置金属样本；控制发射系统采用预设时长且每秒以预设幅度增强的发射功率；采集在所述预设时长内所述发射系统的发射功率和接收系统对应的接收功率作为一个仿真训练样本。优选的，将硬币放在TX(发射)线圈或RX(接收)线圈的任意不同位置，或是选择在无线充电系统中不放置硬币。控制发射系统采用连续4S且每秒以预设幅度增强的发射功率，采集4S内发射系统的发射功率PTX1、PTX2、PTX3、PTX4和接收系统对应的接收功率PRX1、PRX2、PRX3、PRX4，将接收的4组发射功率－接收功率对作为一个仿真训练样本PTXi－PRXi(i＝1，2，3，4)，也可具体描述为[PTX1、PTX2、PTX3、PTX4、PRX1、PRX2、PRX3、PRX4]，并通过flag对仿真训练样本的异物识别结果进行标识，以形成有监督信号的仿真训练样本，其中flag＝0表示无硬币，flag＝1表示有硬币。根据上述仿真训练样本的采集过程组织出大量有(无)硬币放在无线充电系统中耦合区域不同位置不同组合的仿真训练集。本发明实施例采用硬币作为异物识别样品，也可采用其他金属制品作为代替，在此不做限制；每秒以预设幅度增强功率中限定每秒增强的功率数为0.5W，该值可根据算法需要对应调整；本发明实施例中采用4次发射功率和4次接收功率作为一个仿真训练样本，也可以为5次、6次或任意其他数值，但不少于三次，且次数越高，识别结果越精准。
一实施例中，所述初始化预设维度的粒子，具体为：根据所述elman循环神经网络各个层级的神经元数量初始化对应维数的粒子。若elman循环神经网络中输入层、隐含层和输出层的神神经元分别为4、6、1，则输入层到隐含层的权值大小为4＊6，即[w11、w12、..w16、w21、w22、..w26、w31、w32、..w36、w41、w42、..w46]，隐含层的权值大小为1＊6，即[b11、b12、..b16]，隐含层到输出层的权值大小为6＊1，即[ww11、ww21、..ww61]，输出层的权值大小为1＊1，即[c1]。根据上述权值和偏置值得数量初始化维数为37的粒子，即[w11、w12..w16、w21、w22..w26、w31、w32..w36、w41、w42..w46、b11、b12..b16、ww11、ww21、..ww61、c1]。在确定elman循环神经网络各个层级的权值后，同时以一个仿真训练样本PTXi－PRXi(i＝1，2，3，4)作为elman循环神经网络的输入进行预设运算。需要说明的是，若elman循环神经网络各个层级的神经元数量不同，则初始化的粒子维数需要对应调整，上述elman循环神经网络中各个层级的神经元数量仅作为参考，并不用于限制elman循环神经网络的结构。elman循环神经网络是一种典型的局部回归网络(global feed forward localrecurrent，可以看作是一个具有局部记忆单元和局部反馈连接的递归神经网络。
一实施例中，所述根据预设粒子群公式对所述粒子进行全局寻优，输出更新位置后的粒子，具体包括：
其中，
为第d次迭代时第i个粒子的速度；w为速度的惯性权重；c1为粒子的个体学习因子，也称为个体加速因子；/>
为到第d次迭代时第i个粒子经过的最好的位置；/>
为第d次迭代时，第i个粒子所在的位置；c2为粒子的社会学习因子，也称为社会加速因子；/>
为第d次迭代时所有粒子经过的最好的位置；/>
为第d次迭代时第i个粒子的速度；w、c1、r1、c2、r2、a为自定义参数。
根据上述粒子群公式对初始化的粒子进行全局寻优，输出更新位置后的粒子，并将更新位置后的粒子作为权值输入至elman循环神经网络。一实施例中，所述elman循环神经网络根据所述权值和所述仿真训练集进行预设运算，输出一次训练结果，具体包括：基于所述elman循环神经网络中输入层到隐含层的权值、隐含层的偏置值、隐含层到输出层的权值和输出层的偏置值，依次建立第一矩阵、第二矩阵、第三矩阵和第四矩阵；在所述仿真训练集中任意选取一个仿真训练样本并将所述仿真训练样本与所述第一矩阵进行矩阵乘法运算，输出第一运算结果；将所述第一运算结果与所述第二矩阵进行矩阵加法运算，输出第二运算结果；将所述第二运算结果与所述第三矩阵进行矩阵乘法运算，输出第三运算结果；将所述第三运算结果与所述第四矩阵进行矩阵加法运算，输出本次训练结果。优选的，基于输入层到隐含层的权值、隐含层的偏置值、隐含层到输出层的权值和输出层的偏置值，对应建立第一矩阵、第二矩阵、第三矩阵和第四矩阵，各矩阵大小分别为4＊6、1＊6、6＊1和1＊1。在仿真训练样本中选取任一仿真训练样本并将其与第一矩阵进行标准矩阵乘法运算，得到第一运算结果后与第二矩阵进行标准矩阵加法运算，得到第二运算结果，将第二运算结果与第三矩阵进行标准矩阵乘法运算，得到第三矩阵运算结果后与第四矩阵进行标准矩阵加法运算，最终得到第四运算结果，即本次的训练结果，第四运算结果为一自然常数。优选的，当第四运算结果输出的数值大于0.5时，判定存在异物，当输出的数值小于或等于0.5时，则判定不存在异物。当elman循环神经网络可以正确输出异物识别结果时，判定其训练完成，符合预设输出。本发明实施例中，在计算机软件matlab中建立elman循环神经网络模型，通过不断输入仿真训练样本，并根据仿真训练样本对应的异物识别结果对建立的elman循环神经网络进行有监督训练，不断调整输入层到隐含层的权值、隐含层的偏置值、隐含层到输出层的权值和输出层的权值，当elman循环神经网络符合预设输出时，其网络中各个层级的权值随即确定。
当训练结果不符合预设输出时，根据预设粒子群公式对前一次更新位置后的粒子进行全局寻优，并将更新位置后的粒子作为权值输入至elman循环神经网络进行预设运算，直至elman循环神经网络输出的训练结果符合预设输出或达到预设的训练次数。优选的，一实施例中，所述根据所述预设粒子群公式对前一次更新位置后的粒子进行全局寻优，还包括根据预设公式更新下一次全局寻优时所述粒子群公式中的惯性权重，具体为：
其中，‖‖为范数运算符，A为所述elman循环神经网络进行预设运算后输出的前一次训练结果；a为前一次预设运算中选取的仿真训练样本对应的异物识别结果；distance 1为当前粒子与最优粒子的距离；distance 2为当前粒子与次最优粒子的距离。在经过一次全局寻优且elman循环神经网络输出训练结构后，在进行下一次全局寻优时，根据上述预设公式对粒子群公式中的惯性权重进行更新。
作为本发明实施例的一个优选方案，还包括根据预设条件在全局寻优时自适应调节粒子移动步伐，具体为：将本次训练结果与采用的仿真训练样本对应的异物识别结果进行均方差运算，当均方差运算结果大于预设范围时调整全局寻优时的粒子移动步伐。每输出一次训练结果，将训练结果与本次训练时采用的仿真训练样本对应的异物识别结果进行均方差运算，若均方差运算结果大于预设范围则在下一次全局寻优时调整粒子的移动步伐，以提高粒子寻优精度。
本发明实施例中，还提供了一种异物识别模型的构建设备，包括处理器、存储器以及存储在存储器中且被配置为由处理器执行的计算机程序，处理器执行计算机程序时实现上述的异物识别模型的构建方法。
本发明实施例中，还提供了一种计算机可读存储介质，计算机可读存储介质包括存储的计算机程序，其中，在计算机程序运行时控制计算机可读存储介质所在设备执行上述的异物识别模型的构建。
示例性的，所述计算机程序可以被分割成一个或多个模块，所述一个或者多个模块被存储在所述存储器中，并由所述处理器执行，以完成本发明。所述一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在异物识别模型的构建设备中的执行过程。
所述异物识别模型的构建设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述异物识别模型的构建设备可包括，但不仅限于，处理器、存储器、显示器。本领域技术人员可以理解，上述部件仅仅是异物识别模型的构建设备的示例，并不构成对异物识别模型的构建设备的限定，可以包括比所述部件更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述异物识别模型的构建设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field－Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述异物识别模型的构建设备的控制中心，利用各种接口和线路连接整个所述异物识别模型的构建设备的各个部分。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述异物识别模型的构建设备的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、文字转换功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、文字消息数据等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(SecureDigital，SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
其中，所述异物识别模型的构建设备集成的模块如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一个计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read－OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。
本发明实施例提供一种异物识别模型的构建方法，在进行异物模型构建时，区别于现有技术中简单的通过发射端和接收端的功率差作为异物识别样本，采用预设数量连续的发射功率－接收功率对作为仿真训练样本，获取连续时间内发射端和接收端内的功率幅度变化，避免因线圈位置变化导致异物识别结果失误。进一步的，在异物识别模型中引入elman循环神经网络和粒子群算法进行深度学习，通过不断将仿真训练样本输入elman循环神经网络进行迭代训练，使得整个网络结构具有适应时间序列的应变能力。通过粒子群算法对前一次位置更新后的粒子进行全局寻优并将更新位置后的粒子作为elman循环神经网络的权值不断进行迭代训练，粒子群算法利用群体中的个体对信息的共享使整个群体的运动在问题求解空间中产生从无序到有序的演化过程，从而获得各个粒子的最优解，并与仿真训练样本进行预设运算，最终生成准确的异物识别结果，从而提高异物识别的准确率。
实施例2
参见图2，图2是本发明实施例提供的一种异物识别模型的构建装置的模块结构图。本发明实施例提供一种异物识别模型的构建装置，包括数据获取模块201和模型训练模块202，具体为：
所述数据获取模块201用于获取仿真训练集；其中，所述仿真训练集内包含若干仿真训练样本和每一所述仿真训练样本对应的异物识别结果，每一所述仿真训练样本内包含预设数量的连续的发射功率－接收功率对；
所述模型训练模块202用于将所述仿真训练集输入至初始神经网络模型进行迭代训练，直至达到预设训练次数或符合预设输出，得到异物识别模型；其中，所述初始神经网络模型为elman循环神经网络；
在对所述初始神经网络进行迭代训练时，初始化预设维度的粒子并根据预设粒子群公式对所述粒子进行全局寻优，输出更新位置后的粒子；
将更新位置后的所述粒子作为权值输入至所述elman循环神经网络，以使所述elman循环神经网络根据所述权值和所述仿真训练集进行预设运算，输出一次训练结果，当所述训练结果符合预设输出时，得到所述异物识别模型；
当所述训练结果不符合预设输出时，根据所述预设粒子群公式对前一次更新位置后的粒子进行全局寻优，并将更新位置后的粒子作为权值输入至所述elman循环神经网络，直至所述elman循环神经网络输出的训练结果符合预设输出或达到预设训练次数，得到所述异物识别模型。
一实施例中，所述数据获取模块201用于获取仿真训练集，具体包括：在无线充电系统的耦合区域内随机放置随金属样本或不放置金属样本；控制发射系统采用预设时长且每秒以预设幅度增强的发射功率；采集在所述预设时长内所述发射系统的发射功率和接收系统对应的接收功率作为一个仿真训练样本。
一实施例中，所述初始化预设维度的粒子，具体为：
根据所述elman循环神经网络各个层级的神经元数量确定输入层到隐含层的权值、隐含层的偏置值、隐含层到输出层的权值和输出层的偏置值；其中，所述elman循环神经网络包含输入层、隐含层、输出层；
根据所述权值和偏置值的数量初始化对应维数的粒子。
一实施例中，所述根据预设粒子群公式对所述粒子进行全局寻优，输出更新位置后的粒子，具体包括：
其中，
为第d次迭代时第i个粒子的速度；w为速度的惯性权重；c1为粒子的个体学习因子；/>
为到第d次迭代时第i个粒子经过的最好的位置；/>
为第d次迭代时，第i个粒子所在的位置；c2为粒子的社会学习因子；/>
为第d次迭代时所有粒子经过的最好的位置；
为第d次迭代时第i个粒子的速度；w、c1、r1、c2、r2、a为自定义参数。/>
一实施例中，所述elman循环神经网络根据所述权值和所述仿真训练集进行预设运算，输出一次训练结果，具体包括：
基于所述elman循环神经网络中输入层到隐含层的权值、隐含层的偏置值、隐含层到输出层的权值和输出层的偏置值，依次建立第一矩阵、第二矩阵、第三矩阵和第四矩阵；
在所述仿真训练集中任意选取一个仿真训练样本并将所述仿真训练样本与所述第一矩阵进行矩阵乘法运算，输出第一运算结果；
将所述第一运算结果与所述第二矩阵进行矩阵加法运算，输出第二运算结果；
将所述第二运算结果与所述第三矩阵进行矩阵乘法运算，输出第三运算结果；
将所述第三运算结果与所述第四矩阵进行矩阵加法运算，输出本次训练结果。
一实施例中，所述根据所述预设粒子群公式对前一次更新位置后的粒子进行全局寻优，还包括根据预设公式更新下一次全局寻优时所述粒子群公式中的惯性权重，具体为：
其中，‖‖为范数运算符，A为所述elman循环神经网络进行预设运算后输出的前一次训练结果；a为前一次预设运算中选取的仿真训练样本对应的异物识别结果。distance 1为当前粒子与最优粒子的距离；distance 2为当前粒子与次最优粒子的距离。
一实施例中，所述异物识别模型的构建方法还包括根据预设条件在全局寻优时自适应调节粒子移动步伐，具体为：
将本次训练结果与采用的仿真训练样本对应的异物识别结果进行均方差运算，当均方差运算结果大于预设范围时调整全局寻优时的粒子移动步伐。
所属领域的技术人员可以清楚的了解到，为描述的方便和简洁，上述描述的装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本发明实施例提供一种异物识别模型的构建装置，在进行异物模型构建时，区别于现有技术中简单的通过发射端和接收端的功率差作为异物识别样本，采用预设数量连续的发射功率－接收功率对作为仿真训练样本，获取连续时间内发射端和接收端内的功率幅度变化，避免因线圈位置变化导致异物识别结果失误。进一步的，在异物识别模型中引入elman循环神经网络和粒子群算法进行深度学习，通过不断将仿真训练样本输入elman循环神经网络进行迭代训练，使得整个网络结构具有适应时间序列的应变能力。通过粒子群算法对前一次位置更新后的粒子进行全局寻优并将更新位置后的粒子作为elman循环神经网络的权值不断进行迭代训练，粒子群算法利用群体中的个体对信息的共享使整个群体的运动在问题求解空间中产生从无序到有序的演化过程，从而获得各个粒子的最优解，并与仿真训练样本进行预设运算，最终生成准确的异物识别结果，从而提高异物识别的准确率。
实施例3
参见图3，图3是本发明实施例提供的一种异物识别方法的流程示意图。本发明实施例提供一种异物识别方法，包括步骤301至步骤303，各项步骤具体如下：
步骤301：控制发射系统采用预设时长且每秒以预设幅度增强的发送功率；
步骤302：采集在所述预设时长内所述发射系统的发射功率和接收系统对应的接收功率作为功率样本；
步骤303：将所述功率样本输入至通过实施例1所述的异物识别模型的构建方法所构建的异物识别模型中，以使所述异物识别模型根据所述功率样本与所述异物识别模型的权值进行预设运算后输出对应的异物识别结果。
所属领域的技术人员可以清楚的了解到，为描述的方便和简洁，上述描述的异物识别模型的具体工作过程，可以参考前述方法实施例1中的对应过程，在此不再赘述。
需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和替换，这些改进和替换也应视为本发明的保护范围。
Claims (8)
1.一种异物识别模型的构建方法，其特征在于，包括：
获取仿真训练集；其中，所述仿真训练集内包含若干仿真训练样本和每一所述仿真训练样本对应的异物识别结果，每一所述仿真训练样本内包含预设数量的连续的发射功率－接收功率对；在无线充电系统的耦合区域内随机放置金属样本或不放置金属样本；控制发射系统采用预设时长且每秒以预设幅度增强的发射功率；采集在所述预设时长内所述发射系统的发射功率和接收系统对应的接收功率作为一个所述仿真训练样本；
将所述仿真训练集输入至初始神经网络模型进行迭代训练，直至达到预设训练次数或符合预设输出，得到异物识别模型；其中，所述初始神经网络模型为elman循环神经网络；
在对所述初始神经网络进行迭代训练时，初始化预设维度的粒子并根据预设粒子群公式对所述粒子进行全局寻优，输出更新位置后的粒子；
将更新位置后的所述粒子作为权值输入至所述elman循环神经网络，以使所述elman循环神经网络根据所述权值和所述仿真训练集进行预设运算，输出一次训练结果，当所述训练结果符合预设输出时，得到所述异物识别模型；
当所述训练结果不符合预设输出时，根据所述预设粒子群公式对前一次更新位置后的粒子进行全局寻优，并将更新位置后的粒子作为权值输入至所述elman循环神经网络，直至所述elman循环神经网络输出的训练结果符合预设输出或达到预设训练次数，得到所述异物识别模型。
2.如权利要求1所述的一种异物识别模型的构建方法，其特征在于，所述初始化预设维度的粒子，具体为：
根据所述elman循环神经网络各个层级的神经元数量确定输入层到隐含层的权值、隐含层的偏置值、隐含层到输出层的权值和输出层的偏置值；其中，所述elman循环神经网络包含输入层、隐含层、输出层；
根据所述权值和偏置值的数量初始化对应维数的粒子。
3.如权利要求1所述的一种异物识别模型的构建方法，其特征在于，所述根据预设粒子群公式对所述粒子进行全局寻优，输出更新位置后的粒子，具体包括：
其中，w为速度的惯性权重；c1为粒子的个体学习因子；
为到第d次迭代时第i个粒子经过的最好的位置c2为粒子的社会学习因子；/>
为第d次迭代时所有粒子经过的最好的位置；/>
为第d次迭代时第i个粒子的速度；w、c1、r1、c2、r2为自定义参数。
4.如权利要求1所述的一种异物识别模型的构建方法，其特征在于，所述elman循环神经网络根据所述权值和所述仿真训练集进行预设运算，输出一次训练结果，具体包括：
基于所述elman循环神经网络中输入层到隐含层的权值、隐含层的偏置值、隐含层到输出层的权值和输出层的偏置值，依次建立第一矩阵、第二矩阵、第三矩阵和第四矩阵；在所述仿真训练集中任意选取一个仿真训练样本并将所述仿真训练样本与所述第一矩阵进行矩阵乘法运算，输出第一运算结果；
将所述第一运算结果与所述第二矩阵进行矩阵加法运算，输出第二运算结果；
将所述第二运算结果与所述第三矩阵进行矩阵乘法运算，输出第三运算结果；
将所述第三运算结果与所述第四矩阵进行矩阵加法运算，输出本次训练结果。
5.如权利要求2所述的一种异物识别模型的构建方法，其特征在于，所述根据所述预设粒子群公式对前一次更新位置后的粒子进行全局寻优，还包括根据预设公式更新下一次全局寻优时所述粒子群公式中的惯性权重，具体为：
其中，‖‖为范数运算符，A为所述elman循环神经网络进行预设运算后输出的前一次训练结果；distance 1为当前粒子与最优粒子的距离；distance 2为当前粒子与次最优粒子的距离。
6.如权利要求1所述的一种异物识别模型的构建方法，其特征在于，所述异物识别模型的构建方法还包括根据预设条件在全局寻优时自适应调节粒子移动步伐，具体为：
将本次训练结果与采用的仿真训练样本对应的异物识别结果进行均方差运算，当均方差运算结果大于预设范围时调整全局寻优时的粒子移动步伐。
7.一种异物识别模型的构建装置，其特征在于，包括数据获取模块和模型训练模块，具体为：
所述数据获取模块用于获取仿真训练集；其中，所述仿真训练集内包含若干仿真训练样本和每一所述仿真训练样本对应的异物识别结果，每一所述仿真训练样本内包含预设数量的连续的发射功率－接收功率对；在无线充电系统的耦合区域内随机放置随金属样本或不放置金属样本；控制发射系统采用预设时长且每秒以预设幅度增强的发射功率；采集在所述预设时长内所述发射系统的发射功率和接收系统对应的接收功率作为一个所述仿真训练样本；
所述模型训练模块用于将所述仿真训练集输入至初始神经网络模型进行迭代训练，直至达到预设训练次数或符合预设输出，得到异物识别模型；其中，所述初始神经网络模型为elman循环神经网络；
在对所述初始神经网络进行迭代训练时，初始化预设维度的粒子并根据预设粒子群公式对所述粒子进行全局寻优，输出更新位置后的粒子；
将更新位置后的所述粒子作为权值输入至所述elman循环神经网络，以使所述elman循环神经网络根据所述权值和所述仿真训练集进行预设运算，输出一次训练结果，当所述训练结果符合预设输出时，得到所述异物识别模型；
当所述训练结果不符合预设输出时，根据所述预设粒子群公式对前一次更新位置后的粒子进行全局寻优，并将更新位置后的粒子作为权值输入至所述elman循环神经网络，直至所述elman循环神经网络输出的训练结果符合预设输出或达到预设训练次数，得到所述异物识别模型。
8.一种异物识别方法，其特征在于，包括：
控制发射系统采用预设时长且每秒以预设幅度增强的发送功率；
采集在所述预设时长内所述发射系统的发射功率和接收系统对应的接收功率作为功率样本；
将所述功率样本输入至通过权利要求1－6任意一项所述的异物识别模型的构建方法所构建的异物识别模型中，以使所述异物识别模型根据所述功率样本与所述异物识别模型的权值进行预设运算后输出对应的异物识别结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211420489.9A CN115687928B (zh) | 2022-11-11 | 2022-11-11 | 一种异物识别模型的构建方法、装置及异物识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211420489.9A CN115687928B (zh) | 2022-11-11 | 2022-11-11 | 一种异物识别模型的构建方法、装置及异物识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115687928A CN115687928A (zh) | 2023-02-03 |
| CN115687928B true CN115687928B (zh) | 2023-06-27 |
Family
ID=85051772
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211420489.9A Active CN115687928B (zh) | 2022-11-11 | 2022-11-11 | 一种异物识别模型的构建方法、装置及异物识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115687928B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109617888A (zh) * | 2018-12-24 | 2019-04-12 | 湖北大学 | 一种基于神经网络的异常流量检测方法及系统 |
| CN111682653A (zh) * | 2020-05-11 | 2020-09-18 | 哈尔滨工业大学 | 无线电能传输异物检测与活体检测共用系统与识别方法 |
| CN113112011A (zh) * | 2020-01-13 | 2021-07-13 | 中移物联网有限公司 | 一种数据预测方法及装置 |
| CN113763205A (zh) * | 2021-09-07 | 2021-12-07 | 南方电网电力科技股份有限公司 | 一种电缆绝缘状态检测方法及相关装置 |
| WO2022016328A1 (zh) * | 2020-07-20 | 2022-01-27 | 深圳大学 | 金属异物检测方法、装置及终端设备 |
| CN114048778A (zh) * | 2021-11-11 | 2022-02-15 | 东南大学 | 基于深度学习的无线电能传输系统异物检测方法及装置 |
Family Cites Families (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11448728B2 (en) * | 2015-07-17 | 2022-09-20 | Origin Wireless, Inc. | Method, apparatus, and system for sound sensing based on wireless signals |
| US11025098B2 (en) * | 2017-09-05 | 2021-06-01 | Apple Inc. | Wireless charging system with machine-learning-based foreign object detection |
| CN108494073B (zh) * | 2018-03-26 | 2020-07-28 | 深圳赫兹创新技术有限公司 | 一种金属异物检测方法及磁耦合谐振式无线充电装置 |
| CN109143383A (zh) * | 2018-09-11 | 2019-01-04 | 上海楚山电子科技有限公司 | 一种基于无线充电技术的金属异物识别方法 |
| US11588356B2 (en) * | 2019-07-10 | 2023-02-21 | Apple Inc. | Wireless power transfer system and devices |
| US11381118B2 (en) * | 2019-09-20 | 2022-07-05 | Energous Corporation | Systems and methods for machine learning based foreign object detection for wireless power transmission |
| CN212063637U (zh) * | 2020-03-12 | 2020-12-01 | 北京有感科技有限责任公司 | 无线充电系统的异物检测装置 |
| CN113076996B (zh) * | 2021-03-31 | 2022-08-23 | 南京邮电大学 | 一种改进粒子群极限学习机的辐射源信号识别方法 |
| CN114211975A (zh) * | 2021-11-28 | 2022-03-22 | 厦门任鑫实业有限公司 | 用于电动汽车的充电报警系统及其工作方法 |
-
2022
- 2022-11-11 CN CN202211420489.9A patent/CN115687928B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109617888A (zh) * | 2018-12-24 | 2019-04-12 | 湖北大学 | 一种基于神经网络的异常流量检测方法及系统 |
| CN113112011A (zh) * | 2020-01-13 | 2021-07-13 | 中移物联网有限公司 | 一种数据预测方法及装置 |
| CN111682653A (zh) * | 2020-05-11 | 2020-09-18 | 哈尔滨工业大学 | 无线电能传输异物检测与活体检测共用系统与识别方法 |
| WO2022016328A1 (zh) * | 2020-07-20 | 2022-01-27 | 深圳大学 | 金属异物检测方法、装置及终端设备 |
| CN113763205A (zh) * | 2021-09-07 | 2021-12-07 | 南方电网电力科技股份有限公司 | 一种电缆绝缘状态检测方法及相关装置 |
| CN114048778A (zh) * | 2021-11-11 | 2022-02-15 | 东南大学 | 基于深度学习的无线电能传输系统异物检测方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115687928A (zh) | 2023-02-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108229555A (zh) | 样本权重分配方法、模型训练方法、电子设备及存储介质 | |
| CN110378235B (zh) | 一种模糊人脸图像识别方法、装置及终端设备 | |
| CN103810497A (zh) | 一种基于忆阻器的图像识别系统及方法 | |
| Zhang et al. | An iterative multi-objective particle swarm optimization-based control vector parameterization for state constrained chemical and biochemical engineering problems | |
| Singh et al. | Teaching–learning-based optimization algorithm for parameter identification in the design of IIR filters | |
| CN110399487A (zh) | 一种文本分类方法、装置、电子设备及存储介质 | |
| CN115687928B (zh) | 一种异物识别模型的构建方法、装置及异物识别方法 | |
| Schindler et al. | Real-time inference of neural networks on FPGAs for motor control applications | |
| CN115759317A (zh) | 一种电力负荷调控方法、装置、电子设备及存储介质 | |
| CN113902187A (zh) | 分时电价预测方法、装置及终端设备 | |
| CN108228863A (zh) | 情报信息查询的方法、装置、存储介质及终端设备 | |
| CN115800274B (zh) | 一种5g配电网馈线自动化自适应方法、装置及存储介质 | |
| CN112766402A (zh) | 算法选择方法、装置和电子设备 | |
| WO2024060539A1 (zh) | 动力电池的年度碳排放量估算方法及装置 | |
| CN109814067A (zh) | 一种三维节点定位方法及装置 | |
| CN116008815A (zh) | 一种电芯内短路检测方法、装置、设备、存储介质及车辆 | |
| CN115952493A (zh) | 一种黑盒模型的逆向攻击方法、攻击装置以及存储介质 | |
| Ammaruekarat et al. | A chaos search for multi-objective memetic algorithm | |
| CN117037917A (zh) | 细胞类型预测模型训练方法、细胞类型预测方法和装置 | |
| CN110045362B (zh) | 基于rnn的雷达目标航迹识别方法和装置 | |
| CN114912482A (zh) | 辐射源的识别方法及装置 | |
| CN107784363A (zh) | 数据处理方法、装置及系统 | |
| Boulkabeit et al. | Finite element model updating using fish school search optimization method | |
| CN109190753A (zh) | 神经网络的处理方法及装置、存储介质、电子装置 | |
| CN113726382B (zh) | 可重构智能表面波束成型矩阵生成方法及相关设备 |
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 | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: Construction method, device, and foreign object recognition method of a foreign object recognition model Granted publication date: 20230627 Pledgee: Shanghai Pudong Development Bank Limited by Share Ltd. Guangzhou branch Pledgor: UNICMICRO (GUANGZHOU) Co.,Ltd. Registration number: Y2024980014756 |
|
| PE01 | Entry into force of the registration of the contract for pledge of patent right |