智能马桶座圈加热技术专利分析

本文针对智能马桶座圈加热技术专利的发展趋势及重要申请人进行检索,并分别针对储热式智能马桶和即热式智能马桶座圈加热技术的发展路线进行分析,帮助相关企业了解领域专利热点,提出领域相关技术发展建议,指导我国相关企业关注同领域申请人尤其是日本申请人的技术发展,加大研发投入,加强专利技术转化和应用,保持申请质量和技术水平也处于国际领先水平,在智能马桶行业起到指引作用。

我国企业实用新型专利转化现状

实用新型专利,是指对产品的形状、构造或者其结合所提出的适于实用的新的技术方案,又称小发明或小专利。每年,我国申请和授权的实用新型专利占三种专利的约七成,是我国较大体量的知识产权种类之一,而由于实用新型本身小发明和快保护的特点,深受国内各种有专利需求实体的喜爱,这其中占比较大的是企业,占据了申请量的七成以上,而近些年实用新型专利的转化现状,呈现转化率低和一些指标常年低位徘徊和逐年下降之势。本文选取我国企业实用新型专利转化的几个主要的相关指标,对其变化特性进行汇总分析,剖析问题产生的原因,并提出针对性的建议措施。

再生混凝土收缩徐变预测新方法

针对当前方法的局限性,提出基于高斯过程机器学习的再生混凝土收缩徐变预测方法。该方法采用少量试验数据作为学习样本,建立主要影响因素与收缩徐变的复杂非线性映射关系,对新的预测样本做出精准预测,获得对应的收缩徐变。实例研究结果表明:该预测方法是可行的,能够在小样本试验数据下对新样本做出高精度的预测,并且方法参数自适应获取、实现过程简单,为再生混凝土收缩徐变的合理确定提供一条新途径。

基于PCA-RVM的TBM掘进速度预测模型研究

TBM隧道施工的核心是掘进作业,合理的掘进速度对提高施工效率、降低施工风险具有重要意义。TBM掘进速度受到多种因素影响,各因素之间存在着复杂的非线性关系,由此提出了一种基于PCA-RVM的TBM掘进速度预测模型。通过主成分分析法(PCA)将完整岩石的单轴抗压强度(UCS)、巴西试验劈裂抗拉强度(BTS)、软弱结构面的平均间距(DPW)、冲击试验压头的最大荷载与相应的位移的比值(PSI)和隧道轴线与软弱结构面之间的夹角(α)5个影响因素降维成3个独立主成分变量。采用相关向量机方法(RVM)建立主成分变量与掘进速度间的非线性映射关系,进而对仅已知影响因素的新样本进行精准预测。将该模型应用于工程实际,并与相关向量机和BP神经网络模型进行对比,发现该方法具有预测精度高、拟合程度好、离散性小、适用小样本等优点,为TBM掘进速度预测提供了一条新途径。

基于相关向量机的再生混凝土收缩徐变预测

针对再生混凝土收缩徐变与其影响因素之间存在着复杂的非线性关系,难以建立精准预测模型.提出一种基于相关向量机的再生混凝土收缩徐变预测模型,该模型通过对少量学习样本的学习,精准预测仅知道影响因素的预测样本的收缩徐变值.将该模型应用于再生混凝土收缩徐变预测,研究结果表明,该方法具有精度高、小样本、容易实现等优点,为再生混凝土收缩徐变获取提供了一条新途径。

基于相关向量机的蒋家沟泥石流平均流速预测模型

泥石流是我国常见的一种地质灾害,泥石流的平均流速是泥石流灾害防治的重要参数之一,准确的预测泥石流平均流速对灾害预防具有重要意义。本文建立基于相关向量机的蒋家沟泥石流平均流速预测模型,通过与蒋家沟泥石流平均流速的支持向量机、BP神经网络模型预测结果对比,验证该模型预测精度;同时采用平均相对误差和均方差2个指标评价各个模型的整体性能和稳定情况。结果表明,与实测值相比,相关向量机预测最大相对误差仅为2.02%,平均相对误差为0.64%,均方差为0.06,远低于BP神经网络模型和支持向量机模型的预测结果。由此可知,本文提出的基于相关向量机的蒋家沟泥石流平均流速预测模型效果明显优于其他2种模型,且预测结果更为准确,模型整体性能和稳定情况较好,为泥石流平均流速获取提供一条新途径。

基于相关向量机的TBM掘进速度预测模型

TBM具有安全性强、施工效率高等优点,在隧道施工尤其是长距离隧道施工中得到广泛应用。TBM掘进速度受多个因素影响,各因素本身除了具有较强的不确定性以外,还存在着复杂的关联关系,难以建立精准的速度预测模型。文章提出一种基于相关向量机的TBM掘进速度预测模型,该模型通过对样本的学习,可以建立各因素与掘进速度的非线性映射关系,精准预测仅知道影响因素的预测样本。将该模型应用于TBM掘进速度预测,结果表明,该方法具有精度高、容易实现和离散性小等优点,为TBM掘进速度预测提供了一条新途径。

基于PCA-RVM的围岩稳定性识别模型

围岩稳定性受诸多因素的影响,各影响因素间存在复杂的非线性关系。为准确判定围岩稳定性类别,选取岩石质量指标RQD、岩石单轴饱和抗压强度Rw、完整性系数Kv、结构面强度系数Kf、地下水渗水量ω等作为影响围岩稳定性的主要因素,通过主成分分析(Principal Component Analysis,PCA)将以上5个影响因素降维成2个相互独立的主成分,采用相关向量机(Relevance Vector Machine,RVM)建立主成分变量与围岩稳定性类别之间的非线性映射关系,将输出的评价结果输入至"一对一"投票器以确定稳定性类别;将PCA-RVM围岩稳定性识别模型运用于实际工程,用21组样本对6组样本进行预测,其中5组预测结果与实际类别一致。结果表明:提出的识别模型适用于小样本问题,通过设置合理的带宽和迭代次数可有效提高模型精度,减少误判率。