-
公开(公告)号：CN113139681A
公开(公告)日：2021-07-20
申请号：CN202110395130.X
申请日：2021-04-13
Applicant: 合肥综合性国家科学中心能源研究院(安徽省能源实验室) , 安徽理工大学
Abstract: 本发明涉及一种基于时间序列数据的神经网络冲击地压预测方法，通过矿山数据采集设备采集冲击地压数据，并对主要影响因素进行量化处理；将量化后的数据进行标准化后加入随机噪声；通过滑动窗口方法截取定量的时间窗口来构建样本数据；通过随机采样方法对时间窗口数据划分训练集，验证集；利用训练集数据对建立的神经网络进行训练，并使用验证集测试网络性能对网络参数进行调整；利用训练得到的神经网络模型对矿井的冲击地压进行预测得到危险预警信息。本发明可靠性较高，提出了通过时间序列数据训练神经网络，克服了冲击地压预测受短时数据限制的问题，实现了冲击地压长期动态预测，可以有效进行冲击地压灾害预警。
-
公开(公告)号：CN113139681B
公开(公告)日：2023-10-17
申请号：CN202110395130.X
申请日：2021-04-13
Applicant: 合肥综合性国家科学中心能源研究院(安徽省能源实验室) , 安徽理工大学
Abstract: 本发明涉及一种基于时间序列数据的神经网络冲击地压预测方法，通过矿山数据采集设备采集冲击地压数据，并对主要影响因素进行量化处理；将量化后的数据进行标准化后加入随机噪声；通过滑动窗口方法截取定量的时间窗口来构建样本数据；通过随机采样方法对时间窗口数据划分训练集，验证集；利用训练集数据对建立的神经网络进行训练，并使用验证集测试网络性能对网络参数进行调整；利用训练得到的神经网络模型对矿井的冲击地压进行预测得到危险预警信息。本发明可靠性较高，提出了通过时间序列数据训练神经网络，克服了冲击地压预测受短时数据限制的问题，实现了冲击地压长期动态预测，可以有效进行冲击地压灾害预警。
-
公开(公告)号：CN112884090A
公开(公告)日：2021-06-01
申请号：CN202110399557.7
申请日：2021-04-14
Applicant: 安徽理工大学
Abstract: 本发明针对传统火灾检测方法识别率低、检测时间长、无法实时监测等问题，提出一种基于改进YOLOv3算法的新火灾识别检测方法YOLOv3‑CA。YOLOv3‑CA基于YOLOv3的基本结构，在网络的卷积模块中添加注意力机制模块，以增加特征提取的效果。另引入自适应空间特征融合方法来更加充分的利用高层特征的语义信息和底层特征的细粒度特征。在模型回归部分引入新的损失函数Focalloss。检测方法步骤如下：构建火灾数据集；标注用于训练的数据集；按比例将数据集划分为训练集和测试集；提出一种新的YOLO算法；训练修改后的深度卷积神经网络；利用训练好的模型在测试集上验证模型效果。实验结果表明，改进算法的准确率和召回率分别为85.99％、75.43％，mAP为81.57，fps为25，可以在保证准确率的同时实现快速实时的火灾检测。
-
公开(公告)号：CN113256560A
公开(公告)日：2021-08-13
申请号：CN202110399552.4
申请日：2021-04-14
Applicant: 安徽理工大学
Abstract: 本发明公开了一种基于YOLOv5的掘进机炮头区域入侵检测方法，涉及人工智能领域，包括以下步骤：(1)工人和“炮头”的图像采集；(2)YoloV5检测人与“炮头”；(3)根据预测框进行越界检测；(4)发出预警。本发明采用YOLOv5算法进行掘进机炮头区域入侵检测模型的构建，提出了多维度的入侵检测方法，通过计算工人和“炮头”预测框的IOU占比和两者预测框对角线交点的距离，来判断工人是否入侵到掘进机炮头区域，并对其进行分级预警。此方法，从两个维度对工人的入侵行为进行判断，提高了检测的准确度；此方法，通过人工智能部署实现，可以快速，便捷的实现掘进机炮头区域入侵检测，大量的节省的人力，物力。
-
-
-
Search Results
4
records
(took 0.083 seconds)
