CN111257592A - 一种用于检测装置的静态判别的方法 - Google Patents
一种用于检测装置的静态判别的方法 Download PDFInfo
- Publication number
- CN111257592A CN111257592A CN202010148186.0A CN202010148186A CN111257592A CN 111257592 A CN111257592 A CN 111257592A CN 202010148186 A CN202010148186 A CN 202010148186A CN 111257592 A CN111257592 A CN 111257592A
- Authority
- CN
- China
- Prior art keywords
- fuzzy
- value
- arbiter
- output
- accelerometer
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
- G01P13/00—Indicating or recording presence, absence, or direction, of movement
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C23/00—Combined instruments indicating more than one navigational value, e.g. for aircraft; Combined measuring devices for measuring two or more variables of movement, e.g. distance, speed or acceleration
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Navigation (AREA)
Abstract
本发明实施例公开了一种用于检测装置的静态判别的方法,包括:A、分别获取设置于检测装置上的加速度计、陀螺仪和里程计的检测数据;将所述检测数据对应的分别输入至加速度计三轴模糊判别器、加速度计模值模糊判别器、陀螺模值模糊判别器、以及里程计判别器,以分别获得各判别器判别检测装置是否静止的判别结果;B、根据各判别器的判别结果进行运算表决以确定检测装置是否为静止状态。由上,本申请有利于实现更加精确地判断当前的管道检测装置的是否处于静止状态。
Description
技术领域
本发明涉及检测领域,特别是指一种用于检测装置的静态判别的方法。
背景技术
在涉及采用装配有位置检测***的管道检测装置检测管道的领域中,通过管道检测装置在管道中穿行的移动轨迹,生成管道中心轴线的三维坐标与位置图。该位置检测装置通常包括三轴加速度计、陀螺和里程计。
位置检测***运动中,加速度计输出只用于解算位置信息;而***中间静止时,加速度计输出用于校正姿态信息。所以,静止状态的判断,对于合理利用加速度计信息,乃至管道检测装置的整体精度,是尤为重要的。这里所指的静止状态,是既无角运动和线运动,也无运动趋势。理想情况下,载体处于静止状态时,里程计输出脉冲变化量为0;加速度计的输出只是重力加速度的影响,此条件可以从标量与矢量角度两方面考虑,即三轴加速度计输出模值为g和在导航坐标系下为[0,0,g];陀螺感应的载体角运动为0,即陀螺输出模值为0。实际情况下,有许多干扰因素存在,例如加速度计漂移及随机噪声、里程计的精度限制、陀螺漂移及随机噪声、打滑等,使得上述器件输出情况不能完全符合理想状态。所以不仅要分析理想状态下的输出情况,更重要的是根据实际影响,排除干扰因素导致的误判。
因此,目前亟需一种用于检测装置的静态判别的方法,以实现更加精确地判断当前的管道检测装置是否处于静止状态。
发明内容
有鉴于此,本发明的主要目的在于提供了一种用于检测装置的静态判别的方法,以实现更加精确地判断当前的管道检测装置的是否处于静止状态。
本申请提供一种用于检测装置的静态判别的方法,其特征在于,包括:
A、分别获取设置于检测装置上的加速度计、陀螺仪和里程计的检测数据;
将所述检测数据对应的分别输入至加速度计三轴模糊判别器、加速度计模值模糊判别器、陀螺模值模糊判别器、以及里程计判别器,以分别获得各判别器判别检测装置是否静止的判别结果;
B、根据各判别器的判别结果进行运算表决以确定检测装置是否为静止状态。
优选地,所述加速度计三轴模糊判别器、加速度计模值模糊判别器、陀螺模值模糊判别器对应的,获得各判别器判别检测装置是否静止的判别结果的步骤,分别包括:
S1、将所述检测数据转换为语言变量表示的模糊变量;
S2、根据预先建立的模糊规则将所述模糊变量生成输出量模糊语言值;
S3、对所述输出量模糊语言值的进行反模糊化处理得到表示运动程度的精确值;
将该精确值转化为运动状态的语言值作为判别结果;该语言值包括静止。
优选地,所述步骤S1采用一隶属度函数进行所述转换,且该隶属度函数转换后的语言变量表示的模糊变量至少包括零、小、大三个模糊变量。
优选地,所述加速度计三轴模糊判别器采用的所述模糊规则,其设计包括:
定义输入为三个变量,每个变量取值为模糊值静止、模糊值低动态、模糊值高动态三种状态之一、输出为该三种状态之一的输出量模糊语言值,据此设计模糊规则表,以用于将所述三个模糊变量作为输入以按照该模糊规则表生成输出量模糊语言值。
优选地,所述S2后还包括:通过模糊推理获取输出量模糊语言值的对应隶属度;
所述S3中的反模糊化处理采用一隶属度函数进行;包括:根据所述输出量模糊语言值的对应隶属度,以及所述隶属度函数进行所述反模糊化处理,得到表示运动程度的精确值。
优选地,所述加速度计三轴模糊判别器的模糊推理的设计,包括:
所述加速度计三轴模糊判别器的输入为u1,u2,u3,输出为z;
模糊蕴含运算采用最小运算,设模糊判别器的输入量u1,u2,u3在对应论域中分别定义了一组模糊集合Ai,Bi,Ci(i=1,2,3,...27);输出z在论域中定义了一组模糊集合Di(i=1,2,3...27);Ri代表第i条模糊规则对应的模糊蕴含关系;根据模糊规则进行似然推理,得到模糊蕴含关系为:
Ri=(Ai and Biand Ci)→Di
其中,μA′(u1),μB′(u2),μC′(u3)分别为u1,u2,u3对A′,B′,C′的隶属度,D′i为第i条规则推理出来的输出模糊集;
优选地,所述加速度计模值模糊判别器和所述陀螺模值模糊判别器的模糊推理的设计,包括:
所述加速度计模值模糊判别器和所述陀螺模值模糊判别器设计为单输入单输出结构,输入为ε,输出为z;
模糊蕴含运算采用最小运算;所述输入ε在论域中定义了模糊集合Ei(i=1,2,3)表示,所述输出z在论域中定义了模糊集合Di(i=1,2,3)表示;Ri代表第i条模糊规则对应的模糊蕴含关系;根据模糊规则进行似然推理,得到模糊蕴含关系为:
Ri=Ei→Di
优选地,对所述隶属度函数的隶属度临界值的确定步骤包括:
将采集到的对应各模糊判别器的各状态样本数据进行预处理;
将预处理之后的数据分别输入至其对应的模糊判别器中进行统计特性分析;
根据分析结果确定隶属度临界值的范围。
优选地,获得所述里程计判别器判别检测装置是否静止的判别结果的步骤包括:
判断里程计连续两个采样值变化为0或低于预设阈值,该里程计判别器判别检测装置为静止。
优选地,所述检测装置为管道检测装置。
由上可以看出,本发明提供了一种用于检测装置的静态判别方法,以实现更加精确地判断当前的管道检测装置的是否处于静止状态。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例的一种用于检测装置的静态判别的方法示意图;
图2为本发明实施例的一种用于检测装置的静态判别的方法示意图;
图3为本发明实施例的加速度计三轴模糊判别器的原理示意图;
图4为本发明实施例的输入量的隶属度函数示意图;
图5为本发明实施例的隶属度函数临界值判定流程的示意图;
图6为本发明实施例的简化后的输入量隶属度函数的示意图;
图7为本发明实施例的输出量对应的隶属度函数的示意图;
图8为本发明实施例的模值的模糊判别器的示意图;
图9为本发明实施例的模值判别器隶属度函数类型的示意图;
图10为本发明实施例的隶属度函数临界值确定流程的示意图;
图11a为本发明实施例的传统阈值判断的错误率的示意图;
图11b为本发明实施例的模糊判断的错误率的示意图;
图12为本发明实施例的传统阈值判断方法的错误率的示意图;
图13为本发明实施例的模糊判断的错误率的示意图;
图14为本发明实施例的一种用于检测装置的静态判别的***的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的区间。下面以应用于检测装置为例对本发明进行说明。
实施例一
如图1所示,本申请提供一种用于检测装置的模糊静态判别的方法,包括:
S101,分别获取设置于所述管道检测装置上的加速度计、陀螺和里程计的检测数据,将相应数据输入加速度计三轴模糊判别器、加速度计模值模糊判别器、陀螺模值模糊判别器、以及里程计判别器,获得各判别器的判别结果。
设计本步骤的原因是:针对加速度计和陀螺的输出特点,采用模糊判断方式是处理本发明技术问题的有效方法。模糊判断方式可以借助模糊变量处理不确定性问题。模糊变量描述的是模糊状态,其隶属度函数描述的是精确变量与该模糊状态的关系,而不只是二值逻辑中的是否关系。本文中,静止状态时候对应的器件输出是一个波动的状态,各时刻具有不确定性。模糊判断方式的特点与本问题的特点匹配,所以加速度计三轴模糊判别器、加速度计模值模糊判别器、陀螺模值模糊判别器选择模糊判别器。而里程计判别器,直接采用二值法进行判别即可。
具体地,所述加速度计三轴模糊判别器、加速度计模值模糊判别器、陀螺模值模糊判别器获取判别结果的步骤,均分别包括下述子步骤:
S1、将输入量对应到语言变量,即将输入量转换为模糊变量;
S2、建立模糊规则并据此将所述模糊变量生成输出量模糊语言值,然后进行模糊推理以获取输出量模糊语言值的对应隶属度;
S3、反模糊化处理采用了一隶属度函数实现,根据所述输出量模糊语言值的对应隶属度,以及反模糊化使用的隶属度函数,对所述输出量模糊语言值进行反模糊化处理得到运动程度的精确值,并将该精确值转化为运动状态的语言值作为判别结果。
其中,对应上述子步骤,相应的在所述步骤S101之前,还包括:
分别确定所述加速度计三轴模糊判别器、加速度计模值模糊判别器、陀螺模值模糊判别器的各状态的隶属度临界值。具体地,包括子步骤:
N1、将采集到的对应各模糊判别器的各状态样本数据进行预处理;
N2、将预处理之后的数据分别输入至其对应的模糊判别器中进行统计特性分析;
N3、根据分析结果确定隶属度临界值的范围,以用于上述步骤S1中将输入量转为模糊值。
S102,根据各判别器的判别结果进行运算表决以确定检测装置是否为静止状态。具体地,根据各判别器的判别结果做逻辑“与”运算,以获取最终的管道检测装置是否静止的判别结果。
实施例二
如图2所示,本申请提供一种用于检测装置的模糊静态判别的方法,包括:
S201,进行模糊判别器的设计,包括:加速度计三轴模糊判别器设计、加速度计模值模糊判别器与陀螺模值模糊判别器设计,具体地:
S201.1加速度计三轴模糊判别器设计
如图3所示,输入为:加速度计在导航系下的三轴输出减去重力加速度,即输出为载体的运动状态,即静止、低动态或高动态。其中加速度计三轴模糊判别器(图3虚线框中所示)将所述作为输入进行判别输出为运动程度的精确值,然后再经设定的转化规则将该输出表示运动程度的精确值转化为运动状态的语言值(即所述静止、低动态或高动态)。
如图3虚线框中所示,模糊判别器主要包括输入量模糊化、建立模糊规则(即图3中的知识库)、模糊推理和输出量反模糊化四个部分。详述如下:
(1)输入量模糊化设计
根据输入量的实际情况,将输入量对应的语言变量取值为{NB,NS,ZO,PS,PB}五个模糊值,分别对应负大,负小,零,正小,正大。隶属度函数常用的为梯形与三角形。
模糊判别器的设计目的,一是当器件静止,剩余漂移与随机噪声造成的输入无法完全为0时,能够判断出载体是静止。这就要求在输入量的零值附近,对应隶属度函数的分辨率较低,可采用较平缓的梯形隶属度函数,以便包含上述情况;二是在物体产生剧烈振动而非运动时,能够判断出载体是非静止,这就要求在输入量的其他范围,具有较高的分辨率,可采用三角形隶属度函数,以判别出振动情况。综上,故,结合上述两种情况,输入量的隶属度函数采用如图4所示形状。
对于选择的隶属度函数确定其中包含的各临界值,决定了模糊判别器的正确率,乃至整个***的精度。通过查阅文献,未发现一种较为通用的确定临界值的方法。本发明基于所要解决的技术问题以及器件特性,隶属度函数各临界值的确定方法具体如下:。
首先,以多运动状态实验为基础,以模糊判别器数据学习与统计分析为方法,进行隶属度函数临界值的确定,其原理图参见如图5所示,思路包括如下:
采集多种运动状态数据的样本,并建立目标函数为错误率、变量为临界值的寻优模型,转化为非线性优化问题。此类问题需要采用搜索的优化方法。由于搜索的优化方法,初值与自变量范围对结果及寻优时间非常重要。为了减少计算量,提高计算效率,首先对样本进行统计特性分析,确定各边界值的范围。进一步地,在特定范围内非线性搜索优化,计算量适中的搜索优化,以获取错误率最低的临界值。
具体地:
考虑到输入变量的隶属度函数关于纵轴对称,为了简化模糊规则,对输入变量进行如下取绝对值算法的预处理:
则输入变量的隶属度函数简化为图6所示,简化为正区间的函数。从而,基于图6示出的函数,对于输入的某具体数据(即输入变量),则可转换为对应语言变量值(即ZO、S、B,分别对应零、小、大),即转换为对应的模糊变量。例如,某输入变量(u1,u2,u3)经转换后为(ZO,S,S)
(2)模糊规则设计
根据输入输出模糊变量存在的关系,将实际情况与实验经验用模糊语句表达出来,就是模糊规则。根据实际需要,输出模糊变量用z表示,根据***使用需要,定义为:静止、低动态、高动态三种状态,对应语言变量取值为{ZO,S,B}三个模糊值。由于输入为三个模糊变量,所以、模糊判别器的模糊规则为3*3*3=27条。根据实验情况,可以设计如下模糊规则表。
表1 模糊判别器的模糊规则表
从而,根据该模糊规则表,则可以将输入的模糊变量,转换为输出量模糊语言值。例如将上述输入变量(u1,u2,u3)对应的模糊变量(ZO,S,S)转换为输出量模糊语言值S。
(3)模糊推理设计
模糊蕴含运算采用最小运算,设模糊判别器的输入量u1,u2,u3在对应论域中分别定义了一组模糊集合Ai,Bi,Ci(i=1,2,3,...27);输出z在论域中定义了一组模糊集合Di(i=1,2,3...27);Ri代表第i条模糊规则对应的模糊蕴含关系;根据模糊规则进行似然推理,得到模糊蕴含关系为:
Ri=(Ai and Biand Ci)→Di
采用Mamdani模型推理:
于是,就得到了输出量模糊语言值的对应隶属度,以便最后反模糊化使用。
(4)反模糊化设计
反模糊化的作用,是将模糊值转为后续可使用的具体的精确值。例如下面所述的例子中,模糊值是{ZO,S,B}三个模糊值,即{静止、低动态、高动态}。该值后续难以使用(例如用于数学判断、计算、控制等使用),需要转为0~1内表示的运动程度的精确值(即具体值)才便于使用。下面对本子步骤进行详述:
根据***需要,将输出量对应的语言变量取值为{ZO,S,B}三个模糊值,分别对应静止、低动态、高动态。输出用于载体运动状态判断,需要较好的灵敏度,于是设计了如图7所示的隶属度函数形状。设计高动态模糊语言,是以便在后续磁罗盘有效性判断中使用。而输出量对应的精确值范围是根据经验或统计数据进行预先规定的,图7所示函数中,该取范围为[0,1],且临界值点取0.5。
常见的反模糊化方法主要有最大隶属度法、取中位数法和加权平均法三种方法。在此使用最大隶属度方法,将输出量模糊语言值反模糊化。
通过反模糊化处理,则可以将输出量模糊语言值转换为表示的运动程度的精确值,例如将上述输入变量(u1,u2,u3)对应的输出量模糊语言值S转换为值0.35。
(5)将模糊判别器的输出(即表示的运动程度的精确值)经过预先设置的特定规则转化为运动状态。根据实际情况,规则设计为:模糊判别器输出值为0~0.25时,运动状态为静止;0.25~0.75时,运动状态为低动态;0.75~1时,运动状态为高动态。
例如将将上述输入变量(u1,u2,u3)对应的表示的运动程度的精确值0.35转化为运动状态的判别结果为低动态。
至此,则完成了加速度计三轴模糊判别器设计。根据该设计的加速度计三轴模糊判别器,则可以将加速度计所采集的参数作为该判别器的输入,而后经该判别器内部处理后生成该判别器的判别结果,即运动状态,包括静止、低动态,或高动态三个运动状态。
S201.2加速度计模值模糊判别器、陀螺模值模糊判别器设计
加速度计模值模糊判别器与陀螺模值模糊判别器设计,与上述加速度计三轴模糊判别器十分相似。因为三者需要判定的是相同的对象,区别是使用的信息不同,也即输入变量不同。整体过程如图8所示。
其中,输出量及其之后的环节,与加速度计三轴模糊判别器一致,不再赘述,只介绍输入量模糊化,模糊规则及模糊推理部分。
(1)输入量模糊化设计
(2)模糊规则设计
模糊规则是依据实际情况,以及输入量与输出量的选取规定的。根据载体运动情况,模糊规则如下
表2 模糊规则表
(3)模糊推理设计
此模糊判别器为单输入单输出结构,模糊蕴含运算采用最小运算Rc。所述加速度计模值模糊判别器和所述陀螺模值模糊判别器设计为单输入单输出结构,输入为ε,输出为z;
模糊蕴含运算采用最小运算;所述输入ε在论域中定义了模糊集合Ei(i=1,2,3)表示,所述输出z在论域中定义了模糊集合Di(i=1,2,3)表示;Ri代表第i条模糊规则对应的模糊蕴含关系;根据模糊规则进行似然推理,得到模糊蕴含关系为:
Ri=Ei→Di
于是,就得到了输出量模糊语言值的对应隶属度,以便最后反模糊化使用。输出量及其之后的环节,与加速度计三轴模糊判别器一致,不再赘述。
S202,确定模糊临界值
临界值是影响判断精度的最重要因素,与器件特性与工作环境等因素相关,无法通过特定公式计算出。为了找出合适的临界值,需要采集在不同运动状态下传感器的输出数据样本,令模糊判别器对其进行样本数据学习,以确定出使得错误率最低的,模糊判别器中的临界值。于是,设计了如下多运动状态实验。
(1)实验方案设计
①设计思路
实验设计思路包括:实验状态选取,各状态采集次数,各状态实现方法以及数据分割方法。
实验状态选取应包括常见工作状态、临近值附近状态(容易误判或漏判状态)以及极端运动状态。各状态实验采集3次,考虑到不同上电时间和器件的漂移情况,所以同一种状态采集的三组数据是在一次实验的不同时间完成。另外,为了分割数据,在各个测量状态中间加入了反差较大状态,运动状态的用静止状态隔开,静止状态用运动状态隔开。实验中,绝对静止和匀速无法完全达到,只是近似达到。
②实验内容
实验要模拟的运动状态包括:绝对静止、静止+微振动、静止+振动、缓速直线匀速运动、缓速直线变速运动、缓速变向运动、常运动状态、高速直线运动状态+高速过障碍运动。
需要特别注意的是在每一种实验之前,都要上电、稳定。将器件静止放置1min,使得器件输出稳定。
(2)模糊判别器样本数据学习
模糊判别器对样本数据学习,就是利用样本数据,确定最优的临界值。最优的临界值,指的是在此临界值时,模糊判别器的错误率最低,错误率是通过模糊判别器状态输出与标称状态对比得到。依据采集的样本数据及其对应的实际标称状态,可以确定出错误率最低的临界值。
于是,上述问题也就转化为一个非线性的多变量最优化问题。目标函数为:判别器的错误率。优化问题有其自身特点:一是由于模糊判别器的存在,目标函数无显式表达式。所以,需要采用搜索式的寻优方法。搜索式优化算法,计算量偏大;其计算量的大小及优化效果,与初始值及搜索范围密切相关。二是对所有样本数据统计之后,目标函数才可得到结果,所以目标函数计算量非常大。
综合分析问题情况与方法特点,初始值和搜索范围的选取,对于提高算法效率十分关键。为此,下面通过对样本数据进行统计特性分析,确定了临界值的所在范围。
(3)统计特性分析
①统计特性分析
利用采集到的各状态样本数据,通过对不同状态下数据的统计特性分析,结合实际情况,推算临界值所在范围。
数据预处理过程包括:传感器输出数据补偿,提取有效数据,转化为模糊判别器输入等过程。预处理后的数据为模糊判别器的输入量,可以近似看作正态分布根据正态分布中相关理论,数据值取在(μ-3σ,μ+3σ)的概率为99.73%,其中μ代表期望,σ为标准差。则根据各状态的统计特性,可以大致确定某一状态时的数据范围为(μ-3σ,μ+3σ)。如图10所示为隶属度函数临界值确定流程。
然后根据实际情况,可知各状态的输入数据范围与各临界值的不等式关系如表3。综合各状态的结果后可以得到各个临界值的取值范围。
状态 | 由实际情况得统计特性与临界值关系 |
绝对静止 | η<sub>1</sub>+3σ<sub>1</sub><a,最大值1<a |
静止微振动 | a<η<sub>2</sub>+3σ<sub>2</sub><b |
静止振动 | a<η<sub>3</sub>+3σ<sub>3</sub><c |
缓速直线匀速运动 | a<η<sub>4</sub>+3σ<sub>4</sub><b |
缓速直线变速运动 | b<η<sub>5</sub>+3σ<sub>5</sub><c |
缓速变向运动 | a<η<sub>6</sub>+3σ<sub>6</sub><b |
正常运动状态 | b<η<sub>7</sub>+3σ<sub>7</sub><c,最大值2<c |
高速运动状态 | 最大值3>c |
表3 统计特性与判别器临界值关系
②加速度计三轴模糊判别器临界值范围确定
实验中由于每次静止的时间不同,所以漂移情况有所差异,比较表中三次测量的特点。
随着上电时间的增加,可以看出表格中数据会因漂移有增加。由于常用工作时间不确定,所以可以根据三次结果的平均值,求得每一种状态下的统计特性。根据上述方法,可以得到加速度计三轴模糊判别器中各临界值范围为:
表4 加速度计三轴模糊判别器的临界值
③加速度计模值模糊判别器及陀螺模糊判别器临界值确定
各临界值范围确定方法同上,加速度计模值的各状态的统计特性如表5所示:
状态 | 各状态统计特性对临界值的限制情况 |
绝对静止 | 9.75982<a,9.7170<a |
静止微振动 | a<9.75992<c |
静止振动 | a<9.7688<c |
缓速直线匀速运动 | 9.7543<b |
缓速直线变速运动 | b<15.9383<c |
缓速变向运动 | a<17.4375<b |
正常运动状态 | b<18.1497<c,21.7430<c |
高速运动状态 | 23.1952>c |
表5 统计特性与加速度计模值模糊判别器临界值关系
由上述分析可知,模值状态范围如下所示:
9.7598<a<9.7688;9.7543<b<15.9383;21.7430<c<23.1952。
统计特性与陀螺模值模糊判别器的临界值关系如表6所示。
表6 统计特性与陀螺模值模糊判别器的临界值关系
综上,通过比较可知此次实验振动较大,通过去野值处理后,可得0.0916<a<0.1,1<b<3,10<c<15
(4)求解带约束的非线性优化问题
根据上述分析,当临界值范围确定后,问题转化成为带约束的非线性优化问题,适合使用在固定区域内搜索的优化算法。此类算法中,逐次二次线性逼近是一个快速有效的方法,通过寻找最优步长,达到搜索速度快,寻优结果好的良好性能。
根据SQP的方法原理,编程实现并应用于本问题中,通过优化运算获得最优的临界值,如表7所示。
注:单位均与相应模糊判别器的输入量单位一致表7 利用优化运算得到的临界值
1.6实验数据验证
下面利用实测数据验证本文方案的效果。为了多方面衡量决策性能,设计以下静态与动态实验。
(1)静态实验
当载体绝对静止时,采集不同上电时刻的三组数据,观察判断效果与错误率。分别画出标称状态与判定状态对比图,并统计相应错误率。图11a为传统阈值判断,错误率为0.0464;图11b为模糊判断,错误率为0。图中,纵轴表示载体的运动状态,0代表静止,1代表运动。
(2)跑车实验
当载体处于常规运动状态时,采集不同上电时刻的三组数据,观察判断效果与错误率。图12传统阈值判断方法:在正常运动状态下,错误率为0.1859。图13模糊判断方法:在正常运动状态下的,错误率为0.007。由此可见模糊判断方法的错误率远低于传统阈值判断方法。
S203,获取管道检测装置上的加速度计、陀螺与里程计的检测数据,将所获取的数据分别输入上述加速度计三轴模糊判别器、加速度计模值模糊判别器、陀螺模值模糊判别器、以及里程计判别器,并获取各个模糊判别器的判别结果。
其中,所述加速度计三轴模糊判别器、加速度计模值模糊判别器、陀螺模值模糊判别器获取判别结果的步骤,均包括:S1、将输入量对应到语言变量,即将输入量转换为模糊变量;S2、建立模糊规则并据此将所述模糊变量生成输出量模糊语言值,然后进行模糊推理以获取输出量模糊语言值的对应隶属度;S3、反模糊化处理采用了一隶属度函数实现,根据所述输出量模糊语言值的对应隶属度,以及反模糊化使用的隶属度函数,对所述输出量模糊语言值进行反模糊化处理得到运动程度的精确值,并将该精确值转化为运动状态的语言值作为判别结果。该判别结果即判断的运动状态,包括静止、低动态、高动态三个运动状态。
其中,里程计判别器,直接采用二值法进行判别,即当前里程计连续两个采样值变化为0或低于某设定值,即判别为静止,连续两个采样变化大于0或大于某设定值,则判别为动态。
S204,根据各判别器的判别结果做逻辑“与”运算,以获取最终的管道检测装置静止判别结果。
具体来说,当S203中所述各判别器判别结果均为静止时,则逻辑“与”运算结果为静止,任一为非静止(非静止包括低动态、高动态、动态)时,则运算结果为非静止,如此可判断出管道检测装置当前是否处于静止状态。
实施例三
如图14所示,本申请还提供一种用于检测装置的模糊静态判别的***,基于实施例一、二所述的方法,包括:
获取模块,用于分别获取设置于所述管道检测装置上的加速度计、陀螺和里程计的检测数据。
输入模块,将相应数据输入加速度计三轴模糊判别器、加速度计模值模糊判别器、陀螺模值模糊判别器、以及里程计判别器,获得各判别器的判别结果。
运算模块,用于根据各判别子模块的判别结果做逻辑“与”运算,以获取最终的静止判别结果。
优选地,所述加速度计三轴模糊判别器、加速度计模值模糊判别器、陀螺模值模糊判别器,具体包括:
输入量模糊化子模块,用于将输入量对应的语言变量取值为模糊值;
规则建立子模块,用于建立模糊规则;
模糊推理子模块,用于根据所述模糊规则进行模糊推理,以获取输出量模糊语言值的对应隶属度;
反模糊化子模块,用于根据所述输出量模糊语言值的对应隶属度,进行反模糊化处理以获取判别结果。
其中,所述***,还包括:
临界值确定模块,用于分别确定所述加速度计三轴模糊判别器、加速度计模值模糊判别器、陀螺模值模糊判别器的各状态的隶属度临界值。
其中,所述临界值确定模块,具体包括:
预处理子模块,用于将采集到的对应各模糊判别器的各状态样本数据进行预处理;
统计特性分析子模块,用于将预处理之后的数据分别输入至其对应的模糊判别器中进行统计特性分析;
确定子模块,用于根据分析结果确定隶属度临界值的范围。
其中,所述***还包括模糊判别器设计模块,包括:加速度计三轴模糊判别器设计子模块、加速度计模值模糊判别器设计子模块、陀螺模值模糊判别器设计子模块,用于分别设计对应的模糊判别器。具体对应如实施例二中所示,在此不再赘述。
实施例四
本申请还提供一种存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现所述用于检测装置的模糊静态判别的方法的步骤。
综上所述,本发明提供了一种用于检测装置的静态判别***及方法,以实现更加精确地判断当前的管道检测装置的是否处于静止状态。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种用于检测装置的静态判别的方法,其特征在于,包括:
A、分别获取设置于检测装置上的加速度计、陀螺仪和里程计的检测数据;
将所述检测数据对应的分别输入至加速度计三轴模糊判别器、加速度计模值模糊判别器、陀螺模值模糊判别器、以及里程计判别器,以分别获得各判别器判别检测装置是否静止的判别结果;
B、根据各判别器的判别结果进行运算表决以确定检测装置是否为静止状态。
2.根据权利要求1所述的方法,其特征在于,所述加速度计三轴模糊判别器、加速度计模值模糊判别器、陀螺模值模糊判别器对应的,获得各判别器判别检测装置是否静止的判别结果的步骤,分别包括:
S1、将所述检测数据转换为语言变量表示的模糊变量;
S2、根据预先建立的模糊规则将所述模糊变量生成输出量模糊语言值;
S3、对所述输出量模糊语言值的进行反模糊化处理得到表示运动程度的精确值;
将该精确值转化为运动状态的语言值作为判别结果;该语言值包括静止。
3.根据权利要求2所述的方法,其特征在于,所述步骤S1采用一隶属度函数进行所述转换,且该隶属度函数转换后的语言变量表示的模糊变量至少包括零、小、大三个模糊变量。
4.根据权利要求3所述的方法,其特征在于,所述加速度计三轴模糊判别器采用的所述模糊规则,其设计包括:
定义输入为三个变量,每个变量取值为模糊值静止、模糊值低动态、模糊值高动态三种状态之一、输出为该三种状态之一的输出量模糊语言值,据此设计模糊规则表,以用于将所述三个模糊变量作为输入以按照该模糊规则表生成输出量模糊语言值。
5.根据权利要求2所述的方法,其特征在于,
所述S2后还包括:通过模糊推理获取输出量模糊语言值的对应隶属度;
所述S3中的反模糊化处理采用一隶属度函数进行;包括:根据所述输出量模糊语言值的对应隶属度,以及所述隶属度函数进行所述反模糊化处理,得到表示运动程度的精确值。
6.根据权利要求5所述的方法,其特征在于,所述加速度计三轴模糊判别器的模糊推理的设计,包括:
所述加速度计三轴模糊判别器的输入为u1,u2,u3,输出为z;
模糊蕴含运算采用最小运算,设模糊判别器的输入量u1,u2,u3在对应论域中分别定义了一组模糊集合Ai,Bi,Ci(i=1,2,3,...27);输出z在论域中定义了一组模糊集合Di(i=1,2,3...27);Ri代表第i条模糊规则对应的模糊蕴含关系;根据模糊规则进行似然推理,得到模糊蕴含关系为:
Ri=(Aiand Biand Ci)→Di
式中Ri的隶属度其中表示变量u1,u2,u3对应模糊集合Ai,Bi,Ci的隶属度,表示输出z对Di的隶属度,“∧”为取小运算或积运算,设检测到的输入为A′,B′,C′,采用模糊蕴含最小运算,利用第i条规则得到输出为其中,为合同运算,采用最小或积运算;
采用Mamdani模型推理:
其中,μA′(u1),μB′(u2),μC′(u3)分别为u1,u2,u3对A′,B′,C′的隶属度,D′i为第i条规则推理出来的输出模糊集;
7.根据权利要求6所述的方法,其特征在于,所述加速度计模值模糊判别器和所述陀螺模值模糊判别器的模糊推理的设计,包括:
所述加速度计模值模糊判别器和所述陀螺模值模糊判别器设计为单输入单输出结构,输入为ε,输出为z;
模糊蕴含运算采用最小运算;所述输入ε在论域中定义了模糊集合Ei(i=1,2,3)表示,所述输出z在论域中定义了模糊集合Di(i=1,2,3)表示;Ri代表第i条模糊规则对应的模糊蕴含关系;根据模糊规则进行似然推理,得到模糊蕴含关系为:
Ri=Ei→Di
综合输出为μD′(z)=∨μD′i(z)。
8.根据权利要求3、4、5、6、7任一项所述的方法,其特征在于,对所述隶属度函数的隶属度临界值的确定步骤包括:
将采集到的对应各模糊判别器的各状态样本数据进行预处理;
将预处理之后的数据分别输入至其对应的模糊判别器中进行统计特性分析;
根据分析结果确定隶属度临界值的范围。
9.根据权利要求1所述的方法,其特征在于,获得所述里程计判别器判别检测装置是否静止的判别结果的步骤包括:
判断里程计连续两个采样值变化为0或低于预设阈值,该里程计判别器判别检测装置为静止。
10.根据权利要求1所述的方法,其特征在于,所述检测装置为管道检测装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010148186.0A CN111257592B (zh) | 2020-03-05 | 2020-03-05 | 一种用于检测装置的静态判别的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010148186.0A CN111257592B (zh) | 2020-03-05 | 2020-03-05 | 一种用于检测装置的静态判别的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111257592A true CN111257592A (zh) | 2020-06-09 |
CN111257592B CN111257592B (zh) | 2022-04-12 |
Family
ID=70954743
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010148186.0A Active CN111257592B (zh) | 2020-03-05 | 2020-03-05 | 一种用于检测装置的静态判别的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111257592B (zh) |
Citations (34)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH01127514A (ja) * | 1987-11-12 | 1989-05-19 | Ishida Scales Mfg Co Ltd | 分散供給装置の供給量制御装置 |
EP0468530A1 (en) * | 1990-07-26 | 1992-01-29 | Omron Corporation | Fuzzy inference device |
JPH04347058A (ja) * | 1991-05-24 | 1992-12-02 | Hitachi Constr Mach Co Ltd | 作業車両の吐出容量制御装置 |
US5243666A (en) * | 1989-11-01 | 1993-09-07 | Olympus Optical Co., Ltd. | Static-image signal generation apparatus using fuzzy theory |
JPH06294809A (ja) * | 1993-04-08 | 1994-10-21 | Babcock Hitachi Kk | 移動物体検出方法および装置 |
US5673365A (en) * | 1991-06-12 | 1997-09-30 | Microchip Technology Incorporated | Fuzzy microcontroller for complex nonlinear signal recognition |
JP2002062307A (ja) * | 2000-08-15 | 2002-02-28 | Toyota Motor Corp | 衝突形態判定装置 |
CN101118159A (zh) * | 2007-09-17 | 2008-02-06 | 北京航空航天大学 | 基于惯性技术的全自主式地下管线测量*** |
CN101841439A (zh) * | 2010-04-21 | 2010-09-22 | 徐楠 | 判断数据采集和/或控制终端网络中通讯路径类型的方法 |
CN102645555A (zh) * | 2012-02-22 | 2012-08-22 | 佛山科学技术学院 | 一种微运动测量方法 |
CN103029851A (zh) * | 2012-11-30 | 2013-04-10 | 北京控制工程研究所 | 一种参数自整定伪速率调制器 |
KR20130099672A (ko) * | 2012-02-29 | 2013-09-06 | 부산대학교 산학협력단 | 퍼지 추론 시스템 및 그 방법 |
US20130346013A1 (en) * | 2012-06-22 | 2013-12-26 | Alpinereplay, Inc. | Method and apparatus for determining sportsman jumps using fuzzy logic |
CA2827661A1 (en) * | 2012-09-26 | 2014-03-26 | General Electric Company | System and method for detection and tracking of moving objects |
CN104015711A (zh) * | 2014-06-17 | 2014-09-03 | 广西大学 | 一种汽车abs的双模糊控制方法 |
CN104217107A (zh) * | 2014-08-27 | 2014-12-17 | 华南理工大学 | 一种基于多传感器信息仿人机器人跌倒状态检测方法 |
KR20150049486A (ko) * | 2013-10-30 | 2015-05-08 | 건국대학교 산학협력단 | 시간영역 분석과 퍼지 이론을 이용한 보행 동결 판별 장치 및 이를 이용한 보행 동결 판별 방법 |
CN104677379A (zh) * | 2013-11-28 | 2015-06-03 | 空中客车运营简化股份公司 | 用于使用一致性准则融合来自传感器的数据的方法 |
CN104977006A (zh) * | 2015-08-11 | 2015-10-14 | 北京纳尔信通科技有限公司 | 一种基于模糊理论和多传感器融合的室内定位方法 |
CN105353656A (zh) * | 2015-11-05 | 2016-02-24 | 宁波熵联信息技术有限公司 | 一种基于模糊推理的智能温室灌溉控制装置 |
CN105584886A (zh) * | 2015-11-23 | 2016-05-18 | 国家电网公司 | 一种船舶电缆绞车驱动***的控制方法 |
US20160231109A1 (en) * | 2015-02-09 | 2016-08-11 | Invensense Inc. | System and method for detecting non-meaningful motion |
CN106740846A (zh) * | 2016-12-02 | 2017-05-31 | 大连理工大学 | 一种双模式切换的电动汽车自适应巡航控制方法 |
CN106931990A (zh) * | 2017-03-24 | 2017-07-07 | 杭州菲特牛科技有限公司 | 一种基于模糊逻辑的跑步状态识别方法 |
CN107015646A (zh) * | 2017-03-28 | 2017-08-04 | 北京犀牛数字互动科技有限公司 | 运动状态的识别方法及装置 |
CN107527140A (zh) * | 2017-07-28 | 2017-12-29 | 西安理工大学 | 一种基于模糊隶属度的高速列车运行工况确定方法 |
CN107966138A (zh) * | 2017-11-28 | 2018-04-27 | 北京零偏科技有限责任公司 | 基于单一管口地理坐标信息的地下管线精确定位方法 |
CN108387233A (zh) * | 2018-01-30 | 2018-08-10 | 北京理工大学 | 一种基于模糊逻辑的行人运动模式判断方法 |
CN108626580A (zh) * | 2018-05-10 | 2018-10-09 | 北京零偏科技有限责任公司 | 一种管道故障自主定位检测的设备、方法及*** |
CN109297485A (zh) * | 2018-08-24 | 2019-02-01 | 北京航空航天大学 | 一种基于高度自观测算法的室内个人惯性导航高程精度提升方法 |
CN109878538A (zh) * | 2019-03-22 | 2019-06-14 | 西南交通大学 | 一种重载机车智能撒砂控制***及控制方法 |
CN110501009A (zh) * | 2019-08-07 | 2019-11-26 | 北京航空航天大学 | 一种用于微机电惯性测量单元温度误差补偿的方法 |
CN110572091A (zh) * | 2019-09-16 | 2019-12-13 | 湖北文理学院 | 一种优化永磁同步电机无传感器控制方法 |
CN110659551A (zh) * | 2018-06-29 | 2020-01-07 | 比亚迪股份有限公司 | 运动状态的识别方法、装置及车辆 |
-
2020
- 2020-03-05 CN CN202010148186.0A patent/CN111257592B/zh active Active
Patent Citations (35)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH01127514A (ja) * | 1987-11-12 | 1989-05-19 | Ishida Scales Mfg Co Ltd | 分散供給装置の供給量制御装置 |
US5243666A (en) * | 1989-11-01 | 1993-09-07 | Olympus Optical Co., Ltd. | Static-image signal generation apparatus using fuzzy theory |
EP0468530A1 (en) * | 1990-07-26 | 1992-01-29 | Omron Corporation | Fuzzy inference device |
JPH04347058A (ja) * | 1991-05-24 | 1992-12-02 | Hitachi Constr Mach Co Ltd | 作業車両の吐出容量制御装置 |
US5673365A (en) * | 1991-06-12 | 1997-09-30 | Microchip Technology Incorporated | Fuzzy microcontroller for complex nonlinear signal recognition |
JPH06294809A (ja) * | 1993-04-08 | 1994-10-21 | Babcock Hitachi Kk | 移動物体検出方法および装置 |
JP2002062307A (ja) * | 2000-08-15 | 2002-02-28 | Toyota Motor Corp | 衝突形態判定装置 |
CN101118159A (zh) * | 2007-09-17 | 2008-02-06 | 北京航空航天大学 | 基于惯性技术的全自主式地下管线测量*** |
CN101841439A (zh) * | 2010-04-21 | 2010-09-22 | 徐楠 | 判断数据采集和/或控制终端网络中通讯路径类型的方法 |
CN102645555A (zh) * | 2012-02-22 | 2012-08-22 | 佛山科学技术学院 | 一种微运动测量方法 |
KR20130099672A (ko) * | 2012-02-29 | 2013-09-06 | 부산대학교 산학협력단 | 퍼지 추론 시스템 및 그 방법 |
US20130346013A1 (en) * | 2012-06-22 | 2013-12-26 | Alpinereplay, Inc. | Method and apparatus for determining sportsman jumps using fuzzy logic |
CA2827661A1 (en) * | 2012-09-26 | 2014-03-26 | General Electric Company | System and method for detection and tracking of moving objects |
CN103679698A (zh) * | 2012-09-26 | 2014-03-26 | 通用电气公司 | 用于检测和跟踪移动对象的***和方法 |
CN103029851A (zh) * | 2012-11-30 | 2013-04-10 | 北京控制工程研究所 | 一种参数自整定伪速率调制器 |
KR20150049486A (ko) * | 2013-10-30 | 2015-05-08 | 건국대학교 산학협력단 | 시간영역 분석과 퍼지 이론을 이용한 보행 동결 판별 장치 및 이를 이용한 보행 동결 판별 방법 |
CN104677379A (zh) * | 2013-11-28 | 2015-06-03 | 空中客车运营简化股份公司 | 用于使用一致性准则融合来自传感器的数据的方法 |
CN104015711A (zh) * | 2014-06-17 | 2014-09-03 | 广西大学 | 一种汽车abs的双模糊控制方法 |
CN104217107A (zh) * | 2014-08-27 | 2014-12-17 | 华南理工大学 | 一种基于多传感器信息仿人机器人跌倒状态检测方法 |
US20160231109A1 (en) * | 2015-02-09 | 2016-08-11 | Invensense Inc. | System and method for detecting non-meaningful motion |
CN104977006A (zh) * | 2015-08-11 | 2015-10-14 | 北京纳尔信通科技有限公司 | 一种基于模糊理论和多传感器融合的室内定位方法 |
CN105353656A (zh) * | 2015-11-05 | 2016-02-24 | 宁波熵联信息技术有限公司 | 一种基于模糊推理的智能温室灌溉控制装置 |
CN105584886A (zh) * | 2015-11-23 | 2016-05-18 | 国家电网公司 | 一种船舶电缆绞车驱动***的控制方法 |
CN106740846A (zh) * | 2016-12-02 | 2017-05-31 | 大连理工大学 | 一种双模式切换的电动汽车自适应巡航控制方法 |
CN106931990A (zh) * | 2017-03-24 | 2017-07-07 | 杭州菲特牛科技有限公司 | 一种基于模糊逻辑的跑步状态识别方法 |
CN107015646A (zh) * | 2017-03-28 | 2017-08-04 | 北京犀牛数字互动科技有限公司 | 运动状态的识别方法及装置 |
CN107527140A (zh) * | 2017-07-28 | 2017-12-29 | 西安理工大学 | 一种基于模糊隶属度的高速列车运行工况确定方法 |
CN107966138A (zh) * | 2017-11-28 | 2018-04-27 | 北京零偏科技有限责任公司 | 基于单一管口地理坐标信息的地下管线精确定位方法 |
CN108387233A (zh) * | 2018-01-30 | 2018-08-10 | 北京理工大学 | 一种基于模糊逻辑的行人运动模式判断方法 |
CN108626580A (zh) * | 2018-05-10 | 2018-10-09 | 北京零偏科技有限责任公司 | 一种管道故障自主定位检测的设备、方法及*** |
CN110659551A (zh) * | 2018-06-29 | 2020-01-07 | 比亚迪股份有限公司 | 运动状态的识别方法、装置及车辆 |
CN109297485A (zh) * | 2018-08-24 | 2019-02-01 | 北京航空航天大学 | 一种基于高度自观测算法的室内个人惯性导航高程精度提升方法 |
CN109878538A (zh) * | 2019-03-22 | 2019-06-14 | 西南交通大学 | 一种重载机车智能撒砂控制***及控制方法 |
CN110501009A (zh) * | 2019-08-07 | 2019-11-26 | 北京航空航天大学 | 一种用于微机电惯性测量单元温度误差补偿的方法 |
CN110572091A (zh) * | 2019-09-16 | 2019-12-13 | 湖北文理学院 | 一种优化永磁同步电机无传感器控制方法 |
Non-Patent Citations (4)
Title |
---|
DWIONO W 等: ""Simple Implementation of Fuzzy Controller for Low Cost Microcontroller":22 web of science"", 《2019 INTERNATIONAL CONFERENCE OF ARTIFICIAL INTELLIGENCE AND INFORMATION TECHNOLOGY》 * |
李鲁明 等: ""基于模糊卡尔曼滤波的姿态估计算法"", 《仪表技术与传感器》 * |
白心阳 等: ""桥式起重机模糊防摇摆算法研究"", 《机械制造与自动化》 * |
蒋清扬 等: ""航空发动机换热器控制技术研究"", 《***仿真学报》 * |
Also Published As
Publication number | Publication date |
---|---|
CN111257592B (zh) | 2022-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sun et al. | Short‐term traffic forecasting using self‐adjusting k‐nearest neighbours | |
de Barros et al. | Wilcoxon rank sum test drift detector | |
Chen et al. | Negative samples reduction in cross-company software defects prediction | |
Patel et al. | Classification of imbalanced data using a modified fuzzy-neighbor weighted approach | |
Kronberger et al. | Using robust generalized fuzzy modeling and enhanced symbolic regression to model tribological systems | |
García-Vico et al. | Fepds: A proposal for the extraction of fuzzy emerging patterns in data streams | |
Ge et al. | An improved PF remaining useful life prediction method based on quantum genetics and LSTM | |
CN111257592B (zh) | 一种用于检测装置的静态判别的方法 | |
Myojin et al. | Improving reliability of object detection for lunar craters using Monte Carlo dropout | |
Stevenson et al. | Benchmarking deep learning approaches for all-vs-all conjunction screening | |
Yousefpour et al. | Unsupervised anomaly detection via nonlinear manifold learning | |
Maulana et al. | Crude Oil Price Forecasting Using Long Short-Term Memory | |
Alfhaid et al. | Classification of imbalanced data stream: Techniques and challenges | |
Yan et al. | An intelligent adaptive Kalman filter for integrated navigation systems | |
Raja et al. | Internet of things enabled automated air pollution monitoring using oppositional swallow swarm optimisation with deep learning model | |
Nefti et al. | A new fuzzy set merging technique using inclusion-based fuzzy clustering | |
Marushko | Using ensembles of neural networks with different scales of input data for the analysis of telemetry data | |
Jian et al. | Optimization of K-medoids Algorithm for Initial Clustering Center | |
Mirzoyan et al. | The procedure for defining the best recognition module of the algorithms for calculating estimates | |
Liu et al. | A selective up-sampling method applied upon unbalanced data for flare prediction: potential to improve model performance | |
Kaya et al. | Learning weights of fuzzy rules by using gravitational search algorithm | |
Janikow et al. | Fuzzy decision tree FID | |
Dashdondov et al. | OrdinalEncoder and PCA based NB Classification for Leaked Natural Gas Prediction Using IoT based Remote Monitoring System | |
Gu et al. | Multi-task Deep Neural Network for Air Pollution Prediction and Spatial Effect Analysis | |
Liu et al. | An Improved Transformer Few Shot Fault Diagnosis Method for Integrated Navigation Based on Generative Adversarial Network |
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 |