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！

龙图腾网获悉中国电建集团北京勘测设计研究院有限公司;天津大学;山东潍坊抽水蓄能有限公司申请的专利一种基于增量学习的大坝进度仿真参数动态更新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：CN119443986B 。

龙图腾网通过国家知识产权局官网在2025-10-10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：202411422428.5，技术领域涉及：G06Q10/067；该发明授权一种基于增量学习的大坝进度仿真参数动态更新方法是由张捷;郭芹庆;张君;孙楷翔;谭红强;许双全;王晓玲;衣传宝;李希稷;郭冬娟;宋蕊香;李璞;宣俊杰设计研发完成，并于2024-10-12向国家知识产权局提交的专利申请。

本一种基于增量学习的大坝进度仿真参数动态更新方法在说明书摘要公布了：本发明公开了一种基于增量学习的大坝进度仿真参数动态更新方法，主要包括：获取施工感知数据流；采用孤立森林算法进行施工感知数据流的异常值检测；采用三次样条插值法对施工感知数据流中的空缺值进行插值填补；使用高斯混合分布对插值填补后的时序数据列进行仿真参数分布建模；使用在线核密度估计方法实现在高斯混合分布建模后，持续地对新输入的经过插值填补处理后的施工感知数据流数据进行学习，并更新出新的高斯混合分布，输出动态更新的仿真参数；将其输入到堆石坝施工仿真模型中，该堆石坝施工仿真模型随着施工仿真参数的动态变化而变化，输出产生符合现场实际的动态变化，支撑工程现场高质量智能化施工，对大坝进度管理提供了决策支持。

本发明授权一种基于增量学习的大坝进度仿真参数动态更新方法在权利要求书中公布了：1.一种基于增量学习的大坝进度仿真参数动态更新方法，其特征在于，包括以下步骤： S1、将获取的施工感知数据流存储到excel文件中； S2、采用孤立森林算法进行施工感知数据流的异常值检测，首先将存储施工感知数据流的excel文件转换成csv文件，提取其中各类施工机械的速度时序数据列，接着使用孤立森林算法进行异常值检测，其中，contamination设置为0.055；并将异常值删去，从而在上述的时序数据列中形成空缺值； S3、采用三次样条插值法对步骤S2得到的施工感知数据流中的空缺值进行插值填补，处理的过程如下： 3-a区间划分：给定一组数据点将x轴上相邻的数据点之间的部分视为一个区间，从而将整个范围划分为a个区间其中，i＝0,1,…,a-1； 3-b构造三次多项式:在每个区间上，构造一个三次多项式：其中，ai,bi,ci,di是多顶式的系数； 该三次多项式同时满足以下条件： 连续性条件：函数值连续:和一阶导数连续:二阶导数连续: 边界条件：和 根据上述连续性条件和边界条件，建立一个线性方程组来解出所述三次多项式的系数ai,bi,ci,di； 3-c构建样条函数:使用步骤3-b求得的系数构造每个区间的三次样条函数从而得到整个定义域上的样条插值函数； 3-d插值求值：对于任意给定的x值，找到对应的区间和相应的多项式计算其在空缺值的值，即为插值结果； S4、使用高斯混合分布对空缺值插值填补后的时序数据列进行仿真参数分布建模，具体如下： 设有一个n维的数据集，其中有一任意向量x，如果向量x服从多元高斯分布，则该向量x的概率密度估计函数表示如下： 式1中，μ是n维的均值向量，∑是一个n维的协方差矩阵，将二者合计为φx∣μ,∑； 当存在多个多元高斯成分时，它们彼此独立又相互叠加，其组成的凸函数为高斯混合分布；高斯混合分布的概率密度估计函数如下： 式2中，k为多元高斯成分的数量，定义域为正整数；μz为第z个多元高斯成分的均值向量；∑z为z个多元高斯成分的协方差矩阵；αz为第z个多元高斯成分的权重，同时αz满足αz＞0，∑zαz＝1； S5、使用在线核密度估计方法对经过步骤S4高斯混合分布建模后的仿真参数进行动态更新，即采用在线核密度估计方法更新步骤S4中式2中的参数，包括自适应更新、局部学习和动态模型调整，从而实现了在步骤S4的高斯混合分布建模后，持续地对新输入的经过步骤S3插值填补处理后的施工感知数据流数据进行学习，并更新出新的高斯混合分布，输出动态更新的仿真参数。

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中国电建集团北京勘测设计研究院有限公司;天津大学;山东潍坊抽水蓄能有限公司，其通讯地址为：100024 北京市朝阳区定福庄西街1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。