您的检索：
学者姓名：乔俊飞
精炼检索结果：
年份
成果类型
收录类型
来源
综合
曾用名
合作者
语言
清除所有精炼条件
摘要 ：
本发明涉及一种基于注意力模块化神经网络的城市固废焚烧过程NOx预测方法，实现了NOx浓度的准确预测，包括以下步骤：首先，采集数据并对数据进行预处理；其次，确定模型的输入变量和输出变量；然后，采用注意力模块化神经网络建立预测模型；最后，将测试数据作为模型的输入，验证了模型的有效性。本发明有效地实现了NOx浓度的准确预测，具有重要的理论意义和应用价值。
引用：
复制并粘贴一种已设定好的引用格式，或利用其中一个链接导入到文献管理软件中。
| GB/T 7714 | 蒙西 , 王岩 , 乔俊飞 . 一种基于注意力模块化神经网络的城市固废焚烧过程NOx预测方法 : CN202310467006.9[P]. | 2023-04-27 . |
| MLA | 蒙西 等. "一种基于注意力模块化神经网络的城市固废焚烧过程NOx预测方法" : CN202310467006.9. | 2023-04-27 . |
| APA | 蒙西 , 王岩 , 乔俊飞 . 一种基于注意力模块化神经网络的城市固废焚烧过程NOx预测方法 : CN202310467006.9. | 2023-04-27 . |
| 导入链接 | NoteExpress RIS BibTex |
摘要 ：
一种基于时序异常因子算法的出水BOD浓度异常数据检测方法实现出水BOD浓度的异常数据检测是先进制造技术领域的重要分支，既属于控制领域，又属于水处理领域。本发明通过设计时序异常因子算法，根据污水处理过程采集的数据实现了出水BOD浓度异常数据的检测，解决了污水处理过程中出水BOD浓度异常数据难以准确检测的问题，提高了城市污水处理厂水质质量实时监控水平。
引用：
复制并粘贴一种已设定好的引用格式，或利用其中一个链接导入到文献管理软件中。
| GB/T 7714 | 李文静 , 顾洪升 , 乔俊飞 . 一种基于时序异常因子算法的出水BOD浓度异常数据检测方法 : CN202310608736.6[P]. | 2023-05-29 . |
| MLA | 李文静 等. "一种基于时序异常因子算法的出水BOD浓度异常数据检测方法" : CN202310608736.6. | 2023-05-29 . |
| APA | 李文静 , 顾洪升 , 乔俊飞 . 一种基于时序异常因子算法的出水BOD浓度异常数据检测方法 : CN202310608736.6. | 2023-05-29 . |
| 导入链接 | NoteExpress RIS BibTex |
摘要 ：
本发明提出了一种基于延时策略的城市污水处理过程自适应随机采样模型预测控制方法，实现了城市污水处理过程中随机采样的溶解氧浓度和硝态氮浓度的稳定控制。构造具有随机时变延时的城市污水处理过程等效系统，建立模糊神经网络预测模型，设计自适应随机采样模型预测控制器，解决了城市污水处理过程中随机采样的溶解氧浓度和硝态氮浓度难以稳定控制的问题。实验结果表明该方法能够实现城市污水处理过程溶解氧浓度和硝态氮浓度的稳定控制，保证城市污水处理过程的安全稳定运行。
引用：
复制并粘贴一种已设定好的引用格式，或利用其中一个链接导入到文献管理软件中。
| GB/T 7714 | 韩红桂 , 付世佳 , 孙浩源 et al. 一种基于延时策略的城市污水处理过程自适应随机采样模型预测控制方法 : CN202310723615.6[P]. | 2023-06-17 . |
| MLA | 韩红桂 et al. "一种基于延时策略的城市污水处理过程自适应随机采样模型预测控制方法" : CN202310723615.6. | 2023-06-17 . |
| APA | 韩红桂 , 付世佳 , 孙浩源 , 刘峥 , 乔俊飞 . 一种基于延时策略的城市污水处理过程自适应随机采样模型预测控制方法 : CN202310723615.6. | 2023-06-17 . |
| 导入链接 | NoteExpress RIS BibTex |
摘要 ：
基于模块化随机配置网络的出水氨氮浓度软测量方法涉及污水处理过程智能建模领域。本发明基于类脑模块化网络以及随机配置网络在处理复杂建模任务时各自的优势，解决污水处理中出水氨氮浓度难以实时精准检测的问题。该方法首先利用灰色关联分析提取影响出水氨氮浓度的主要变量；然后，基于模糊聚类方法进行任务分解以缓解各建模任务的复杂性；之后，利用“分而治之”思想，对分解后的各子任务分别构建相应的随机配置网络子模型，并将各子模型输出的结果进行集成以提升对出水氨氮浓度的测量效果，进而实现对污水处理过程出水氨氮浓度的精准有效测量。基于实际污水处理厂收集的相关水质数据验证了所提方法在检测出水氨氮浓度方面的有效性和优越性。
引用：
复制并粘贴一种已设定好的引用格式，或利用其中一个链接导入到文献管理软件中。
| GB/T 7714 | 乔俊飞 , 李康 , 李大鹏 et al. 基于模块化随机配置网络的出水氨氮浓度软测量方法 : CN202310564457.4[P]. | 2023-05-18 . |
| MLA | 乔俊飞 et al. "基于模块化随机配置网络的出水氨氮浓度软测量方法" : CN202310564457.4. | 2023-05-18 . |
| APA | 乔俊飞 , 李康 , 李大鹏 , 耿志力 . 基于模块化随机配置网络的出水氨氮浓度软测量方法 : CN202310564457.4. | 2023-05-18 . |
| 导入链接 | NoteExpress RIS BibTex |
摘要 ：
一种基于WSFA‑AFE的ILSTM神经网络的出水BOD浓度预测方法涉及人工智能领域。本发明针对神经网络进行出水BOD多元时间序列预测时，输入的特征变量及输入历史步长难以确定的问题，提出了一种WSFA‑AFE方法。其能够自适应地提取多元时间序列中的动态特征变量，使得神经网络对出水BOD浓度进行更好得预测。本文针对标准LSTM神经网络结构参数众多，训练过程耗时长的问题，提出了一种ILSTM神经网络。通过简化结构方程中的递归项权值，减少了网络中所需训练参数的数目，并且通过参数更新算法加快收敛速度。本发明根据污水处理过程采集的数据实现了未来时刻污水出水BOD浓度的高效、准确、低成本预测。
引用：
复制并粘贴一种已设定好的引用格式，或利用其中一个链接导入到文献管理软件中。
| GB/T 7714 | 乔俊飞 , 杨爽 , 李文静 . 一种基于WSFA-AFE的ILSTM神经网络的出水BOD浓度预测方法 : CN202310023342.4[P]. | 2023-01-09 . |
| MLA | 乔俊飞 et al. "一种基于WSFA-AFE的ILSTM神经网络的出水BOD浓度预测方法" : CN202310023342.4. | 2023-01-09 . |
| APA | 乔俊飞 , 杨爽 , 李文静 . 一种基于WSFA-AFE的ILSTM神经网络的出水BOD浓度预测方法 : CN202310023342.4. | 2023-01-09 . |
| 导入链接 | NoteExpress RIS BibTex |
摘要 ：
本发明提供了一种面向颗粒物生成的城市固废焚烧3D数值建模分析方法，该方法首先从实际设计图纸获取焚烧厂信息后构建焚烧炉与余热锅炉的3D模型，结合机理和经验确定影响颗粒物生成的关键因素为固体MSW燃烧温度、壁面颗粒碰撞方式和第二挡板长度，接着描述3D模型的求解方法，然后对所述关键因素基于3D模型进行单因素分析，最后基于正交实验分析所述关键因素对出口处颗粒物浓度的影响，获得最佳参数组合。本发明提供的面向颗粒物生成的城市固废焚烧3D数值建模分析方法，能够实现城市固废燃烧3D模型搭建，能够针对颗粒物进行数值建模分析，进而研究影响颗粒物浓度特性的因素。
引用：
复制并粘贴一种已设定好的引用格式，或利用其中一个链接导入到文献管理软件中。
| GB/T 7714 | 汤健 , 梁永琪 , 夏恒 et al. 面向颗粒物生成的城市固废焚烧3D数值建模分析方法 : CN202310620061.7[P]. | 2023-05-29 . |
| MLA | 汤健 et al. "面向颗粒物生成的城市固废焚烧3D数值建模分析方法" : CN202310620061.7. | 2023-05-29 . |
| APA | 汤健 , 梁永琪 , 夏恒 , 梁文林 , 乔俊飞 . 面向颗粒物生成的城市固废焚烧3D数值建模分析方法 : CN202310620061.7. | 2023-05-29 . |
| 导入链接 | NoteExpress RIS BibTex |
摘要 ：
本发明提供了一种MSWI过程CO排放预测方法，该方法首先进行面向约简深度特征和LSTM优化的粒子设计，能够依据建模数据特点自适应确定特征选择阈值范围，其次将采用超一维卷积进行非线性特征提取后的深度特征输入至LSTM以构建预测模型，基于损失函数对卷积层和LSTM超参数进行更新，以模型的泛化性能作为优化算法的适应度函数，最后采用粒子群优化(PSO)算法依据数据特性进行自适应的特征和超参数选择。本发明提供的MSWI过程CO排放预测方法，能够基于约简深度特征和LSTM优化实现MSWI过程中的CO排放预测。
引用：
复制并粘贴一种已设定好的引用格式，或利用其中一个链接导入到文献管理软件中。
| GB/T 7714 | 汤健 , 张润雨 , 夏恒 et al. 一种MSWI过程CO排放预测方法 : CN202310620063.6[P]. | 2023-05-29 . |
| MLA | 汤健 et al. "一种MSWI过程CO排放预测方法" : CN202310620063.6. | 2023-05-29 . |
| APA | 汤健 , 张润雨 , 夏恒 , 杜胜利 , 乔俊飞 . 一种MSWI过程CO排放预测方法 : CN202310620063.6. | 2023-05-29 . |
| 导入链接 | NoteExpress RIS BibTex |
摘要 ：
本发明提供了一种全自主水质检测无人船系统，其特征在于，包括传感器、控制器和执行器三部分，激光雷达和工业相机用于感知周围环境，惯性测量单元和GPS模块用于感知船体自身位置、姿态等信息，水质检测模块用于测量水体相关指标，都属于系统的传感器；操控者电脑上位机、人工智能开发板、单片机和电子调速器是无人船作业的主控模块，根据输入通过内置算法做出决策，属于系统的控制器；水下推进器、冷却水泵及锂电池组用于执行控制器的决策，属于系统的执行器；本发明融合多个传感器能很好感知船体自身及环境信息，减少人为控制也能正常工作，利用更先进的主控模块实现自主巡航，还能根据船上实时检测的水质指标，预测出在实验室才能检测的指标。
引用：
复制并粘贴一种已设定好的引用格式，或利用其中一个链接导入到文献管理软件中。
| GB/T 7714 | 傅安琪 , 滕影轩 , 刘乾泽 et al. 一种全自主水质检测无人船系统 : CN202310393003.5[P]. | 2023-04-13 . |
| MLA | 傅安琪 et al. "一种全自主水质检测无人船系统" : CN202310393003.5. | 2023-04-13 . |
| APA | 傅安琪 , 滕影轩 , 刘乾泽 , 王紫宸 , 冯晋晨 , 莫元昊 et al. 一种全自主水质检测无人船系统 : CN202310393003.5. | 2023-04-13 . |
| 导入链接 | NoteExpress RIS BibTex |
摘要 ：
一种VOCs燃烧残留量精确检测方法属于智能环保领域。本发明步骤：基于计算流体力学，针对双股蒸汽助燃型火炬进行仿真建模，构建放空火炬系统最终生成混合气体成分的仿真数据集，基于烟气分析仪测量放空火炬系统混合气体成分构建测量数据集；针对因仪器检测过程耗时导致测量数据集存在时间滞后的问题，采用延迟消除方法修正数据集中的VOCs燃烧残留量的时间戳，实现VOCs燃烧残留量的预测；基于构建数据集使用RBF网络建立放空火炬VOCs燃烧残留量预测模型；针对RBF网络的设计，设计基于密度的Canopy‑K均值算法初始化网络的结构和参数，提高网络性能；采用微调和基于梯度的算法调整RBF网络参数，提高网络的逼近能力。
引用：
复制并粘贴一种已设定好的引用格式，或利用其中一个链接导入到文献管理软件中。
| GB/T 7714 | 郭楠 , 乔俊飞 , 顾锞 et al. 一种VOCs燃烧残留量精确检测方法 : CN202310714365.X[P]. | 2023-06-15 . |
| MLA | 郭楠 et al. "一种VOCs燃烧残留量精确检测方法" : CN202310714365.X. | 2023-06-15 . |
| APA | 郭楠 , 乔俊飞 , 顾锞 , 李鹏宇 , 武利 , 贾丽杰 et al. 一种VOCs燃烧残留量精确检测方法 : CN202310714365.X. | 2023-06-15 . |
| 导入链接 | NoteExpress RIS BibTex |
摘要 ：
一种基于快速多层前馈小世界神经网络的出水氨氮预测方法实现出水氨氮浓度的准确预测是先进制造技术领域的重要分支，既属于控制领域，又属于水处理领域。本发明通过设计快速多层前馈小世界神经网络，根据污水处理过程采集的数据实现了出水氨氮浓度的准确预测，解决了污水处理过程出水氨氮浓度难以实时测量的问题，提高了城市污水处理厂水质质量实时监控水平与决策的灵活性。
引用：
复制并粘贴一种已设定好的引用格式，或利用其中一个链接导入到文献管理软件中。
| GB/T 7714 | 李文静 , 李治港 , 乔俊飞 . 一种基于快速多层前馈小世界神经网络出水氨氮浓度预测方法 : CN202310334337.5[P]. | 2023-03-30 . |
| MLA | 李文静 et al. "一种基于快速多层前馈小世界神经网络出水氨氮浓度预测方法" : CN202310334337.5. | 2023-03-30 . |
| APA | 李文静 , 李治港 , 乔俊飞 . 一种基于快速多层前馈小世界神经网络出水氨氮浓度预测方法 : CN202310334337.5. | 2023-03-30 . |
| 导入链接 | NoteExpress RIS BibTex |
导出
| 数据： |
选中 到 |
| 格式： |
