【CN109992608A】一种基于频域的多模型融合预测方法和系统【专利】
基于频域方法的系统辨识与模型预测控制
基于频域方法的系统辨识与模型预测控制系统辨识是指确定给定系统的动态行为和结构特性的过程。
模型预测控制是一种常用的先行控制方法，它通过使用系统模型进行预测来优化控制器的设计和性能。
基于频域方法的系统辨识与模型预测控制结合了频域方法和模型预测控制的优势，可以更准确地描述系统的动态特性，并实现更优化的控制。
在基于频域方法的系统辨识中，频域分析是关键步骤之一。
频域分析是一种通过分析系统在不同频率下的响应来理解系统的动态特性的方法。
在系统辨识中，频域分析可以通过测量系统的输入和输出信号，然后通过对输入输出信号的频谱进行分析来获得系统的频率响应函数。
频率响应函数描述了系统对不同频率输入信号的响应情况，是系统辨识的重要参数之一。
基于频域方法的系统辨识还可以利用频率域设计技术进行系统模型的参数估计。
参数估计是指通过对系统输入输出数据进行处理，以确定系统模型的参数值。
频域参数估计方法可以通过最小二乘法、极大似然法等技术，对系统模型的参数进行准确估计。
通过精确的参数估计，可以提高系统模型的拟合度，进而提高模型预测控制的性能。
模型预测控制是一种优化控制方法，它基于系统模型进行预测，并根据预测结果实时调整控制输入，以优化系统的控制性能。
在基于频域方法的系统辨识中，可以利用估计得到的系统模型参数进行模型预测控制的设计。
通过精确的系统辨识和参数估计，可以得到准确的系统模型，进而实现更优化的模型预测控制。
基于频域方法的系统辨识与模型预测控制在许多领域都具有广泛应用。
在控制系统设计中，它可以提高控制系统的鲁棒性和鲁棒性，从而使系统对不确定性和干扰具有更好的抗干扰能力。
在工业过程控制中，它可以优化生产过程，提高产品质量和生产效率。
在自动驾驶车辆和机器人控制中，它可以实现精确的轨迹跟踪和避障控制，提高系统的安全性和可靠性。
基于频域方法的系统辨识与模型预测控制虽然具有许多优势，但也面临一些挑战和限制。
首先，系统辨识需要大量的输入输出数据，并且对数据质量要求较高。
面向复杂系统工程的多学科统一建模与联合仿真技术研究与应用实践
面向复杂系统工程的多学科统一建模与联合仿真技术研究与应用实践作者：暂无来源：《智能制造》 2017年第5期航空工业信息技术中心（金航数码）郄永军多学科联合仿真技术应用工程背景航空产品是涉及机械、电子、电气、控制、液压及软件等多学科, 可靠性、维修性和保障性等多专业工程要求的复杂系统，其开发模式正经历从基于文档向基于模型的范式转移。
建立以基于模型的系统工程方法论为指导、以功能/性能样机为载体，贯穿需求、功能、逻辑与物理构建模型在环、软件在环、硬件在环及人员在环的数字化综合仿真环境，开展多学科统一建模与联合仿真，实现功能/ 性能需求在开发早期阶段的验证与确认，基于数学模型（虚拟样机）开展复杂系统架构与方案的设计、权衡与分析优化，缩短设计迭代周期，提升开发质量，已成为国际航空航天和防务领域复杂系统开发的主流趋势。
当前，基于Modelica 语言的系统仿真技术已在达索航空、德宇航和空客得以工程应用，通过构建由功能样机、性能样机和几何样机组成的数字样机，可实现在虚拟空间下开展虚拟试验/ 试飞，极大的降低物理试验/ 试飞的周期与成本。
多学科联合仿真技术演进历程系统级多学科联合仿真主要应用于系统架构与方案权衡、功能分配、接口定义、子系统参数优化、功能/ 性能早期验证和确认等领域，涉及多学科的系统仿真技术主要经历了如下发展历程。
（1）基于接口的多学科建模与仿真技术：该方法是由各学科相应的商用仿真软件提供或开发相应的接口。
其完全依赖商用软件之间的一对一接口，这些接口往往为某些商业公司所私有，不具有标准性和开放性。
（2）基于高层体系结构（HLA）：该方法克服了基于接口的诸多缺陷，较好地实现了多学科建模与仿真，但要求建模人员必须先熟悉HLA/RTI 的各种服务协议，再编制相应的程序代码，并且需要人为的割裂不同学科子系统之间的耦合关系，实质上是一种子系统层次上的集成方法。
（3）基于统一建模语言的多学科系统仿真技术：该方法具有与学科无关的通用模型描述能力，任何学科均可实现统一建模。
一种雷达测速AI算法[发明专利]
![一种雷达测速AI算法[发明专利]](https://img.taocdn.com/s3/m/d6b40a2cb6360b4c2e3f5727a5e9856a56122624.png)
(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 202010516269.0(22)申请日 2020.06.09(71)申请人 成都万江港利科技股份有限公司地址 610073 四川省成都市青羊区腾飞大道58号一层(72)发明人 邵林 贺新 肖廷亭 姜勇 丁胜 韩君 罗传朝 杨琴 (51)Int.Cl.G01S 13/58(2006.01)G01F 1/66(2006.01)G01P 5/00(2006.01)(54)发明名称一种雷达测速AI算法(57)摘要本发明公开了一种雷达测速AI算法，它包括数据采集、特征数据提取、数据预处理、建立流量模型、优化流量模型、输出流量数据六个步骤。
通过流量模型对雷达实测的液面速度进行优化解算后所输出的流量数据，减少了因液面波动及信号强弱的影响所导致的误差，提高了雷达测速仪输出流量数据的精确度；同时，还建立的评估模型能对输出的流量数据精确度作进一步的评估，在对流量数据的反复解算及评估过程中，能逐步提升雷达测速仪流量数据的精确度，输出误差较小的流量计量数据。
权利要求书2页 说明书10页 附图2页CN 111693982 A 2020.09.22C N 111693982A1.一种雷达测速AI算法，其特征在于：包括以下步骤：S1.数据采集:所述数据采集包括以下步骤：①通过雷达测速仪提取采样数据，②根据所采样的数据获取到雷达的安装高度；S2.特征数据提取:对采样所得的大量数据进行相关性、特征性的提取，找到相关程度最高的数据；S3.数据预处理:通过特定位置的速度进行数据预处理；所述数据预处理是根据特定位置雷达扫描张角和流体截面流线速度的几何关系，计算出需求位置的液面速度；S4.建立流量模型:根据速度特性演计算出雷达测速仪在使用场景下的流量模型，流量模型公式如下：Q(v)＝Av n+Bv n-1+Cv n-2......液面高度公式如下：H(v)＝Av n+Bv n-1+Cv n-2......通过数据迭代，求得流量模型系数，其中：Q为流量，H为液面高度，A、B、C为系数，v流体液面速度，n为2以上的整数值；S5.优化流量模型:雷达测速仪在持续测速过程中所测出的液面速度数据持续代入流量模型公式进行优化计算，持续优化流量模型；S6.输出流量数据：雷达测速仪输出通过流量模型优化结果下根据测量值预测计算出的流量数据。
一种基于动态集成神经网络的多源信息融合火灾预测方法[发明专利]
![一种基于动态集成神经网络的多源信息融合火灾预测方法[发明专利]](https://img.taocdn.com/s3/m/354cbc2cbb4cf7ec4bfed06d.png)
专利名称：一种基于动态集成神经网络的多源信息融合火灾预测方法
专利类型：发明专利
发明人：李军,高通,李敬芳,王宝栓,朱平,乔元健,李茂阁,李文鑫,辛同亮
申请号：CN202010448952.5
申请日：20200525
公开号：CN111625994A
公开日：
20200904
专利内容由知识产权出版社提供
摘要：本发明涉及一种基于动态集成神经网络的多源信息融合火灾预测方法，采用创新性的逻辑设计，基于多源信息融合方法建立火灾预测模型，将多种火灾特征信号依次经过信息层、特征层、决策层，在特征层利用深度学习中的LSTM和RBF‑BP神经网络作为子网络对多源火灾特征信号进行自适应学习，并将输出结果进行集成分析，再经决策层完成火灾预测，解决了火灾信号的时变性和非线性特点以及单特征信号火灾预测方法的高漏报率和误报率问题，有效提高了火灾预测系统的识别准确度。
此方法具有较强的可扩展性，当检测环境改变后，只需要重新提供数据集即可建立一个较为完备的预测模型，具有较强的自适应性。
申请人：齐鲁工业大学,亚萨合莱国强(山东)五金科技有限公司
地址：250353 山东省济南市长清区大学路3501号
国籍：CN
代理机构：济南泉城专利商标事务所
代理人：张贵宾
更多信息请下载全文后查看。
一种基于多维数据融合的设备状态预测方法及系统[发明专利]
![一种基于多维数据融合的设备状态预测方法及系统[发明专利]](https://img.taocdn.com/s3/m/a25a7ff459f5f61fb7360b4c2e3f5727a5e924b5.png)
(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 202011441603.7(22)申请日 2020.12.08(71)申请人 上海交通大学烟台信息技术研究院地址 264000 山东省烟台市高新区科技大道69号创业大厦西塔23层申请人 上海交通大学(72)发明人 陈彩莲 尹宝莹 朱培源 徐磊 许齐敏 张景龙 (74)专利代理机构 上海旭诚知识产权代理有限公司 31220代理人 郑立(51)Int.Cl.G06Q 10/04(2012.01)G06K 9/00(2006.01)G06K 9/62(2006.01)(54)发明名称一种基于多维数据融合的设备状态预测方法及系统(57)摘要本发明公开了一种基于多维数据融合的设备状态预测方法和系统，包括：对设备运行全生命周期的状态监测信号进行采集和预处理，利用小波包分析对状态监测信号进行降噪处理，对原始状态监测信号和本征模态分量进行时域、频域和时频域的特征提取，使用排列熵和信息熵进行特征筛选，对已经筛选过的特征进行设备工况的无监督识别，在云中心端进行模型训练，并保存至边缘端进行设备运行状态及其剩余寿命的预测。
本发明利用多任务学习方法挖掘相似工况中的有用多维数据信息以提升设备状态及其剩余寿命预测模型的回归性能，采用云边结合的系统架构节省通信开销，增加计算效率。
权利要求书2页 说明书6页 附图2页CN 112613646 A 2021.04.06C N 112613646A1.一种基于多维数据融合的设备状态预测方法，其特征在于，所述方法包括以下步骤：步骤1、通过边缘端对设备运行全生命周期的状态监测信号进行采集和预处理，为状态监测信号打上时间戳和剩余寿命标签，得到包括状态监测信号序列和设备工作状态信号的训练集；步骤2、利用小波包分析对状态监测信号进行降噪处理；步骤3、将降噪过的状态监测信号分解为多个本征模态函数，得到原始状态监测信号在多个时间尺度下的局部特征信息，根据场景使用特点选用适当的分解阶数，对每一个时间段的信号进行并行经验模态分解；步骤4、对原始状态监测信号和本征模态分量进行时域、频域和时频域的特征提取，并根据对应特征的计算方式对原始状态监测信号和本征模态分量进行并行计算；步骤5、使用排列熵和信息熵进行特征筛选，采用节点分裂次数作为特征重要性分数，将筛选过后的特征进行基于分离森林的异常样本处理和基于最大最小归一化的数据标准化；步骤6、使用最小批k‑means++聚类算法对已经筛选过的特征进行设备工况的无监督识别，为每一个样本都打上其对应聚类簇的簇标签，依据每个样本所属工况的簇标签对全部数据进行分割；步骤7、使用设备不同工作状态下的对应状态的特征信息值及其剩余寿命值在云中心端进行设备状态预测模型训练，进而将训练好的设备状态预测模型保存至边缘端进行设备运行状态及其剩余寿命的预测；步骤8、当云中心端更新完对应工况的设备状态预测模型后，通过云中心端将模型参数和工况识别系统下发到边缘端用于在线预测，通过边缘端采集实时运行的设备状态监测信号，并行生成已选重要特征后使用工况识别系统判断当前所属工况，使用该工况下对应的模型参数完成设备实时运行状态及其剩余寿命预测。
一种基于深度融合网络的双模态图像能见度检测方法[发明专利]
![一种基于深度融合网络的双模态图像能见度检测方法[发明专利]](https://img.taocdn.com/s3/m/f5508a102e60ddccda38376baf1ffc4ffe47e264.png)
(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 201911201734.5(22)申请日 2019.11.29(71)申请人 南通大学地址 226000 江苏省南通市啬园路9号(72)发明人 王晗 施佺 沈克成 余佩伦 (74)专利代理机构 南京瑞弘专利商标事务所(普通合伙) 32249代理人 许洁(51)Int.Cl.G06T 7/00(2017.01)G06T 5/50(2006.01)G06T 7/33(2017.01)G06T 3/40(2006.01)G06N 3/04(2006.01)G06N 3/08(2006.01)(54)发明名称一种基于深度融合网络的双模态图像能见度检测方法(57)摘要本发明公开了一种基于深度融合网络的双模态图像能见度检测方法，包括如下步骤：步骤1)利用双目摄像机采集可见光、红外图像，并通过图像配准获取视野与分辨率均相同的可见光-红外图像对作为“深度融合网络”的双模态输入图像信号；步骤2)建立“深度融合网络”，利用双模态图像数据集训练网络，获取神经网络权值参数；步骤3)利用训练完毕的“深度融合网络”对待测的可见光-红外双模态图像能见度的等级进行分类。
采用本发明方法，能够将双模态图像的特征进行有效地融合，实现模态互补，有效克服传统单模态可见光图像结合深度学习的能见度检测方法，在小样本条件下“特征信息不足”问题，显著提高小样本条件下能见度检测的准确性与稳定性。
权利要求书2页 说明书6页 附图2页CN 110910378 A 2020.03.24C N 110910378A1.一种基于深度融合网络的双模态图像能见度检测方法，其特征在于：包括如下步骤：步骤1)利用双目摄像机采集可见光、红外图像，并通过图像配准获取视野与分辨率均相同的可见光-红外图像对作为“深度融合网络”的双模态输入图像信号；步骤2)建立“深度融合网络”，利用双模态图像数据集训练网络，获取神经网络权值参数；步骤3)利用训练完毕的“深度融合网络”对待测的可见光-红外双模态图像能见度的等级进行分类。
一种基于频域的生成器优化系统及方法[发明专利]
![一种基于频域的生成器优化系统及方法[发明专利]](https://img.taocdn.com/s3/m/beef111411661ed9ad51f01dc281e53a580251b2.png)
专利名称：一种基于频域的生成器优化系统及方法专利类型：发明专利
发明人：张冬雨,蔡立言,王跃辉
申请号：CN202111573833.3
申请日：20211221
公开号：CN114239812A
公开日：
20220325
专利内容由知识产权出版社提供
摘要：本发明提供一种基于频域的生成器优化系统及方法，系统将生成器生成图片与真实图片的差距在频域上可视化，并通过改善生成器的结构来减小这种差距，进而提升生成器生成图片在频域和视觉上的生成质量；与目前的单纯基于视觉上的生成网络模型相比，本发明提出的方法同时考虑了生成图片在频域和时域的质量，让生成图片的细节更加丰富、杂色、伪影和噪点更少。
申请人：中山大学
地址：510275 广东省广州市海珠区新港西路135号
国籍：CN
代理机构：广州粤高专利商标代理有限公司
代理人：禹小明
更多信息请下载全文后查看。
一种基于HRRP目标识别的KLXS多模型融合方法及系统[发明专利]
![一种基于HRRP目标识别的KLXS多模型融合方法及系统[发明专利]](https://img.taocdn.com/s3/m/8a85ef82561252d381eb6e51.png)
专利名称：一种基于HRRP目标识别的KLXS多模型融合方法及系统
专利类型：发明专利
发明人：李月琴,齐英杰,张红莉
申请号：CN202010015441.4
申请日：20200107
公开号：CN111222575A
公开日：
20200602
专利内容由知识产权出版社提供
摘要：本发明提供一种基于HRRP目标识别的KLXS多模型融合方法及系统，其中方法包括生成原始训练样本集还包括以下步骤：对所述原始训练样本和原始未知样本的所有属性项进行归一化处理；进行样本降噪；基于多模型融合方法构造强化特征；构建分类模型；构建未知样本集X的强化特征；对未知样本结果进行预测；统计准确率。
本发明提出的基于HRRP目标识别的KLXS多模型融合方法及系统，能够在HRRP样本集有限的条件下，使训练样本得到充分利用，同时提高模型的兼容性和预测准确率。
申请人：北京联合大学
地址：100101 北京市朝阳区北四环东路97号
国籍：CN
代理机构：北京驰纳智财知识产权代理事务所(普通合伙)
代理人：谢亮
更多信息请下载全文后查看。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
(19)中华人民共和国国家知识产权局
(12)发明专利申请
(10)申请公布号 (43)申请公布日 (21)申请号 201910230755.3
(22)申请日 2019.03.26
(71)申请人 浙江大学
地址 310013 浙江省杭州市西湖区余杭塘
路866号
(72)发明人 姜晓红 杜定益 吴健 孙浩
吴朝晖
(74)专利代理机构 杭州天勤知识产权代理有限
公司 33224
代理人 胡红娟
(51)Int.Cl.
G06F 16/2458(2019.01)
G06F 17/14(2006.01)
(54)发明名称
一种基于频域的多模型融合预测方法和系
统
(57)摘要
本发明公开了一种基于频域的多模型融合
预测方法和系统，包括：建立数据库实时存储监
控器测量所得的数据；对原始时序数据预处理，
包括异常值检测及缺失值处理；对干净的时序数
据通过小波变换转为频域数据；建立循环神经网
络及可加性回归模型对频域系数进行预测；选取
最优权重和阈值得到最佳预测结果。
本发明通过
对预处理之后的时序数据变换到频域上进行分
析处理，并融合不同模型得到最佳预测结果，克
服了传统时序预测模型预测周期短，预测精度低
等缺点。
权利要求书1页 说明书6页 附图3页CN 109992608 A 2019.07.09
C N 109992608
A
权 利 要 求 书1/1页CN 109992608 A
1.一种基于频域的多模型融合预测系统，包括计算机存储器、计算机处理器以及存储在所述计算机存储器中并可在所述计算机处理器上执行的计算机程序，其特征在于，所述计算机存储器中存有以下模块：
数据库系统模块，用于存储监控器测量得到的原始时序数据，同时提供与其他模块之间的数据连接查询；
数据预处理模块，用于对数据库系统模块存储的原始时序数据进行预处理；
频域变换模块，用于将预处理后的原始时序数据进行频域变换，转为频域特征数据并进行存储；
趋势预测模块，内含循环神经网络模型和可加性回归模型，用于对频域特征数据中的高频与低频部分进行系数预测，并将结果重构为时序时间数据；
模型融合模块，用于将趋势预测模块中重构后得到的时序时间数据进行融合，输出最优预测数据。
2.根据权利要求1所述的基于频域的多模型融合预测系统，其特征在于，所述数据库系统模块包括若干张用于存储实时数据的数据库表。
3.根据权利要求1所述的基于频域的多模型融合预测系统，其特征在于，所述数据预处理模块包括异常值检测和缺失值处理两个部分。
4.根据权利要求1所述的基于频域的多模型融合预测系统，其特征在于，所述频域变换模块进行频域变换时，采用DB3小波作为基小波，分解层数为三层。
5.根据权利要求1所述的基于频域的多模型融合预测系统，其特征在于，趋势预测模块中，所述的循环神经网络采用LSTM模型，迭代次数设置为2000，单隐层中节点个数为6，并采用Adam算法对梯度下降过程进行优化；所述的可加性回归模型采用prophet模型，增长趋势采用logistics模型，季节性周期设置为7。
6.根据权利要求1所述的基于频域的多模型融合预测系统，其特征在于，所述模型融合模块通过权重因子ρ和突变点阈值a将趋势预测模块中重构后得到的时序时间数据进行融合；所述权重因子ρ采用网格法逐一试验分析，选取最佳权重，所述突变点阈值a采用与平均值的偏差超过三倍标准差的值作为临界阈值。
7.一种利用权利要求1～6任一所述的基于频域的多模型融合预测系统进行预测的方法，其特征在于，包括以下步骤：
(1)将监控器实时测量得到的原始时序数据存储到数据库系统模块中；
(2)利用数据预处理模块对原始时序数据进行预处理，包括剔除错误值、空值以及填补缺失值；
(3)使用频域变换模块将预处理后的原始时序数据进行频域变换，转为频域特征数据并进行存储；
(4)分别采用循环神经网络模型及可加性回归模型对频域特征数据的高频与低频部分进行预测，得到相应的预测结果，之后通过小波重构算法将预测得到的频域系数重构为时序时间数据；
(5)将重构后得到的时序时间数据进行融合，输出最优预测数据。
8.根据权利要求7所述的基于频域的多模型融合预测系统进行预测的方法，其特征在于，步骤(5)中，通过权重因子ρ和突变点阈值a对重构后得到的时序时间数据进行融合。
2。