-
公开(公告)号：CN115937810A
公开(公告)日：2023-04-07
申请号：CN202211614042.5
申请日：2022-12-15
Applicant: 中车南京浦镇车辆有限公司 , 清华大学
IPC: G06V20/56 , G01S17/86 , G01S17/66 , G01S7/497 , G06V10/75 , G06V10/762 , G06V10/82 , G06V10/25 , G06N3/08 , G06N3/0464
Abstract: 本发明公开了一种基于双目相机引导的传感器融合方法，属于智能车辆环境感知技术领域，本发明采用双目视觉引导的融合方法，可以利用视觉目标信息建立其运动轨迹，进而预测其在三维空间中的位置；本发明采用数据层的融合方法，利用视觉的预测结果以辅助激光雷达划定探测范围，大幅度降低运算数据量，对计算平台性能要求较低；本发明基于双目视觉获取的目标探测结果，可以准确获取目标深度，扩展目标检测信息及增强目标探测的鲁棒性。
-
公开(公告)号：CN115855079A
公开(公告)日：2023-03-28
申请号：CN202211644316.5
申请日：2022-12-21
Applicant: 清华大学 , 中车南京浦镇车辆有限公司
Abstract: 本发明公开了一种时间异步的感知传感器融合方法，对双目相机、激光雷达与毫米波雷达进行空间标定与同步，并对各传感器进行主动授时；获取基于双目视觉检测的目标信息及基于卡尔曼滤波跟踪目标；根据在目标时间戳下目标的位置信息及列车的行驶速度建立基于视觉探测的目标运动时空轨迹；获取毫米波雷达对目标的跟踪结果，建立基于毫米波探测的目标运动时空轨迹；预测在激光雷达采集数据时刻下目标的位置信息，辅助激光雷达缩小探测范围并建立候选目标输出队列；对候选目标进行输出。本发明的方法，促进了双目相机、激光雷达与毫米波雷达进行时间异步数据融合，克服了多传感器时间异步及通信时延引起的偏差，实现了不同传感器间协同工作、优势共享。
-
公开(公告)号：CN115576732B
公开(公告)日：2023-03-10
申请号：CN202211427061.7
申请日：2022-11-15
Abstract: 本说明书实施例提供根因定位方法以及系统，其中所述根因定位方法包括：获取在故障时间点虚拟机集群中虚拟机的流量变化信息；根据所述流量变化信息在所述虚拟机集群中筛选出候选虚拟机，并加载所述候选虚拟机关联所述故障时间点的历史数据；根据所述历史数据确定所述候选虚拟机在预设根因定位维度的异常信息；基于所述异常信息在所述候选虚拟机中确定目标虚拟机。
-
公开(公告)号：CN115514620A
公开(公告)日：2022-12-23
申请号：CN202211427145.0
申请日：2022-11-15
IPC: H04L41/0631 , H04L67/10
Abstract: 本发明实施例提供了一种异常检测的方法和云网络平台，所述方法包括：获取在虚拟网络设备变更开始后采集的实时流量数据；在所述实时流量数据为具有时序特征的流量数据的情况下，将实时流量数据输入预先训练的数据模型，并根据实时流量数据和所述数据模型输出针对所述实时流量数据的重构结果，生成第一偏差数据；根据所述第一偏差数据和预先确定的异常数据阈值，生成异常检测结果。通过本发明实施例，实现了对虚拟网络设备变更导致网络流量异常的检测优化，能够满足大规模网络中对不同类型设备的通用性要求，有利于建立统一的网络变更管理平台，进而能够通过统一的网络变更管理平台实现对全网各类变更的虚拟网络设备进行统一的、自适应的异常检测。
-
公开(公告)号：CN115277464A
公开(公告)日：2022-11-01
申请号：CN202210520263.X
申请日：2022-05-13
IPC: H04L43/04 , H04L41/0631 , H04L41/16
Abstract: 本申请提出了一种基于多维时间序列分析的云网络变更流量异常检测方法，涉及数据分析技术领域，其中，该方法包括：将云网络变更流量处理为多维时间序列，并检测所述多维时间序列的每个时间维度中包含的突刺点；根据序列的每个时间维度中包含的突刺点对多维时间序列进行突刺平滑处理，得到目标时间序列；对目标时间序列的每个维度的数据进行异常检测，得到异常检测结果；对多维时间序列中的所有时间维度进行分类，根据分类结果对异常检测结果进行汇总，得到变更异常判别结果。采用上述方案的本申请能够提高异常检测准确率，进而更好地保证大规模云网络的稳定运行、提高云网络的服务质量。
-
Patent Agency Ranking
公开(公告)号：CN112270346B
公开(公告)日：2023-09-01
申请号：CN202011127566.2
申请日：2020-10-20
Applicant: 清华大学
IPC: G06F18/241 , G06F18/214 , G06N3/0464 , G06N3/0895
Abstract: 本发明公开了一种基于半监督学习的物联网设备识别方法及装置，该方法包括：获取待识别设备的流量信息，通过特征抽取得到所述待识别设备的原始特征；将所述原始特征输入卷积神经网络得到嵌入特征，将所述嵌入特征输入两个全连接层，根据所述两个全连接层的输出结果识别所述待识别设备类型。该方法解决了有监督机器学习方法需要大量标签的问题，设计了一种半监督学习的物联网设备识别方法，能够利用少量有标签数据在被动流量中达到较高的设备识别精度且能发现新的设备类型。
-
公开(公告)号：CN115086204B
公开(公告)日：2023-06-13
申请号：CN202210432294.X
申请日：2022-04-22
IPC: H04L43/12 , H04L43/0864 , H04L43/0829
Abstract: 本发明公开了一种Overlay网络高可靠多因子网络质量评估方法和装置，其中，该方法包括：探测阶段将目标Overlay网络链路的源节点记为A，目的节点记为B，分别做正向探测和反向探测得到往返时延和丢包率；聚合阶段将通过正向和反向探测的往返时延和丢包率进行聚合作为探测阶段链路质量；评价阶段通过链路质量计算公式对链路质量进行计算，根据计算结果进行链路质量评价，并根据提供链路的运营商因子修正链路质量评价的计算结果，以完成多因子网络质量测量与评价。本发明包含节点之间的正向探测和反向探测，考虑了设备故障的情况，探测结果会更加可靠。在评价链路质量过程中除了往返时延和丢包率外还结合了运营商因子，评价结果更符合真实链路质量。
-
公开(公告)号：CN115277464B
公开(公告)日：2023-06-02
申请号：CN202210520263.X
申请日：2022-05-13
IPC: H04L43/04 , H04L41/0631 , H04L41/16
Abstract: 本申请提出了一种基于多维时间序列分析的云网络变更流量异常检测方法，涉及数据分析技术领域，其中，该方法包括：将云网络变更流量处理为多维时间序列，并检测所述多维时间序列的每个时间维度中包含的突刺点；根据序列的每个时间维度中包含的突刺点对多维时间序列进行突刺平滑处理，得到目标时间序列；对目标时间序列的每个维度的数据进行异常检测，得到异常检测结果；对多维时间序列中的所有时间维度进行分类，根据分类结果对异常检测结果进行汇总，得到变更异常判别结果。采用上述方案的本申请能够提高异常检测准确率，进而更好地保证大规模云网络的稳定运行、提高云网络的服务质量。
-
公开(公告)号：CN115514620B
公开(公告)日：2023-03-10
申请号：CN202211427145.0
申请日：2022-11-15
IPC: H04L41/0631 , H04L67/10
Abstract: 本发明实施例提供了一种异常检测的方法和云网络平台，所述方法包括：获取在虚拟网络设备变更开始后采集的实时流量数据；在所述实时流量数据为具有时序特征的流量数据的情况下，将实时流量数据输入预先训练的数据模型，并根据实时流量数据和所述数据模型输出针对所述实时流量数据的重构结果，生成第一偏差数据；根据所述第一偏差数据和预先确定的异常数据阈值，生成异常检测结果。通过本发明实施例，实现了对虚拟网络设备变更导致网络流量异常的检测优化，能够满足大规模网络中对不同类型设备的通用性要求，有利于建立统一的网络变更管理平台，进而能够通过统一的网络变更管理平台实现对全网各类变更的虚拟网络设备进行统一的、自适应的异常检测。
-
公开(公告)号：CN115086204A
公开(公告)日：2022-09-20
申请号：CN202210432294.X
申请日：2022-04-22
IPC: H04L43/12 , H04L43/0864 , H04L43/0829
Abstract: 本发明公开了一种Overlay网络高可靠多因子网络质量评估方法和装置，其中，该方法包括：探测阶段将目标Overlay网络链路的源节点记为A，目的节点记为B，分别做正向探测和反向探测得到往返时延和丢包率；聚合阶段将通过正向和反向探测的往返时延和丢包率进行聚合作为探测阶段链路质量；评价阶段通过链路质量计算公式对链路质量进行计算，根据计算结果进行链路质量评价，并根据提供链路的运营商因子修正链路质量评价的计算结果，以完成多因子网络质量测量与评价。本发明包含节点之间的正向探测和反向探测，考虑了设备故障的情况，探测结果会更加可靠。在评价链路质量过程中除了往返时延和丢包率外还结合了运营商因子，评价结果更符合真实链路质量。
-
-
-
-
-
-
-
-
-
Search Results
32
records
(took 0.019 seconds)
