-
公开(公告)号：CN119416900A
公开(公告)日：2025-02-11
申请号：CN202411458311.2
申请日：2024-10-18
Applicant: 安徽理工大学
IPC: G06N7/01 , G06Q50/02 , G06F18/2453 , G06F17/16
Abstract: 本发明涉及煤矿开采技术领域，尤其为一种改进的无约束非线性规划的概率积分参数检验方法，其方法包括如下步骤：输入工作面位置参数，实测数据及地质采矿参数；本发明通过将稳健估计应用于无约束非线性规划反演概率积分参数，通过引入权重调整机制，降低了对异常值的敏感性。有助于在一定程度上削弱异常值对未知数估计的不良影响，从而提升了估计的稳定性，具有求取参数精度高，曲线拟合效果好的优点，同时该方法具有良好的参数估计性能，稳定性和强抗干扰能力，并在一定程度上，能够有效利用不完整不规范观测站的资料，既能保证参数反演的准确度和可靠度，又能对残缺数据物尽其用，避免资源浪费。
-
公开(公告)号：CN118094204A
公开(公告)日：2024-05-28
申请号：CN202410293150.X
申请日：2024-03-14
Applicant: 兖矿能源集团股份有限公司 , 安徽理工大学 , 安徽骏祥空间技术有限公司
IPC: G06F18/2131 , G06F18/2431 , G06F18/214 , G06N3/0464 , G06N3/09 , G06F17/12
Abstract: 本发明涉及信号降噪技术领域，具体公开了一种深度学习联合改进EMD和WT的GNSS信号降噪方法，首先采用3σ准则和分段三次Hermite插值对GNSS信号进行预处理，剔除其中的粗差，并且填补缺失的部分；对预处理后的GNSS信号进行ICEEMDAN分解，得到一系列IMFs；计算各IMFs的MPE值，并利用MPE值的变化确定出含噪IMFs与纯净IMFs的分界点；由于MPE值的大小反映了信号的随机和复杂程度，值越大，说明包含噪声的占比越高，因此认定大于分界点的IMFs为含噪IMFs，对其再进行小波阈值降噪，然后与纯净IMFs重构得到最终的降噪结果；构建深度置信网络，以预处理后的GNSS信号作为输入，以最终的降噪结果作为目标输出，训练网络，达到输入GNSS信号即可在短时间内输出降噪信号的目的。
-
公开(公告)号：CN115508872B
公开(公告)日：2023-08-25
申请号：CN202211181771.6
申请日：2022-09-27
Applicant: 安徽理工大学
IPC: G01S19/42
Abstract: 本发明公开一种基于嵌入式平台的GNSS数据采集与定位系统，包括：STM32主控模块，所述STM32主控模块连接卫星定位模块；所述卫星定位模块连接GNSS天线；其中，所述GNSS天线，用于将接收的所述卫星电磁波信号转化为高频电流信号；所述卫星定位模，用于对所述高频电流信号进行调制和解调，得到卫星观测信息和导航电文；所述STM32主控模块，用于根据对所述卫星观测信息和导航电文进行实时解码，得到单点定位信息。采用本发明的技术方案，实现了GNSS数据的实时采集、解码、定位处理、传输存储、定位结果输出显示功能。
-
公开(公告)号：CN109526163A
公开(公告)日：2019-03-26
申请号：CN201811331992.0
申请日：2018-11-09
Applicant: 安徽理工大学
Abstract: 本发明公开了一种自动防水散热仪器箱，包括设置有正面、背面、左侧面、右侧面、顶面以及底面的仪器箱，所述顶面的底部中间设置有压力雨量传感器，所述左侧面与所述右侧面上对称开有两个方形槽，所述方形槽上设置有若干个均匀分布且能够转动转动杆，所述转动杆上均设置有叶片，所述转动杆的其中一端设置有齿轮，所述齿轮的上方还设置有控制器，所述控制器与所述齿轮通过皮带传动连接在一起，两个所述控制器均设置在所述左侧面与所述右侧面的内侧，所述压力雨量传感器与两个所述控制器均通过线缆电性连接在一起。
-
公开(公告)号：CN105843843A
公开(公告)日：2016-08-10
申请号：CN201610137661.8
申请日：2016-03-11
Applicant: 安徽理工大学
Abstract: 本发明公开一种建立矿区编码数据库的方法，所述方法具体包括：获取用户选定的项目的省级名称、城市名称、主管部门名称、企业名称、项目类别、开采水平、采区名称、煤层名称、工作面名称所对应的编码、开采水平编码、采区名称编码、煤层名称编码、工作面名称编码，定位上述编码所对应的省份、产生主管部门、企业、项目类别、开采水平、采区、煤层、工作面的地理位置；建立所述项目编码与对应的地理位置的地图的映射关系，用户再次查找项目地图时，只需输入项目所对应的编码，系统就可以快速定位并显示出相应地理位置的地图，可以帮助用户更直观、更便捷和更准确的对矿区位置进行定位。
-
Patent Agency Ranking
公开(公告)号：CN104111464A
公开(公告)日：2014-10-22
申请号：CN201410323774.8
申请日：2014-07-04
Applicant: 安徽理工大学
CPC classification number: G01C5/00
Abstract: 一种煤矿开采地表移动变形自动化监测系统，GNSS基准站子系统的CORS专用接收机实时采集GNSS卫星数据，并传递到数据监控中心子系统。实时监测站子系统包括GNSS连续运行监测站和非连续实时监测站。GNSS连续运行监测站的GNSS监测专用接收机实时不间断上传观测数据至GNSS基准站子系统和接收GNSS基准站子系统提供的差分数据，并通过网络通讯子系统将观测的数据上传到GNSS基准站子系统。非连续实时监测站是外业采集终端系统；数据监控中心子系统与GNSS基准站子系统之间依靠信号馈线连接，与实时监测站子系统通过网络通讯子系统连接。本发明的优点在于：能实时采集监测点移动变形信息，并实时发送数据信息指导预测矿区的沉陷情况，大大增加了矿区沉陷监测的高效性。
-
公开(公告)号：CN119437107A
公开(公告)日：2025-02-14
申请号：CN202411436565.4
申请日：2024-10-15
Applicant: 安徽理工大学
Abstract: 本发明公开了一种用于矿区地表变形监测的数据采集设备及其工作方法，本发明涉及监测技术领域，包括采集设备主体，采集架通过升降调度机构与移动滑架连接，移动滑架的上端开设有齿牙槽，移动架的前端开设有移动通孔，移动通孔的侧壁连接有上顶机构，采集器的顶端与移动架的下端固定连接，两个破风架均通过调位机构与移动架的前后两端连接，本发明的优点在于：通过移动滑架能够使移动架和采集器进行移动，对矿区地表进行移动式检测，增加对矿区地表的检测精准，同时利用处理单元能够精准地监测出矿区地表是否发生变形，通过破风架能够在采集器移动时进行破风，降低采集器移动时受到的风阻，提高采集器移动时的稳定性。
-
公开(公告)号：CN115451919A
公开(公告)日：2022-12-09
申请号：CN202211192716.7
申请日：2022-09-28
Applicant: 安徽理工大学
Abstract: 本发明公开了一种智能型无人测绘装置及方法，包括：定位模块，用于确定目标测绘点位置；测量模块，用于对目标测绘点进行测量；六自由度并联平台模块，用于对目标测绘点进行自动整平和对中；电源模块，用于为测绘装置供电；云服务器模块，用于发布测绘指令，并实时显示测绘结果；信息处理中枢模块，与所述定位模块、测量模块、六自由度并联平台模块、电源模块、云服务器模块分别连接并进行实时通讯与信息处理。本发明的测绘装置具有续航能力强、成本低、全自动智能无人测绘、实时高精度测绘、模块化集成、通讯稳定、可在线解算观测数据、适配多种处理算法、适应复杂测绘环境与任务的优点，对智慧城市建设具有重要意义。
-
公开(公告)号：CN114926748A
公开(公告)日：2022-08-19
申请号：CN202210675026.0
申请日：2022-06-15
Applicant: 安徽理工大学
IPC: G06V20/13 , G06V20/10 , G06V10/764
Abstract: 本发明涉及一种Sentinel‑1/2微波与光学多光谱影像结合的大豆遥感识别方法，包括：下载待提取区域多个时相的Sentinel‑1、Sentinel‑2数据，进行预处理；进行时相筛选，得到大豆识别的最佳时相；采用决策树分层逐级提取方法，得到农田植被总体分布数据；建立候选遥感特征集合，构建大豆遥感识别模型，筛选出对应不同分类器的优选特征集合；对所建立的大豆遥感识别模型实现最优模型的判定；最优模型的表现进行评价，考查最优模型对大豆遥感识别的效果。本发明确定最有利于大豆识别的成像日期，利用单时相数据完成大豆提取；本发明采用分层逐级提取策略，通过构建决策树筛选规则实现了非农田地物剔除，从而排除这些地物对后续结果造成的干扰，有助于获取更为准确和可靠的结果。
-
公开(公告)号：CN110363344B
公开(公告)日：2022-07-12
申请号：CN201910625366.0
申请日：2019-07-11
Applicant: 安徽理工大学
Abstract: 本发明提出一种基于遗传算法和粒子群算法的组合算法(GP)优化BP神经网络的概率积分法参数预测模型，并采用平均影响值算法(MIV)来优化BP神经网络的输入层，从而降低网络的复杂程度，达到提高预测精度的目的。以50个工作面的实测资料作为BP神经网络的训练集和测试集建立MIV‑GP‑BP模型，并分析模型预测结果的精度和可靠性，结果表明：在5个参数中，均方根误差均在0.0058～1.1575之间，q、tanβ、b、θ的最大相对误差不超过5.42％，平均相对中误差低于2.81％，s/H相对误差不超过9.66％，平均相对中误差低于4.31％(参数本身较小),优化后的神经网络模型具有更高的预测精度和稳定性。
-
-
-
-
-
-
-
-
-
Search Results
55
records
(took 0.02 seconds)
