嘉兴融声科技有限公司

企业

嘉兴融声科技有限公司成立于2023年，位于浙江省。所属行业为软件和信息技术服务业。主要业务包括人工智能基础软件开发、人工智能应用软件开发。

小微企业软件和信息技术服务业

成立于 2023 年浙江省15618756223@qq.com

数据集列表

该数据将广泛运用于卫星桁架制造的应用场景，为保障卫星在复杂工况下的稳定运行，卫星桁架在设计过程中需要进行大量的仿真分析。而代理模型（Surrogate Model）是一种通过基于已知数据的统计分析方法，构建一个能够近似原始模型行为的模型，从而在计算资源受限或原始模型无法进行实际测试的情况下，快速地分析和优化设计。因此本数据用于对卫星桁架的应变预测模型进行训练，从而得到一个用于应变水平快速预测的模型结构。这样可以对于输入的结构值进行快速分析，得到应变水平，从而方便后续的优化和迭代。1.数据收集：根据仿真模拟系统的捕捉功能，我们获得了仿真卫星的结构变量；紧接着我们通过仿真测试得到了桁架应变的值2.构建高斯过程：构建代理模型对结构性能评估本质是一个回归问题的模型。将卫星结构方案的设计参数作为高斯过程的输入参数，结构性能指标作为高斯过程的输出参数。通过仿真数据的训练，可得到仿真卫星的代理模型3.模型预测：通过代理模型数据的估计，我们可以得到预测模型，多项式核函数是高斯过程中常用的核函数之一，可以用来建模输入变量与输出变量之间的非线性关系，当输入新型卫星的结构变量时，我们就可以快速得到他的应变的数量预测值。其形式为：K(x,y)=(σ^2*<x,y>+c)^d，其中x和y是输入向量，<x,y>表示它们的内积，d是多项式的次数，σ是一个比例因子，c是一个常数项。模型训练前首先准备数据集，共有100个样本，输入变量为二维，输出变量为一维，使用随机划分的方法将数据集划分为训练集和测试集，其中，80%用于训练，剩余20%数据用于测试。经过模型训练，将测试集应用于高斯过程模型进行测试，使用MAE、MAPE、MSE、RMSE四个参考值对模型的准确性进行评估。

浙江省数据知识产权登记平台2025-01-10 更新440

智慧机械制造业噪音源多目标识别分类数据

为了降低机械制造工业作业场景的噪声污染，优化人员作业的环境状态，我们通过CATBoost多目标分类算法进行不同噪音源进行检测分析，从而根据不同噪音的特性进行多目标分类，通过此操作，可以帮助我们筛选出高噪音污染性的运行设备，紧接着再做进一步的环境噪音优化，从而大大提高了从业人员在工作环境的舒适度。1.数据搜集：收集机械制造作业场景的声学信号数据，并将其作为特征变量。同时，收集对应噪音源的器件数据，并将其作为分类的目标变量。2.预处理：利用归一化公式x=（xi-min）/（max-min）；其中xi是样本字段中第i条数据，x是归一化后的值；并且利用同类均值插补法进行缺失值补充，首先用层次聚类模型预测缺失变量的类型，再以该类型的均值插补。3.数据分析：由于不同设备的声源信息不同，因此我们将他们每个频率的最大值和最小值都搜集出来，紧接着将最大值中最大的那个值作为上限，最小值中最小的那个值作为下限，因此构造出了频率值区间，将区间内的所有值平均分成[0，4000]、[4000，8000]、[8000，12000]、[12000，16000]、[16000，20000]这5类，记为A,B,C,D,E字母，其他数据字段如：声压级、持时、尖锐度、响度的值也同理进行一样的操作，紧接着根据采集到的设备信息，我们可以将它的各个信息值对标字母类别，最后再将各个转换为字母类别的信息按顺序串成一段字母(如：CBAAE对应的就是电锯Electric Saw),最后我们将该字母串导入到交互式文本框中，它就会反馈出对应的声源类别，其中交互式文本框的制作流程如下：首先根据每一个设备信息的上下限确定好可能存在的数字类别，紧接着将所有可能的字母类别进行串联，最终出现了所有属于该设备的字母串类型，最后将这些字母串导入到交互式系统中（也就是所谓的穷举法）。

浙江省数据知识产权登记平台2024-12-27 更新670

桥梁中央钢节点位置的腐蚀程度声学振动预测数据

由于桥梁的建筑材料具有衰老性，因此，我们需要对于桥梁进行周期性维修，通过梯度提升回归 (Gradient Boosting Regression)算法，我们可以将桥梁中央钢节点腐蚀程度进行量化计算，紧接着根据腐蚀程度完全系数表进行判断该桥梁中央钢节点是否满足安全要求，这样周期性监测工作可以大大降低事故的发生，提高社会的安全性与桥梁的使用寿命。1.数据搜集：收集桥梁中央钢节点位置的声学振动信号数据频率、声压级、持续时间、振动幅度、声功率、阻尼比、谐波失真，并将其作为特征变量。同时，收集对应的腐蚀程度数据，并将其作为目标变量。2.预处理：利用归一化公式x=（xi-min）/（max-min）；其中xi是样本字段中第i条数据，x是归一化后的值；3.模型训练：构造出迭代模型：F(x）=F(x-1）+β*T（x，Θ ）；其中，F(x-1) 是当前模型，T(x;Θ ) 是当前步要训练的弱学习器（通常是回归树），β 是学习率，用于控制每个弱学习器对模型的贡献程度。Θ 是决策树的参数。；紧接着构造损失函数(MSE)，公式为MSE=求和（yi-y^i）^2/n，其中yi是第i个样本实际值，y^i是第i个样本预测值，n为样本总个数；最后在每一轮迭代中，需要计算当前模型预测值与实际值之间的损失函数相对于模型输出的导数，即负梯度。这个负梯度将作为下一个弱学习器的训练目标。4.模型更新和迭代：通过加上一个带有学习率 β 的弱学习器预测值来更新模型，若达到预设的迭代次数 M 或模型性能不再显著提升为止。

浙江省数据知识产权登记平台2024-12-24 更新200

变电站配电变压器异常声压预测数据

根据搜集到的频率、距离、幅值、介质密度、声速等基础信息，计算出变电站配电变压器声压值，根据配电变压器的声压阈值区间，判断出配电变压器的声压是否存在异常，从而为企业作业的安全提供了保障。1.数据搜集：搜集到配电变压器的声学振动信号数据，并将其作为特征变量。同时，收集对应的声压数据，作为目标变量。2.预处理：利用归一化公式x=（xi-min）/（max-min）；其中xi是样本字段中第i条数据，x是归一化后的值；3.模型训练：用Python语言环境运行，方法为XGBoost算法，预测变电站变压器的声压。XGBoost的目标函数由两部分组成：损失函数和正则化项。损失函数用于衡量模型预测值与实际值之间的差异，而正则化项则用于控制模型的复杂度，防止过拟合。公式如下：F(x）=求和L（yi，y^i）+求和（m(f(k))），其中L（yi，y^i）表示第i个样本的损失函数，yi是实际值，y^i是预测值；m(f(k))表示第 k 棵树的复杂度。当损失函数F（x）最小化时则停止迭代过程，在此过程中y^i预测值是通过特征函数进行求解的，具体计算方式如下：通过对于目标函数的求导，紧接着并令导数等于0，从而解出叶子节点的最优分数。通过不断地选择最优分裂点并构建树结构，XGBoost最终可以得到一棵最优的树模型。然后，将多棵树模型的预测结果进行累加，即可得到最终的预测值。4.模型迭代和更新，利用交叉验证来评估模型的稳定性和性能，其中交叉验证公式如下：m=求和（yi-y^i）/N；其中m代表交叉验证误差、N代表数据样本的数量、yi代表第 i 个样本的实际观测值、y^i代表第 i 个样本的模型预测值。若满足交叉验证的误差范围则退出迭代过程，输出模型参数值。

浙江省数据知识产权登记平台2024-12-09 更新1950

智慧建筑工地噪音源多目标识别分类

为了降低建筑工地作业场景的噪声污染，优化人员作业的环境状态，我们通过CATBoost多目标分类算法进行不同噪音源进行检测分析，从而根据不同噪音的特性进行多目标分类，通过此操作，可以帮助我们筛选出高噪音污染性的运行设备，紧接着再做进一步的环境噪音优化，从而大大提高了从业人员在工作环境的舒适度。1.数据搜集：收集建筑工地场景的声学信号数据，并将其作为特征变量。同时，收集对应噪音源的器件数据，并将其作为分类的目标变量。2.预处理：利用归一化公式x=（xi-min）/（max-min）；其中xi是样本字段中第i条数据，x是归一化后的值；并且利用同类均值插补法进行缺失值补充，首先用层次聚类模型预测缺失变量的类型，再以该类型的均值插补。3.数据分析：由于不同设备的声源信息不同，因此我们将他们每个频率的最大值和最小值都搜集出来，紧接着将最大值中最大的那个值作为上限，最小值中最小的那个值作为下限，因此构造出了频率值区间，将区间内的所有值平均分成[0，4000]、[4000，8000]、[8000，12000]、[12000，16000]、[16000，20000]这5类，记为A,B,C,D,E字母，其他数据字段如：声压级、持时、尖锐度、响度的值也同理进行一样的操作，紧接着根据采集到的设备信息，我们可以将它的各个信息值对标字母类别，最后再将各个转换为字母类别的信息按顺序串成一段字母(如：CBAAE对应的就是装载机Loader),最后我们将该字母串导入到交互式文本框中，它就会反馈出对应的声源类别，其中交互式文本框的制作流程如下：首先根据每一个设备信息的上下限确定好可能存在的数字类别，紧接着将所有可能的字母类别进行串联，最终出现了所有属于该设备的字母串类型，最后将这些字母串导入到交互式系统中（也就是所谓的穷举法）。

浙江省数据知识产权登记平台2024-12-09 更新630

桥梁桥墩钢节点位置的腐蚀程度声学振动预测数据

由于桥梁的建筑材料具有衰老性，因此，我们需要对于桥梁进行周期性维修，通过梯度提升回归 (Gradient Boosting Regression)算法，我们可以将桥梁桥墩钢节点腐蚀程度进行量化计算，紧接着根据腐蚀程度完全系数表进行判断该桥梁桥墩钢节点是否满足安全要求，这样周期性监测工作可以大大降低事故的发生，提高社会的安全性与桥梁的使用寿命。1.数据搜集：收集桥梁桥墩钢节点位置的声学振动信号数据频率、声压级、持续时间、振动幅度、声功率、阻尼比、谐波失真，并将其作为特征变量。同时，收集对应的腐蚀程度数据，并将其作为目标变量。2.预处理：利用归一化公式x=（xi-min）/（max-min）；其中xi是样本字段中第i条数据，x是归一化后的值；3.模型训练：构造出迭代模型：F(x）=F(x-1）+β*T（x，Θ ）；其中，F(x-1) 是当前模型，T(x;Θ ) 是当前步要训练的弱学习器（通常是回归树），β 是学习率，用于控制每个弱学习器对模型的贡献程度。Θ 是决策树的参数。；紧接着构造损失函数(MSE)，公式为MSE=求和（yi-y^i）^2/n，其中yi是第i个样本实际值，y^i是第i个样本预测值，n为样本总个数；最后在每一轮迭代中，需要计算当前模型预测值与实际值之间的损失函数相对于模型输出的导数，即负梯度。这个负梯度将作为下一个弱学习器的训练目标。4.模型更新和迭代：通过加上一个带有学习率 β 的弱学习器预测值来更新模型，若达到预设的迭代次数 M 或模型性能不再显著提升为止。

浙江省数据知识产权登记平台2025-01-10 更新130

矿山工地应用场景噪音源多目标识别分类数据

为了降低矿产开采作业场景的噪声污染，优化人员作业的环境状态，我们通过CATBoost多目标分类算法进行不同噪音源进行检测分析，从而根据不同噪音的特性进行多目标分类，通过此操作，可以帮助我们筛选出高噪音污染性的运行设备，紧接着再做进一步的环境噪音优化，从而大大提高了从业人员在工作环境的舒适度。1.数据搜集：收集矿山工地场景的声学信号数据，并将其作为特征变量。同时，收集对应噪音源的器件数据，并将其作为分类的目标变量。2.预处理：利用归一化公式x=（xi-min）/（max-min）；其中xi是样本字段中第i条数据，x是归一化后的值；并且利用同类均值插补法进行缺失值补充，首先用层次聚类模型预测缺失变量的类型，再以该类型的均值插补。3.数据分析：由于不同设备的声源信息不同，因此我们将他们每个频率的最大值和最小值都搜集出来，紧接着将最大值中最大的那个值作为上限，最小值中最小的那个值作为下限，因此构造出了频率值区间，将区间内的所有值平均分成[0，4000)、[4000，8000)、[8000，12000)、[12000，16000)、[16000，20000]这5类，记为A,B,C,D,E字母，其他数据字段如：声压级、持时、尖锐度、响度的值也同理进行一样的操作，紧接着根据采集到的设备信息，我们可以将它的各个信息值对标字母类别，最后再将各个转换为字母类别的信息按顺序串成一段字母(如：CBAAE对应的就是钻孔机borer),最后我们将该字母串导入到交互式文本框中，它就会反馈出对应的声源类别，其中交互式文本框的制作流程如下：首先根据每一个设备信息的上下限确定好可能存在的数字类别，紧接着将所有可能的字母类别进行串联，最终出现了所有属于该设备的字母串类型，最后将这些字母串导入到交互式系统中（也就是所谓的穷举法）。

浙江省数据知识产权登记平台2024-12-27 更新130

变电站联络变压器异常声压预测数据

根据搜集到的频率、距离、幅值、介质密度、声速等基础信息，计算出变电站联络变压器声压值，根据联络变压器的声压阈值区间，判断出联络变压器的声压是否存在异常，从而为企业作业的安全提供了保障。1.数据搜集：搜集到联络变压器的声学振动信号数据，并将其作为特征变量。同时，收集对应的声压数据，作为目标变量。2.预处理：利用归一化公式x=（xi-min）/（max-min）；其中xi是样本字段中第i条数据，x是归一化后的值；3.模型训练：用Python语言环境运行，方法为XGBoost算法，预测变电站变压器的声压。XGBoost的目标函数由两部分组成：损失函数和正则化项。损失函数用于衡量模型预测值与实际值之间的差异，而正则化项则用于控制模型的复杂度，防止过拟合。公式如下：F(x）=求和L（yi，y^i）+求和（m(f(k))），其中L（yi，y^i）表示第i个样本的损失函数，yi是实际值，y^i是预测值；m(f(k))表示第 k 棵树的复杂度。当损失函数F（x）最小化时则停止迭代过程，在此过程中y^i预测值是通过特征函数进行求解的，具体计算方式如下：通过对于目标函数的求导，紧接着并令导数等于0，从而解出叶子节点的最优分数。通过不断地选择最优分裂点并构建树结构，XGBoost最终可以得到一棵最优的树模型。然后，将多棵树模型的预测结果进行累加，即可得到最终的预测值。4.模型迭代和更新，利用交叉验证来评估模型的稳定性和性能，其中交叉验证公式如下：m=求和（yi-y^i）/N；其中m代表交叉验证误差、N代表数据样本的数量、yi代表第 i 个样本的实际观测值、y^i代表第 i 个样本的模型预测值。若满足交叉验证的误差范围则退出迭代过程，输出模型参数值。

浙江省数据知识产权登记平台2024-12-09 更新980

变电站升压变压器异常声压预测数据

根据搜集到的频率、距离、幅值、介质密度、声速等基础信息，计算出变电站升压变压器声压值，根据升压变压器的声压异常判别区间图表，判断出升压变压器的声压是否存在异常，从而为企业作业的安全提供了保障。1.数据搜集：搜集到升压变压器的声学振动信号数据，并将其作为特征变量。同时，收集对应的声压数据，作为目标变量。2.预处理：利用归一化公式x=（xi-min）/（max-min）；其中xi是样本字段中第i条数据，x是归一化后的值；3.模型训练：用Python语言环境运行，方法为XGBoost算法，预测变电站变压器的声压。XGBoost的目标函数由两部分组成：损失函数和正则化项。损失函数用于衡量模型预测值与实际值之间的差异，而正则化项则用于控制模型的复杂度，防止过拟合。公式如下：F(x）=求和L（yi，y^i）+求和（m(f(k))），其中L（yi，y^i）表示第i个样本的损失函数，yi是实际值，y^i是预测值；m(f(k))表示第 k 棵树的复杂度。当损失函数F（x）最小化时则停止迭代过程，在此过程中y^i预测值是通过特征函数进行求解的，具体计算方式如下：通过对于目标函数的求导，紧接着并令导数等于0，从而解出叶子节点的最优分数。通过不断地选择最优分裂点并构建树结构，XGBoost最终可以得到一棵最优的树模型。然后，将多棵树模型的预测结果进行累加，即可得到最终的预测值。4.模型迭代和更新，利用交叉验证来评估模型的稳定性和性能，其中交叉验证公式如下：m=求和（yi-y^i）/N；其中m代表交叉验证误差、N代表数据样本的数量、yi代表第 i 个样本的实际观测值、y^i代表第 i 个样本的模型预测值。若满足交叉验证的误差范围则退出迭代过程，输出模型参数值。

浙江省数据知识产权登记平台2024-12-09 更新400