-
公开(公告)号：CN103020331A
公开(公告)日：2013-04-03
申请号：CN201210388689.0
申请日：2012-10-15
Applicant: 宁波大学
Abstract: 本发明公开了一种混合极性同或/或电路的功耗优化方法，根据混合极性同或/或电路表达式的特点，改进快速列表技术以实现同或/或电路的混合极性转换；再基于功耗估计模型，利用霍夫曼算法实现或门的低功耗分解，根据二输入同或门输入信号概率和输出信号概率的分布特点，将多输入同或门的输入信号分成三组：输入信号概率大于0.5、输入信号小于0.5和输入信号等于0.5，然后在各组中进行综合，实现多输入同或门的低功耗分解，综合两者得到混合极性适应度函数；然后建立混合极性与粒子群对应关系，采用粒子群优化算法对同或/或电路进行功耗最优的混合极性搜索；优点是通过对MCNC Benchmark电路进行测试表明：其对应的电路功耗平均节省53.98%,搜索速度得到明显提高。
-
公开(公告)号：CN116821670A
公开(公告)日：2023-09-29
申请号：CN202310361106.3
申请日：2023-04-07
Applicant: 宁波大学
IPC: G06F18/214 , G01D18/00 , G06N3/0455 , G06N3/088 , G06N3/006
Abstract: 本发明公开一种基于粒子群鲁棒优化自编码器的异常检测方法，旨在设计自编码器的鲁棒优化过程，针对含有离群采样数据的训练数据直接实施鲁棒非线性特征学习，进而通过监测实时采样数据对应的估计误差的变化来检测相应工业过程运行的异常。本发明方法创新的提出鲁棒归一化方法解决了神经网络训练的鲁棒数据预处理难题，可直接针对掺杂有离群采样数据的训练数据集优化得到相应的自编码器。从这个角度来讲，本发明相对于传统方法有两个技术优势：其一，能直接对掺杂有离群采样数据的训练数据集实施鲁棒的无监督特征学习；其二，能通过采样数据的非线性特征生成估计误差用于在线异常检测。因此，本发明是一种更为优选的采样数据驱动的异常检测方法。
-
公开(公告)号：CN111159968B
公开(公告)日：2023-06-06
申请号：CN201911387456.7
申请日：2019-12-27
Applicant: 宁波大学
IPC: G06F30/392 , G06N3/006
Abstract: 本发明公开了一种MPRM电路的面积优化方法，先将MPRM电路采用函数表达式进行表示，然后利用极性转换方法将MPRM电路的函数表达式转换为P极性的MPRM表达式，得到P极性的MPRM表达式，再将MPRM电路面积优化的各参数与离散三值粒子群算法的各参数进行关联，构建面积优化的适应度函数，最后基于适应度函数，采用离散三值粒子群算法进行面积优化；优点是搜索效率高，且局部寻优能力强，优化效果好。
-
公开(公告)号：CN108536943B
公开(公告)日：2021-09-21
申请号：CN201810280187.3
申请日：2018-03-19
Applicant: 宁波大学
Abstract: 本发明公开一种基于多生产单元变量交叉相关解耦策略的故障监测方法，旨在从数据角度出发，将工业对象中不同生产单元之间的交叉关系考虑进分布式建模与监测过程中，从而实施更加可靠而有效的分布式故障监测。具体来讲，首先根据各生产单元测量变量的归属，将所有测量变量划分成多个变量子块；其次，利用回归模型将各个变量子块中与其他变量子块之间的交叉相关信息挖掘出来；最后，利用交叉相关解耦后的误差实施建模与故障监测。相比于传统方法，本发明方法利用回归模型将不同生产单元变量子块之间的交叉关系考虑进来，并对能够反映出不同生产单元之间交叉相关关系是否发生变化的误差实施监测，理应具备更优越的故障监测性能。
-
公开(公告)号：CN109669413B
公开(公告)日：2021-01-08
申请号：CN201811577428.7
申请日：2018-12-13
Applicant: 宁波大学
IPC: G05B19/418
Abstract: 本发明公开一种基于动态潜独立变量的动态非高斯过程监测方法，旨在结合可处理动态性数据的动态潜变量模型与可处理非高斯数据的独立成分分析模型的优势。具体来讲，本发明方法首先利用动态潜变量算法分别提取出自相关的动态特征成分与交叉相关的静态特征成分。其次，在对特征成分进行白化处理后，利用合并后的白化特征成分作为初始独立成分迭代求取动态潜独立变量模型。最后，基于动态潜独立变量实施动态非高斯过程监测。可以说，本发明方法利用了动态潜变量算法分开提取动态成分与静态成分的能力，再进一步结合能提取非高斯特征成分的独立成分分析算法。因此，本发明方法是一种可行动态非高斯的过程监测方法。
-
Patent Agency Ranking
公开(公告)号：CN108345284B
公开(公告)日：2020-06-16
申请号：CN201810233560.X
申请日：2018-03-06
Applicant: 宁波大学
IPC: G05B19/418
Abstract: 本发明公开一种基于两变量块的质量相关故障检测方法，本发明方法将遗传算法与近邻成分分析算法相结合，将输入变量分成与质量相关与不相关的两个变量块。然后建立质量相关变量块与输出之间的偏最小二乘(PLS)模型实施质量相关故障检测，而质量不相关变量块则与PLS模型输入残差合并以实施质量不相关故障检测。相比于传统动方法，本发明方法利用遗传算法结合NCA的方式最优化的区分出质量相关与不相关的测量变量。其次，本发明方法将质量相关变量的PLS模型输入残差与质量不相关测量变量组合在一起实施与质量不相关的故障检测，较全面的利用了所有的与质量不相关成分信息。因此，本发明方法理应给出更准确的质量相关故障检测结果。
-
公开(公告)号：CN108960309A
公开(公告)日：2018-12-07
申请号：CN201810658888.6
申请日：2018-06-11
Applicant: 宁波大学
CPC classification number: G06K9/6247 , G06K9/6218 , G06N3/08
Abstract: 本发明公开一种基于RBF神经网络自相关性剔除的动态过程监测方法，旨在利用RBF神经网络建立非线性的自回归模型，并在此基础上实施动态过程监测。本发明方法的主要核心首先在于利用RBF神经网络构建出被监测对象采样数据的自相关模型，其次在于利用RBF神经网络自回归模型过滤后的误差实施过程监测。相比于传统方法，利用RBF神经网络较强的非线性拟合能力来构建不同采样时刻数据间的自回归模型。其次，本发明方法将误差作为被监测对象，不仅利用了误差具备的能够反映非线性自相关特征异常变化情况的能力，而且误差数据不再出现时间序列上的自相关性。可以说，本发明方法更适合于动态过程监测。
-
公开(公告)号：CN108845546A
公开(公告)日：2018-11-20
申请号：CN201810658889.0
申请日：2018-06-11
Applicant: 宁波大学
IPC: G05B19/418 , G06N3/04 , G06N3/08
Abstract: 本发明公开一种基于BP神经网络自回归模型的动态过程监测方法，旨在利用BP神经网络建立非线性的自回归模型，并在此基础上实施动态过程监测。本发明方法的主要核心首先在于利用BP神经网络识别出被监测对象采样数据的自相关模型，其次在于利用BP神经网络自回归模型过滤后的误差实施过程监测。本发明方法的主要优势首先在于利用BP神经网络的非线性拟合能力建立非线性的自回归模型，以达到剔除了测量变量中的非线性自相关特征的目的；其次，本发明方法不仅利用了误差具备能够反映非线性自相关特征异常变化情况的能力，而且误差数据不再存在自相关性同样为后续故障检测模型的建立提供了便利。可以说，本发明方法更适合于动态过程监测。
-
公开(公告)号：CN108572639A
公开(公告)日：2018-09-25
申请号：CN201810280157.2
申请日：2018-03-19
Applicant: 宁波大学
IPC: G05B23/02
Abstract: 本发明公开一种基于主成分自相关性剔除的动态过程监测方法，旨在剔除传统动态主成分分析(DPCA)模型中主成分的自相关性，从而使相应过程监测模型具备更优越的动态过程监测效果。本发明方法首先为各测量变量引入在采样时间上的多个延时测量值；其次，建立DPCA模型；然后，利用延时测量值作为回归模型输入估计出对应的主成分信息；最后，利用剔除主成分自相关性的估计误差实施对动态过程的在线监测。相比于传统DPCA过程监测方法，本发明方法利用剔除主成分自相关性后的误差做为被监测对象，不仅不再受到自相关性的负面影响，而且误差的变化直接体现出主成分中自相关特征的异常变化。因此，本发明方法更适合于监测动态过程建模与监测。
-
公开(公告)号：CN108536943A
公开(公告)日：2018-09-14
申请号：CN201810280187.3
申请日：2018-03-19
Applicant: 宁波大学
Abstract: 本发明公开一种基于多生产单元变量交叉相关解耦策略的故障监测方法，旨在从数据角度出发，将工业对象中不同生产单元之间的交叉关系考虑进分布式建模与监测过程中，从而实施更加可靠而有效的分布式故障监测。具体来讲，首先根据各生产单元测量变量的归属，将所有测量变量划分成多个变量子块；其次，利用回归模型将各个变量子块中与其他变量子块之间的交叉相关信息挖掘出来；最后，利用交叉相关解耦后的误差实施建模与故障监测。相比于传统方法，本发明方法利用回归模型将不同生产单元变量子块之间的交叉关系考虑进来，并对能够反映出不同生产单元之间交叉相关关系是否发生变化的误差实施监测，理应具备更优越的故障监测性能。
-
-
-
-
-
-
-
-
-
Search Results
71
records
(took 0.029 seconds)
