买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉合肥工业大学申请的专利一种垃圾协同处置下的分解炉温度工况划分与识别方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN117216611B 。

龙图腾网通过国家知识产权局官网在2025-12-26发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202311186452.9，技术领域涉及：G06F18/23213；该发明授权一种垃圾协同处置下的分解炉温度工况划分与识别方法是由陈薇;赵军;刘海军;解俊哲;康志伟设计研发完成，并于2023-09-14向国家知识产权局提交的专利申请。

本一种垃圾协同处置下的分解炉温度工况划分与识别方法在说明书摘要公布了：本发明公开了一种垃圾协同处置下的分解炉温度工况划分与识别方法，其步骤包括：1使用WK‑Means算法进行分解炉温度工况划分；2使用IPSO‑SVM算法进行分解炉温度工况识别。本发明针对垃圾协同处置下分解炉温度控制过程中的关键参数进行工况划分与识别，从而能提高垃圾协同处置下分解炉温度多工况划分与识别的效率和准确率。

本发明授权一种垃圾协同处置下的分解炉温度工况划分与识别方法在权利要求书中公布了：1.一种垃圾协同处置下的分解炉温度工况划分与识别方法，其特征在于，是按如下步骤进行： 步骤1.对分解炉的温度进行工况划分： 步骤1.1.获得分解炉工况样本集U＝{U1,U2,…,Uk,…,Un}，其中，Uk表示第k个分解炉工况样本，且Uk＝{uk,1,uk,2,…,uk,q,…,uk,Q}；其中，uk,q表示分解炉工况样本集U中第k个分解炉工况样本Uk中第q维特征向量，Q表示维度，n表示样本数量； 步骤1.2.定义当前迭代次数为L，并初始化L＝1；以分解炉的温度工况的种类数为聚类中心的个数并记为f，使用HDBSCAN算法初始化第L次迭代的f个聚类中心{S1L,S2L,…,SdL,…,SfL}，其中，表示第L次迭代的第d个聚类中心； 步骤1.3.计算第k个分解炉工况样本Uk到第L次迭代的各个聚类中心的欧式距离其中，表示第k个分解炉工况样本Uk到第L次迭代的第d个聚类中心的欧式距离；从而得到n个分解炉工况样本分别到第L次迭代的f个聚类中心的欧式距离，并将每个分解炉工况样本分配到欧式距离最近的第L次迭代的聚类中心所属的簇中，从而得到f个类簇； 步骤1.4.对于每个簇，计算簇内所有分解炉工况样本的加权欧式距离均值并作为新的聚类中心，从而得到第L+1次迭代的f个类簇及其各个聚类中心其中，表示第L+1次迭代的第d个聚类中心； 步骤1.5.判断是否成立，若成立；则输出第L+1次迭代的f个类簇分别作为f个分解炉的温度工况；否则，将L+1赋值给L后，返回执行步骤1.3顺序执行；其中，Δ表示阈值； 步骤2.对分解炉温度工况进行识别： 步骤2.1.根据温度工况的种类数f，对第L+1次迭代的f个类簇分别设置对应的温度工况标签，每个类簇对应一个温度工况标签，从而得到带标签的分解炉温度工况数据集，并按比例划分为训练集、测试集； 步骤2.2.初始化L＝1，令最大迭代次数为LMax； 定义并初始化两个学习因子为c1和c2、惯性权重的最大值为ωmax和最小值为ωmin； 定义粒子群的规模为N； 定义SVM模型的参数规模为M； 令第L-1代粒子群中每个粒子的位置由SVM模型的M个参数组成，并对每个参数在0到10之间进行随机初始化，从而得到第L-1代粒子群中第h个粒子的位置记为其中，表示第L-1代粒子群中第h个粒子在第m维上的位置，即SVM模型参数中的第m个参数；1≤h≤N；1≤m≤M； 令第L-1代粒子群中第h个粒子的速度是由M个[0,1]之间的随机数组成，并记为其中，表示第L-1代粒子群中第h个粒子在第m维上的速度； 步骤2.3.令第L-1代粒子群中第h个粒子的位置作为第L-1代粒子群中第h个粒子的局部最优解，记为其中，为第L-1代粒子群中第h个粒子对应的SVM模型参数中第m个参数的局部最优解，令的适应度为并初始化 令第L-1代粒子群中第h个粒子的的局部最优解作为第L-1代粒子群的全局最优解，记为其中，为第L-1代粒子群对应的SVM模型参数中的第m个参数的全局最优解；令RL-1的适应度为并初始化 步骤2.4.利用式1计算第L-1次迭代的惯性权重ωL-1： 步骤2.5.利用式2得到第L代粒子群中第h个粒子的位置和速度从而得到第L代粒子群中每个粒子的位置和速度； 式2中，r1和r2为[0,1]之间的两个随机数； 步骤2.6.初始化h＝1； 步骤2.7.将第L代粒子群中的第h个粒子的位置作为SVM模型的参数，并对SVM模型进行初始化后，使用训练集对初始化后SVM模型进行训练，得到第L代粒子群中的第h个训练好的SVM模型； 将测试集输入第L代粒子群中的第h个训练好的SVM模型进行分类预测，得到的预测结果与真实温度工况标签进行比较，从而得到分类准确率作为第L代粒子群中的第h个粒子的适应度 步骤2.8.判断是否成立，若成立，则将第L代粒子群中第h个粒子的位置XhL作为第L代粒子群中第h个粒子的局部最优解即且第L代粒子群中第h个粒子的局部最优解的适应度为第L代粒子群中第h个粒子所对应的适应度即否则，将作为第L代粒子群中第h个粒子的局部最优解即将作为的适应度即 步骤2.9.判断是否成立，若成立，则将第L代粒子群中第h个粒子的局部最优解PhL作为第L代粒子群的全局最优解RL，即将的适应度作为第L代粒子群的全局最优解RL的适应度即否则，将RL-1作为第L代粒子群的全局最优解RL，即RL＝RL-1，将作为全局最优解的适应度即 步骤2.10.将h+1赋值给h后，重复步骤2.7顺序执行，直到hN为止，从而获得第L代粒子群中N个粒子的局部最优解及其适应度、第L代粒子群的全局最优解RL及其适应度； 步骤2.11.将L+1赋值给L后，判断L＞LMax是否成立，若成立，执行步骤2.12，否则，返回步骤2.4顺序执行； 步骤2.12.输出第LMax代粒子群的全局最优解并将全局最优解作为SVM模型的最优参数，从而利用最优参数的SVM模型实现分解炉温度的工况识别。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人合肥工业大学，其通讯地址为：230009 安徽省合肥市包河区屯溪路193号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。