CN117633722B 基于智能檢測機(jī)器人的檢測控制方法及系統(tǒng) （江西省交通工程集團(tuán)有限公司）

EP4141669A1,2023.03.01US2019258904A1,2019.08.22WO2022079278A2,2022.04.21YakubK.Saheedet.al.."ApplicaofGAFeatureSelectiononNaiveBayes,基于智能檢測機(jī)器人的檢測控制方法及系統(tǒng)234基于所述數(shù)據(jù)偏差識別結(jié)果，應(yīng)用卡爾曼濾波器算法，對數(shù)據(jù)集中基于所述基礎(chǔ)支持向量機(jī)模型，利用深度學(xué)習(xí)技術(shù)，對歷史測試數(shù)5基于所述樣品特性分析結(jié)果，采用自適應(yīng)控制理論和模型參考自基于所述測試方法選擇結(jié)果，運(yùn)用模糊邏輯控制方法，結(jié)合測試方6所述異常狀態(tài)預(yù)測模塊基于環(huán)境適應(yīng)性校準(zhǔn)數(shù)據(jù)，采用貝葉斯網(wǎng)絡(luò)和期望最大化算所述測試流程優(yōu)化模塊基于異常狀態(tài)預(yù)測結(jié)果，運(yùn)用圖論分析和Dijkst所述自適應(yīng)測試模塊基于優(yōu)化測試流程，應(yīng)用決策樹算法和模糊邏輯所述綜合優(yōu)化分析模塊基于自適應(yīng)測試結(jié)果，結(jié)合材料科學(xué)和物理學(xué)789[0051]作為本發(fā)明的進(jìn)一步方案，所述數(shù)據(jù)趨勢分析校準(zhǔn)模塊基于智能檢測機(jī)器人數(shù)[0054]所述測試流程優(yōu)化模塊基于異常狀態(tài)預(yù)測結(jié)果，運(yùn)用圖論分析和[0055]所述自適應(yīng)測試模塊基于優(yōu)化測試流程，應(yīng)用決策樹算示的方位或位置關(guān)系，僅是為了便于描述本發(fā)明和簡化描述，而不是指示或暗示所指的裝置或元件必須具有特定的方位、以特定的方位構(gòu)造和操作，因此不能理解為對本發(fā)明的限[0070]請參閱圖1，本發(fā)明提供一種技術(shù)方案：一種基于智能檢測機(jī)器人的檢測控制方入?yún)?shù)能夠確保神經(jīng)網(wǎng)絡(luò)模型在不同環(huán)境條件下依然能準(zhǔn)確地進(jìn)行數(shù)據(jù)處理[0125]假設(shè)在一個(gè)化工廠中，智能檢測機(jī)器人收集了一系列與生產(chǎn)過程相關(guān)的環(huán)境數(shù)圖中將通過一條邊相連，Dijkstra算法被用來找出圖中從一個(gè)節(jié)點(diǎn)到其他節(jié)點(diǎn)的最短路態(tài)學(xué)是一種分析和模擬復(fù)雜系統(tǒng)行為的方法，通過模擬測試流程的動(dòng)態(tài)行為和相互作用，系統(tǒng)動(dòng)態(tài)變化的方法，模型參考自適應(yīng)控制特別適合于處理那些參數(shù)未知或變化的系統(tǒng)，Apriori關(guān)聯(lián)規(guī)則挖掘算法，分析多群組間的關(guān)系和相互依賴性，進(jìn)行數(shù)據(jù)集成和特征提有不同材料特性的樣品群組，K均值聚類可以幫助識別哪些屬性是區(qū)分不同群組的關(guān)鍵因素，應(yīng)用Apriori算法對這些群組間的關(guān)系和相互依賴性進(jìn)行分析，挖掘群組間的關(guān)聯(lián)規(guī)生成的測試策略優(yōu)化分析結(jié)果提供了關(guān)于如何調(diào)整測試參數(shù)以達(dá)到最佳效果的具體指導(dǎo)，[0159]異常狀態(tài)預(yù)測模塊基于環(huán)境適應(yīng)性校準(zhǔn)數(shù)據(jù)，采用貝葉斯網(wǎng)絡(luò)和期望最大化算本專業(yè)的技術(shù)人員可能利用上述揭示的技術(shù)內(nèi)容加以變更或改型為等同變化的等效實(shí)施