CN116861292A - 道路监测数据有荷动力响应实时识别方法 - Google Patents
道路监测数据有荷动力响应实时识别方法 Download PDFInfo
- Publication number
- CN116861292A CN116861292A CN202310838650.2A CN202310838650A CN116861292A CN 116861292 A CN116861292 A CN 116861292A CN 202310838650 A CN202310838650 A CN 202310838650A CN 116861292 A CN116861292 A CN 116861292A
- Authority
- CN
- China
- Prior art keywords
- data
- feature vector
- dynamic response
- identifying
- power response
- 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
- 230000004044 response Effects 0.000 title claims abstract description 89
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000012544 monitoring process Methods 0.000 title claims abstract description 22
- 239000013598 vector Substances 0.000 claims abstract description 60
- 239000000835 fiber Substances 0.000 claims abstract description 27
- 238000007781 pre-processing Methods 0.000 claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 11
- 238000013507 mapping Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 230000007547 defect Effects 0.000 abstract 1
- 238000012545 processing Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000012216 screening Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Traffic Control Systems (AREA)
Abstract
道路监测数据有荷动力响应实时识别方法,属于道路类领域,目前的有荷动力响应识别方法,识别精度低,实时性差,在预设时间段内从历史数据库内连续获取道路内部埋设的各光纤光栅传感器输出的波长数据;对波长数据进行预处理得到时序数据;对时序数据预处理得到特征向量;将同一数据向量所对应的特征向量和标签值分别作为有荷动力响应识别器的输入和输出,对有荷动力响应识别器进行训练;连续获取实时监测得到的待识别的光纤光栅传感器输出的波长数据,对波长数据进行预处理得到时序数据,对时序数据预处理得到特征向量,并通过训练完成的有荷动力响应识别器对该特征向量进行识别获得标签值。本申请用于识别有荷动力响应。
Description
技术领域
本发明涉及有荷动力响应识别方法,属于道路类领域。
背景技术
当车辆经过道路内部所埋设的光纤光栅传感器上方时,能够获得光纤光栅传感器输出的波长数据,波长数据包括有荷动力响应特征和无荷动力响应特征,其中的有荷动力响应特征是道路监测数据处理的重要内容之一,即道路在车辆行驶荷载作用下,其结构内部产生的力学响应,因此通过有荷动力响应特征能够反算出公路路基路面结构内部产生的力学响应,进而了解交通信息(车辆、车流);无荷动力响应特征用于表征环境信息(温度、湿度等);所以,现有通过识别有荷动力响应特征,用来得到道路在车辆行驶荷载作用下,其结构内部产生的力学响应,并进一步了解交通信息(车辆、车流)。
然而目前使用最为广泛的识别方法为阈值法,该方法能够快速便捷地筛选光纤光栅传感器数据中的有荷动力响应,但需要人员依据历史数据人工选择阈值的上界和下界,且光纤光栅传感数据容易受到季节、环境因素变化的影响和传感器自身变动的影响,实际应用范围狭窄,筛选效果不稳定,且其中的有荷动力响应极为稀疏,识别装置不仅需要排除噪声干扰的问题,还要召回光纤光栅传感器数据中的全部有荷动力响应特征。另一种较为流行的识别方法是能量筛选法,通过将滑动时间窗口数据归一化后计算能量值,与设置的能量阈值相对比,来识别传感器数据中的有荷动力响应,该方法对于稀疏的有荷动力响应特征具有较好的召回效果,但其识别的精确率较低,容易将大多数无荷响应特征误判,无法实现观测点数据存储压力的缓解;另外,目前的两种识别方法一般需要工作人员定期去现场获取光纤光栅传感器输出的数据,将获取到的大量数据统一处理,所以现有缺少实时处理光纤光栅传感器输出数据的功能。
由此可见,当前针对道路监测数据的有荷动力响应特征识别,需要解决光纤光栅传感器数据处理的精度和实时性问题。
发明内容
本发明的目的是为了解决目前采用的有荷动力响应识别方法,识别精度低,实时性差的问题,提出了道路监测数据有荷动力响应实时识别方法。
道路监测数据有荷动力响应实时识别方法,所述方法包括以下内容:
步骤1、在预设时间段内从历史数据库内连续获取道路内部埋设的各光纤光栅传感器输出的波长数据;
步骤2、对波长数据进行预处理得到时序数据:
对各光纤光栅传感器连续获取的所有波长数据按照时间顺序进行排列形成时序数据;
步骤3、对时序数据预处理得到特征向量:
设置滑动窗口的长度为k,滑动窗口历遍时序数据,并由各滑动窗口内k个波长数据组成数据向量,对各数据向量进行映射处理,得到相应的标签值,并根据各数据向量计算出m种统计特征,从m种统计特征中提取出与有荷动力响应相关的n种统计特征,并将n种统计特征组成特征向量,m≥n,m和n均整数;k为大于或等于1的正整数;
步骤4、将同一数据向量所对应的特征向量和标签值分别作为有荷动力响应识别器的输入和输出,对有荷动力响应识别器进行训练,得到训练完成的有荷动力响应识别器;
步骤5、连续获取实时监测得到的待识别的光纤光栅传感器输出的波长数据,对波长数据进行预处理得到时序数据,并对时序数据预处理得到特征向量,并通过训练完成的有荷动力响应识别器对该特征向量进行识别获得标签值,标签值的取值空间为{0,1},其中,1表示特征向量所对应的波长数据为有荷动力响应数据,0表示特征向量所对应的波长数据为无荷动力响应数据;从而实现对有荷动力响应数据的识别。
优选地,步骤3中,滑动窗口的步长为1。
优选地,在步骤1之前还包括:
对光纤光栅传感器输出的原始数据进行预处理,得到波长数据。
优选地,步骤3中,统计特征的种类包括一阶中心距、二阶中心距、三阶中心距、四阶中心距、从数据向量中分别选取一个最大的元素和一个最小的元素。
优选地,步骤3中,从m种统计特征中提取出与有荷动力响应相关的n种统计特征,具体为:
计算每种统计特征与标签值的互信息值,一共计算出m个互信息值;
对m个互信息值从大到小排序,从排序后的m个互信息值中选取前n个互信息值所对应的n种统计特征组成特征向量。
优选地,互信息值I(X;Y)公式为:
式中,X为统计特征,Y为标签,p(x,y)为联合概率密度函数,p(x)为统计特征边际的概率密度函数,p(y)为标签值的边际的概率密度函数。
优选地,将标签值为1的波长数据存入数据库中。
优选地,步骤4中,确定有荷动力响应识别器训练完成的条件为:
在测试阶段将各数据向量所对应的标签值作为实际标签值;
将各特征向量输入至训练后的有荷动力响应识别器中,输出的标签值作为预测标签值,根据各特征向量所对应的预测标签值和实际标签值,计算召回率,根据召回率调节训练后的有荷动力响应识别器的参数,连续得到的召回率不变时,此时的训练后的有荷动力响应识别器为训练完成的有荷动力响应识别器。
本发明的有益效果是:
通过对光纤光栅传感器输出波长数据的预处理,能够对不同环境、季节下的光纤光栅传感器的波长数据进行处理,有效降低观测点的数据存储负担,减少对后续分析的影响,便于有荷动力响应特征的实时、快速、准确识别。
为提取时间序列数据中的有效特征,本申请采用基于滑动窗口设计选择需要处理的数据数量组成数据向量、计算数据向量的m个统计特征、再提取与有荷动力响应最相关的统计特征组成特征向量,实现特征的有效选择和提取。
采用基于历史数据训练的有荷动力响应识别器识别特征向量,能够消除采集数据中有荷动力响应稀疏的影响,也就是删除无荷动力响应特征,识别出有荷动力响应特征。
由于传统的有荷动力响应识别方法无法应对复杂多变的实际情况,而本申请具备自动提取与有荷动力响应最相关的统计特征、并用标签值实时对特征进行分类,相比传统经验法,提高了识别精度和适用范围,减少人工干预,达到对复杂多变实际情况下有荷动力响应特征识别的目标,可以有效提高有荷动力响应的识别精度和适用范围,缓解道路服役性能监测数据的存储压力;本申请还能对光纤光栅传感器的输出数据进行实时采集及定期处理,相比传统数据的统一处理方式,实时性高;因此,本申请具有较高的实用性和应用价值。
附图说明
图1为道路监测数据有荷动力响应实时识别方法的流程图;
图2为训练有荷动力响应识别器的流程图。
具体实施方式
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,所描述的实施例仅仅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的前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
下面结合附图和具体实施例对本发明作进一步说明,但不作为本发明的限定。
具体实施方式一:结合图1说明本实施方式,本实施方式所述的道路监测数据有荷动力响应实时识别方法,所述方法包括以下内容:
步骤1、在预设时间段内从历史数据库内连续获取道路内部埋设的各光纤光栅传感器输出的波长数据;
步骤2、对波长数据进行预处理得到时序数据:
对各光纤光栅传感器连续获取的所有波长数据按照时间顺序进行排列形成时序数据;
步骤3、对时序数据预处理得到特征向量:
设置滑动窗口的长度为k,滑动窗口历遍时序数据,并由各滑动窗口内k个波长数据组成数据向量,对各数据向量进行映射处理,得到相应的标签值,并根据各数据向量计算出m种统计特征,从m种统计特征中提取出与有荷动力响应相关的n种统计特征,并将n种统计特征组成特征向量,m≥n,m和n均整数;k为大于或等于1的正整数;
步骤4、将同一数据向量所对应的特征向量和标签值分别作为有荷动力响应识别器的输入和输出,对有荷动力响应识别器进行训练,得到训练完成的有荷动力响应识别器;
步骤5、连续获取实时监测得到的待识别的光纤光栅传感器输出的波长数据,对波长数据进行预处理得到时序数据,并对时序数据预处理得到特征向量,并通过训练完成的有荷动力响应识别器对该特征向量进行识别获得标签值,标签值的取值空间为{0,1},其中,1表示特征向量所对应的波长数据为有荷动力响应数据,0表示特征向量所对应的波长数据为无荷动力响应数据;从而实现对有荷动力响应数据的识别。
由于设置滑动窗口的长度为k,即将一个光纤光栅传感器输出的大量波长数据分成多个固定长度的时序数据,每次处理光纤光栅传感器内的k个波长数据所构成的时间子序列,便于数据的处理和识别。
数据向量如果用s表示的话,可以写成s={s1,s2,…,sk};sk为数据向量中的每个元素。
特征向量可以用f表示,f={f1,f2,…,fk}。
优选实施例中,步骤3中,滑动窗口的步长为1。
假设有1~5这一组数据,滑动窗口的步长为1,滑动窗口的长度k为3,则1~5这一组数据被分成1~3,2~4,3~5三个部分发送。
优选实施例中,在步骤1之前还包括:
对光纤光栅传感器输出的原始数据进行预处理,得到波长数据。
预处理的过程为:对原始数据筛去表头和序号。
优选实施例中,步骤3中,统计特征的种类包括一阶中心距、二阶中心距、三阶中心距、四阶中心距、从数据向量中分别选取一个最大的元素和一个最小的元素。
求取数据向量的一阶中心距、二阶中心距、三阶中心距和四阶中心距得公式均为现有公式。
优选实施例中,步骤3中,从m种统计特征中提取出与有荷动力响应相关的n种统计特征,具体为:
计算每种统计特征与标签值的互信息值,一共计算出m个互信息值;
对m个互信息值从大到小排序,从排序后的m个互信息值中选取前n个互信息值所对应的n种统计特征组成特征向量。
优选实施例中,互信息值I(X;Y)公式为:
式中,X为统计特征,Y为标签,p(x,y)为联合概率密度函数,p(x)为统计特征边际的概率密度函数,p(y)为标签值的边际的概率密度函数。
优选实施例中,将标签值为1的波长数据存入数据库中。
优选实施例中,步骤4中,确定有荷动力响应识别器训练完成的条件为:
在测试阶段将各数据向量所对应的标签值作为实际标签值;
将各特征向量输入至训练后的有荷动力响应识别器中,输出的标签值作为预测标签值,根据各特征向量所对应的预测标签值和实际标签值,计算召回率,根据召回率调节训练后的有荷动力响应识别器的参数,连续得到的召回率不变时,此时的训练后的有荷动力响应识别器为训练完成的有荷动力响应识别器。
图2显示了对有荷动力响应识别器训练的过程,不断地调整参数使识别效果最优(连续得到的召回率不变),我们认为此时完成了有荷动力响应识别器的训练,其中,召回率=(实际标签值为1且预测标签值为1)/实际标签值为1。
虽然在本文中参照了特定的实施方式来描述本发明,但是应该理解的是,这些实施例仅仅是本发明的原理和应用的示例。因此应该理解的是,可以对示例性的实施例进行许多修改,并且可以设计出其他的布置,只要不偏离所附权利要求所限定的本发明的精神和范围。应该理解的是,可以通过不同于原始权利要求所描述的方式来结合不同的从属权利要求和本文中所述的特征。还可以理解的是,结合单独实施例所描述的特征可以使用在其他所述实施例中。
Claims (8)
1.道路监测数据有荷动力响应实时识别方法,其特征在于,所述方法包括以下内容:
步骤1、在预设时间段内从历史数据库内连续获取道路内部埋设的各光纤光栅传感器输出的波长数据;
步骤2、对波长数据进行预处理得到时序数据:
对各光纤光栅传感器连续获取的所有波长数据按照时间顺序进行排列形成时序数据;
步骤3、对时序数据预处理得到特征向量:
设置滑动窗口的长度为k,滑动窗口历遍时序数据,并由各滑动窗口内k个波长数据组成数据向量,对各数据向量进行映射处理,得到相应的标签值,并根据各数据向量计算出m种统计特征,从m种统计特征中提取出与有荷动力响应相关的n种统计特征,并将n种统计特征组成特征向量,m≥n,m和n均整数;k为大于或等于1的正整数;
步骤4、将同一数据向量所对应的特征向量和标签值分别作为有荷动力响应识别器的输入和输出,对有荷动力响应识别器进行训练,得到训练完成的有荷动力响应识别器;
步骤5、连续获取实时监测得到的待识别的光纤光栅传感器输出的波长数据,对波长数据进行预处理得到时序数据,并对时序数据预处理得到特征向量,并通过训练完成的有荷动力响应识别器对该特征向量进行识别获得标签值,标签值的取值空间为{0,1},其中,1表示特征向量所对应的波长数据为有荷动力响应数据,0表示特征向量所对应的波长数据为无荷动力响应数据;从而实现对有荷动力响应数据的识别。
2.根据权利要求1所述的道路监测数据有荷动力响应实时识别方法,其特征在于,步骤3中,滑动窗口的步长为1。
3.根据权利要求1所述的道路监测数据有荷动力响应实时识别方法,其特征在于,在步骤1之前还包括:
对光纤光栅传感器输出的原始数据进行预处理,得到波长数据。
4.根据权利要求1所述的道路监测数据有荷动力响应实时识别方法,其特征在于,步骤3中,统计特征的种类包括一阶中心距、二阶中心距、三阶中心距、四阶中心距、从数据向量中分别选取一个最大的元素和一个最小的元素。
5.根据权利要求4所述的道路监测数据有荷动力响应实时识别方法,其特征在于,步骤3中,从m种统计特征中提取出与有荷动力响应相关的n种统计特征,具体为:
计算每种统计特征与标签值的互信息值,一共计算出m个互信息值;
对m个互信息值从大到小排序,从排序后的m个互信息值中选取前n个互信息值所对应的n种统计特征组成特征向量。
6.根据权利要求5所述的道路监测数据有荷动力响应实时识别方法,其特征在于,互信息值I(X;Y)公式为:
式中,X为统计特征,Y为标签,p(x,y)为联合概率密度函数,p(x)为统计特征边际的概率密度函数,p(y)为标签值的边际的概率密度函数。
7.根据权利要求1所述的道路监测数据有荷动力响应实时识别方法,其特征在于,将标签值为1的波长数据存入数据库中。
8.根据权利要求1所述的道路监测数据有荷动力响应实时识别方法,其特征在于,步骤4中,确定有荷动力响应识别器训练完成的条件为:
在测试阶段将各数据向量所对应的标签值作为实际标签值;
将各特征向量输入至训练后的有荷动力响应识别器中,输出的标签值作为预测标签值,根据各特征向量所对应的预测标签值和实际标签值,计算召回率,根据召回率调节训练后的有荷动力响应识别器的参数,连续得到的召回率不变时,此时的训练后的有荷动力响应识别器为训练完成的有荷动力响应识别器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310838650.2A CN116861292B (zh) | 2023-07-10 | 道路监测数据有荷动力响应实时识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310838650.2A CN116861292B (zh) | 2023-07-10 | 道路监测数据有荷动力响应实时识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116861292A true CN116861292A (zh) | 2023-10-10 |
CN116861292B CN116861292B (zh) | 2024-07-09 |
Family
ID=
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150371095A1 (en) * | 2013-02-19 | 2015-12-24 | Conti Temic Microelectronic Gmbh | Method and Apparatus for Determining a Road Condition |
US20180080812A1 (en) * | 2017-07-25 | 2018-03-22 | University Of Electronic Science And Technology Of China | Distributed optical fiber sensing signal processing method for safety monitoring of underground pipe network |
US20200406860A1 (en) * | 2015-07-17 | 2020-12-31 | Chao-Lun Mai | Method, apparatus, and system for vehicle wireless monitoring |
CN114563150A (zh) * | 2021-12-23 | 2022-05-31 | 贵州大学 | 桥梁健康在线检测模块生成方法、检测方法、工具箱及装置 |
CN114789743A (zh) * | 2022-06-22 | 2022-07-26 | 成都铁安科技有限责任公司 | 一种列车车轮运行异常监测方法及*** |
CN115828140A (zh) * | 2022-12-13 | 2023-03-21 | 中国民航大学 | 邻域互信息与随机森林相融合故障检测方法、***及应用 |
CN115964655A (zh) * | 2023-01-13 | 2023-04-14 | 哈尔滨工业大学 | 一种基于互信息量的脑机接口中错误相关电位的监测方法 |
CN116204784A (zh) * | 2022-12-30 | 2023-06-02 | 成都天仁民防科技有限公司 | 一种基于das的地铁隧道外部危害作业入侵识别方法 |
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150371095A1 (en) * | 2013-02-19 | 2015-12-24 | Conti Temic Microelectronic Gmbh | Method and Apparatus for Determining a Road Condition |
US20200406860A1 (en) * | 2015-07-17 | 2020-12-31 | Chao-Lun Mai | Method, apparatus, and system for vehicle wireless monitoring |
US20180080812A1 (en) * | 2017-07-25 | 2018-03-22 | University Of Electronic Science And Technology Of China | Distributed optical fiber sensing signal processing method for safety monitoring of underground pipe network |
CN114563150A (zh) * | 2021-12-23 | 2022-05-31 | 贵州大学 | 桥梁健康在线检测模块生成方法、检测方法、工具箱及装置 |
CN114789743A (zh) * | 2022-06-22 | 2022-07-26 | 成都铁安科技有限责任公司 | 一种列车车轮运行异常监测方法及*** |
CN115828140A (zh) * | 2022-12-13 | 2023-03-21 | 中国民航大学 | 邻域互信息与随机森林相融合故障检测方法、***及应用 |
CN116204784A (zh) * | 2022-12-30 | 2023-06-02 | 成都天仁民防科技有限公司 | 一种基于das的地铁隧道外部危害作业入侵识别方法 |
CN115964655A (zh) * | 2023-01-13 | 2023-04-14 | 哈尔滨工业大学 | 一种基于互信息量的脑机接口中错误相关电位的监测方法 |
Non-Patent Citations (4)
Title |
---|
MA, XY ET AL.: "Dynamic Response Monitoring and Analysis of In-Service Asphalt Pavement Based on FBG Measuring Technology", LECTURE NOTES IN CIVIL ENGINEERING, vol. 96, 26 August 2020 (2020-08-26), pages 536 - 544 * |
孙文涛: "溶洞隧道地震动力响应分析", 中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑), no. 12, 15 December 2018 (2018-12-15), pages 034 - 337 * |
王海朋等: "基于光纤光栅的沥青路面状态的实时监测", 光电子.激光, vol. 24, no. 11, 30 November 2013 (2013-11-30), pages 2186 - 2191 * |
董泽;尹二新;: "基于状态跟踪的非线性工业***全工况建模", ***仿真学报, no. 03, 8 March 2018 (2018-03-08), pages 91 - 101 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111999657B (zh) | 一种电动汽车的锂离子电池剩余寿命的行驶里程评估方法 | |
CN111381170A (zh) | 基于大数据的电动汽车电池包健康状态预测方法及*** | |
CN111562108A (zh) | 一种基于cnn和fcmc的滚动轴承智能故障诊断方法 | |
CN109359690B (zh) | 基于卡口数据的车辆出行轨迹识别方法 | |
CN106503035A (zh) | 一种知识图谱的数据处理方法和装置 | |
CN108665093B (zh) | 基于深度学习的高速公路交通事故严重度预测方法 | |
CN111368920A (zh) | 基于量子孪生神经网络的二分类方法及其人脸识别方法 | |
CN115270965A (zh) | 一种配电网线路故障预测方法和装置 | |
CN112434662B (zh) | 一种基于多尺度卷积神经网络的茶叶病斑自动识别算法 | |
CN108766464B (zh) | 基于电网频率波动超矢量的数字音频篡改自动检测方法 | |
CN113688558A (zh) | 一种基于大数据库样本的汽车行驶工况构建方法及*** | |
CN117454671B (zh) | 基于人工智能的场效应管寿命评估方法 | |
CN112287980B (zh) | 基于典型特征向量的动力电池筛选方法 | |
CN109782158B (zh) | 一种基于多级分类的模拟电路诊断方法 | |
CN115292538A (zh) | 一种基于深度学习的地图线要素提取方法 | |
CN116861292B (zh) | 道路监测数据有荷动力响应实时识别方法 | |
CN117782198A (zh) | 一种基于云边端架构的公路机电设备运行监测方法及*** | |
CN117219124A (zh) | 一种基于深度神经网络的开关柜声纹故障检测方法 | |
CN116861292A (zh) | 道路监测数据有荷动力响应实时识别方法 | |
CN116977834A (zh) | 一种开放条件下分布内外图像识别方法 | |
CN109580146B (zh) | 一种基于改进稀疏分量分析的结构振动参数识别方法 | |
CN116662800A (zh) | 一种基于自适应注意力机制的滚动轴承故障诊断方法 | |
CN115880472A (zh) | 一种电力红外图像数据智能诊断分析*** | |
CN110502660B (zh) | 一种弱监督下的多距离度量图像检索方法 | |
CN111626508A (zh) | 基于xgboost模型的轨道交通车载数据预测方法 |
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 |