-
公开(公告)号：CN110717627B
公开(公告)日：2022-01-25
申请号：CN201910934228.0
申请日：2019-09-29
Applicant: 浙江大学
Abstract: 本发明公开了一种基于对偶图框架的全量交通预测方法，包括：(1)将路网结构表示为拓扑图，将路口作为节点，将连接路口的路段作为边；准备历史的边、节点数据以及未来的边、节点数据；(2)构造历史信息编码器，将历史数据输入到编码器中，通过多层的对偶映射，实现边和节点之间的信息传递，将多层对偶映射的输出拼接为历史特征张量；(3)构造未来预测解码器，将历史特征张量解码成未来时空特征，输出未来预测结果；(4)将预测结果和实际数据之间的误差作为损失函数来进行模型训练，直到损失函数收敛；(5)用训练好的模型，进行模型测试，测试完毕后进行应用。本发明的预测结果能够得到未来交通状况的全量完整描述，预测准确度高。
-
公开(公告)号：CN110570672B
公开(公告)日：2020-12-01
申请号：CN201910881544.6
申请日：2019-09-18
Applicant: 浙江大学
Abstract: 本发明提供了一种基于图神经网络的区域交通信号灯控制方法，同时训练一个交通流量预测器和一个交通信号灯控制器，通过使用交通流量预测器对当前干预动作下的未来车流变化预测值，来帮助交通信号灯控制器生成新的控制方案，并使用其对当前动作的价值的评价信息，来辅助训练交通信号灯控制器最大化交通信号灯控制方案的长期、短期收益。交通流量预测器和信号灯控制器均基于深度消息传播图网络搭建而成。利用本发明，可以不断优化系统适应变化的车流，提高路网通畅程度和交通效率。
-
公开(公告)号：CN111881828A
公开(公告)日：2020-11-03
申请号：CN202010738838.6
申请日：2020-07-28
Applicant: 浙江大学
Abstract: 本发明公开了一种面向移动端设备的障碍物检测方法，包括：(1)选择障碍物检测模型；(2)将训练完的检测模型的识别准确率a作为因变量，模型的深度d、宽度w和图片大小r作为自变量；(3)分别对模型的深度d、宽度w和图片大小r进行剪枝，并在数据集上对模型进行微调，用函数f拟合a与d、w、r之间的关系；(4)通过优化函数求解最优的深度、宽度和图片大小(dm，wm，rm)，并根据求得的(dm，wm，rm)，导出对应的精简模型结构；(5)在数据集上对精简模型进行训练；(6)在移动端设备运行精简模型，实时输入周围的环境照片，进行障碍物识别。本发明使深度卷积神经网络可以满足移动端设备的流畅性要求，同时使障碍物检测具有较高的准确率。
-
公开(公告)号：CN111767701A
公开(公告)日：2020-10-13
申请号：CN202010560164.5
申请日：2020-06-18
Applicant: 浙江大学
IPC: G06F40/166 , G06F40/237 , G06F40/30
Abstract: 本发明公开了一种基于对抗性互信息的文本生成方法，包括：(1)预训练前向模型和后向模型；(2)将源文本输入前向模型，生成目标文本；(3)以生成的目标文本为后向模型的输入，生成伪源文本；(4)以原目标函数为后向模型的输入，生成另一个伪源文本；(5)构造训练的目标函数，训练目标为：最大化利用原目标文本生成源文本的概率，利用源文本生成原目标文本的概率，和能生成使得后向模型生成源文本的伪目标文本的概率；同时最小化利用伪目标文本生成源文本的概率；(6)重复步骤(2)～(5)，直到目标函数收敛。本发明将最大化互信息算法改进为对抗性互信息，训练完毕后，最终提升生成文本的准确率。
-
公开(公告)号：CN111754775A
公开(公告)日：2020-10-09
申请号：CN202010634989.7
申请日：2020-07-03
Applicant: 浙江大学
Abstract: 本发明公开了一种基于特征重构误差的交通流量预测方法，属于机器学习技术领域，包括：(1)选择目标机器学习网络，初始化目标机器学习网络的参数；(2)构建交通流量的训练数据集，初始化特征校正权值矩阵的参数；(3)利用训练数据集对特征校正权值矩阵进行训练，训练过程使用随机梯度下降算法和特征重构误差损失函数；(4)固定特征校正权值矩阵参数，对目标机器学习网络进行训练，训练过程使用随机梯度下降算法；(5)重复步骤(3)和步骤(4)，直至损失函数收敛或达到最大训练步数；(6)训练结束，将待预测的交通流量数据输入训练好的网络模型，得到预测的交通流量。利用本发明，可以增强模型在进行交通流量预测的稳定性。
-
Patent Agency Ranking
公开(公告)号：CN107918652B
公开(公告)日：2020-10-02
申请号：CN201711129690.0
申请日：2017-11-15
Applicant: 浙江大学
IPC: G06F16/435 , G06F16/9535
Abstract: 本发明公开了一种利用多模态网络学习进行基于社交关系的电影推荐的方法。主要包括如下步骤：1)针对于一组视频、用户，构建含有其相关关系的SMR网络。并且针对于形成的SMR网络构建采样路径，并针对于采样路径中的电影及用户节点形成电影的综合表达与用户的映射表达，随后针对于预定义的损失函数进行更新，求得最终的用户表达与电影综合表达。2)对于得到的用户表达及电影的综合表达，产生对于用户的电影推荐。相比于一般的电影推荐解决方案，本发明提取了电影的多模态信息并且针对于用户形成了最终的有效用户表达，则能够更准确地反映用户与电影的特性，并产生更加符合要求的电影推荐。本发明在电影推荐问题中所取得的效果相比于传统的方法更好。
-
公开(公告)号：CN110570672A
公开(公告)日：2019-12-13
申请号：CN201910881544.6
申请日：2019-09-18
Applicant: 浙江大学
Abstract: 本发明提供了一种基于图神经网络的区域交通信号灯控制方法，同时训练一个交通流量预测器和一个交通信号灯控制器，通过使用交通流量预测器对当前干预动作下的未来车流变化预测值，来帮助交通信号灯控制器生成新的控制方案，并使用其对当前动作的价值的评价信息，来辅助训练交通信号灯控制器最大化交通信号灯控制方案的长期、短期收益。交通流量预测器和信号灯控制器均基于深度消息传播图网络搭建而成。利用本发明，可以不断优化系统适应变化的车流，提高路网通畅程度和交通效率。
-
公开(公告)号：CN107679539B
公开(公告)日：2019-12-10
申请号：CN201710842145.X
申请日：2017-09-18
Applicant: 浙江大学
Abstract: 本发明公开了一种基于局部感知野的单卷积神经网络局部信息与全局信息整合方法，包括：步骤1，给定卷积神经网络模型，计算每一层特征图对应在原图中的局部感知野大小；步骤2，依据每一层局部感知野大小，选取一个层分割，以平衡局部信息和全局信息；步骤3，综合考虑信息量与计算量，选取分割方式与分割个数，对选取层的特征图进行分割；步骤4，对分割后的特征图进行维度匹配；步骤5，将选取层后面的所有层，包括损失函数层，叠加到每一个分割后的子特征图之后，进行训练。本发明提出的卷积神经网络改造算法能使得在一个网络模型中同时学习得到局部信息与全局信息，提高网络模型表达能力，同时仅产生较少的计算量增加。
-
公开(公告)号：CN110443805A
公开(公告)日：2019-11-12
申请号：CN201910614753.4
申请日：2019-07-09
Applicant: 浙江大学
Abstract: 本发明公开了一种基于像素密切度的语义分割方法，包括以下步骤：(1)将深度神经网络在目标分类任务上进行预训练；(2)在深度神经网络上加入ASPP结构和Decoder结构；(3)在最顶层的高维特征向量上加入额外的像素密切度分支；(4)从语义分割的标注数据中得出像素密切度的标签并用于训练；(5)训练结束后，在应用过程中使用一个密切度传播后处理函数结合两种输出信息，产生优化过后的语义分割结果。利用本发明，可以对现有的全卷积网络解决方案进行优化，提升语义分割的精准度和稳定性。
-
公开(公告)号：CN108804611A
公开(公告)日：2018-11-13
申请号：CN201810538126.2
申请日：2018-05-30
Applicant: 浙江大学
IPC: G06F17/30
Abstract: 本发明公开了一种基于自我评论序列学习的对话回复生成方法及系统，其中，对话回复生成方法包括以下步骤：(1)对当前对话的上下文语境进行建模，获得上下文语义向量；(2)根据上下文语义向量，建立基于自我评论序列学习的对话模型；(3)对对话模型进行训练和测试，分别得到训练奖励值和测试奖励值；(4)计算两个奖励值之间的差，通过计算策略梯度，优化对话模型；(5)对话模型训练完毕，输出对话回复。利用本发明，可以使得对话生成模型在训练过程中，能够朝着优化评判指标的方向生成更加有实质意义的回复，大幅度降低生成对话的不稳定性。
-
-
-
-
-
-
-
-
-
Search Results
149
records
(took 0.02 seconds)
