-
公开(公告)号：CN114721412A
公开(公告)日：2022-07-08
申请号：CN202210263895.2
申请日：2022-03-16
Applicant: 北京理工大学
Abstract: 本发明公开了一种基于模型预测控制的无人机轨迹跟踪避障方法，采用了MINVO基获取障碍物预测轨迹的外多面体，采用分隔平面作为在线优化变量，将无人机的预测轨迹与障碍物集分离，完成无人机位置控制。通过对避障约束的转化求解，可以直观的体现避障约束的效果，提高无人机在轨迹跟踪过程中的避障成功率。内环即姿态控制采用了一阶控制器，保证了无人机避障轨迹跟踪控制的完整性。同时考虑系统的状态约束、控制约束以及参考轨迹，通过模型预测控制对外环进行控制，并设计合理的终端成本、终端控制器和终端约束条件，构建优化模型，证明算法的可行性。
-
公开(公告)号：CN114332542A
公开(公告)日：2022-04-12
申请号：CN202210003247.3
申请日：2022-01-04
Applicant: 北京理工大学
IPC: G06V10/764 , G06K9/62 , G06V10/774
Abstract: 本发明公开了一种基于STA‑ADMM的极限学习机的图像分类方法，通过将极限学习机的网络结构与基于状态转移的ADMM算法相结合，在求解输出权重矩阵的时候利用不同的状态变换以及ADMM算子进行状态更新，不断向优化目标靠近得到输出权重矩阵。在保留传统极限学习机网络结构简单与随机生成参数等特点的同时，可以在图像识别方面具有更好的训练精度，并且模型训练耗费时间更少，这为机器学习算法及图像识别的改进优化提供了新思路和新途径。
-
公开(公告)号：CN114299345A
公开(公告)日：2022-04-08
申请号：CN202210002299.9
申请日：2022-01-04
Applicant: 北京理工大学
IPC: G06V10/764 , G06K9/62 , G06V10/774
Abstract: 本发明公开了一种基于跟踪微分器的极限学习机的图像分类方法，通过将跟踪微分器与极限学习机算法相结合，在求解输出权重矩阵的时候利用不同算子以及跟踪微分器原理对输出权重矩阵进行迭代更新，不断得到矩阵方程的更优解。在保留传统极限学习机网络结构简单与随机生成参数等特点的同时，可以在图像识别方面具有更好的训练精度，并且模型训练耗费时间更少，这为机器学习算法及图像识别的改进优化提供了新思路和新途径。
-
公开(公告)号：CN113408610A
公开(公告)日：2021-09-17
申请号：CN202110675498.1
申请日：2021-06-18
Applicant: 北京理工大学
Abstract: 本发明公开了一种基于自适应矩阵迭代极限学习机的图像识别方法，将传统极限学习机的网络结构与自适应的矩阵迭代方式相结合，在求解输出权重矩阵的时候利用收敛因子自适应的矩阵迭代方式收敛得到输出权重矩阵，因此在保留传统极限学习机网络结构简单与随机生成参数等特点的同时，在图像识别方面具有更好的训练精度，且占用计算资源和耗费时间更少，这为机器学习算法及图像识别的改进优化提供了新思路和新途径。
-
公开(公告)号：CN109696669A
公开(公告)日：2019-04-30
申请号：CN201811582146.6
申请日：2018-12-24
Applicant: 北京理工大学
Abstract: 本发明属于信息处理方面多传感器信息融合技术领域。所选方法在相关噪声环境下，基于一类线性动态系统，以雷达目标跟踪为背景，以获得高精度的目标信息为目标，研究其事件触发的Kalman滤波状态估计和多传感器顺序式数据融合问题。其特征在于技术上使用事件触发采样策略，能够减少网络带宽占用，节省数据传输能耗；针对噪声相关环境，能够降低能耗并及时充分的利用观测数据进行最优估计。获得的估计值是线性最小方差意义下最优的。通过计算机仿真实验测试了发明方法的可行性和有效性。本发明所提出的方法在许多应用领域具有潜在的价值，如雷达目标跟踪、组合导航、故障检测、过程监控等。
-
Patent Agency Ranking
公开(公告)号：CN109445906A
公开(公告)日：2019-03-08
申请号：CN201811184223.2
申请日：2018-10-11
Applicant: 北京理工大学
Abstract: 本发明公开了一种虚拟机需求数量预测方法。使用本发明能够实现虚拟机需求数量预测，同时为更准确地进行虚拟机需求预测提供了新思路和新途径。本发明中，通过在现有增量型极限学习机模型中加入动量项将网络训练误差反馈到隐含层的输出中使预测结果更逼近输出样本，能够减少增量型极限学习机的冗余隐含层节点，从而加快增量型极限学习机的网络收敛速度；通过引入优化解，即在训练过程中通过随机产生的输出权值并结合网络训练误差、输入样本，计算出更优的隐含层节点参数，包括输入权值、阈值、输出权值、网络训练误差，能够优化网络结构，提高网络训练过程的稳定性，从而有效降低网络训练误差。
-
公开(公告)号：CN108010321A
公开(公告)日：2018-05-08
申请号：CN201711418205.1
申请日：2017-12-25
Applicant: 北京理工大学
Abstract: 本发明公开了一种交通流预测方法，能够降低数据复杂度并提高预测精度。本发明实施例提供的交通流预测方法包括如下步骤：采集获取实时交通流数据，并利用变分模态分解将实时交通流数据分解成设定数量的具有不同特征尺度的限带的本征模态分量；本征模态分量的数量设定为使得所有本征模态分量的估计带宽之和最小。采用增量型超限学习机网络，建立针对各本征模态分量的预测模型，并采用预先采集的历史交通流数据对预测模型进行训练。利用训练后的预测模型，对各本征模态分量进行交通流预测，将所有本征模态分量的预测结果累加得到最终的交通流预测结果。
-
公开(公告)号：CN119618237A
公开(公告)日：2025-03-14
申请号：CN202411814611.X
申请日：2024-12-11
Applicant: 北京理工大学
IPC: G01C21/30
Abstract: 本发明公开了一种基于几何特征的实时地图匹配方法，基于高精度地图的网格化处理建立目标车辆的几何特征，根据目标车辆的全局UTM坐标确定目标车辆当前的候选匹配道路集合，遍历该集合，依次计算目标车辆当前状态与每条候选道路中的所有车道之间的相似度，选择相似度最高的车道作为匹配结果，再根据该匹配结果计算目标车辆在基于道路参考线建立的坐标系中相对于匹配道路坐标，综合考虑了距离与方向两类信息衡量车辆当前状态与车道中心线的相似度，基于几何特征的地图匹配算法有效缩小了地图匹配候选车道范围，从而提高了地图匹配效率保证了匹配过程的实时性。
-
公开(公告)号：CN113723517B
公开(公告)日：2024-11-22
申请号：CN202111013063.7
申请日：2021-08-31
Applicant: 北京理工大学
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06N20/00
Abstract: 本发明公开了一种基于状态转移极限学习机的图像分类方法，通过将传统极限学习机的网络结构与状态转移算法相结合，在求解输出权重矩阵的时候利用不同的状态变换算子进行状态更新，不断向优化目标靠近得到输出权重矩阵，在保留传统极限学习机网络结构简单与随机生成参数等特点的同时，可在图像分类方面具有更好的训练精度，并且模型训练耗费时间更少，这为机器学习算法及图像分类的改进优化提供了新思路和新途径。
-
公开(公告)号：CN114494771B
公开(公告)日：2024-06-07
申请号：CN202210036245.4
申请日：2022-01-10
Inventor： 翟弟华 , 王永康 , 夏元清 , 詹玉峰 , 邹伟东 , 刘坤 , 戴荔 , 吴楚格 , 郭泽华 , 李怡然 , 张元 , 张金会 , 闫莉萍 , 孙中奇 , 崔冰 , 高寒 , 杨辰 , 王力 , 史运涛 , 董哲
IPC: G06V10/764 , G06V10/74 , G06V10/762 , G06V10/77 , G06V10/82 , G06N3/098
Abstract: 本发明公开了一种可防御后门攻击的联邦学习图像分类方法，采用矩阵降维和聚类算法对Worker节点提交的梯度进行处理，最后选择正常的Worker节点提交的梯度参与聚合，从而完全避免了后门植入全局模型的可能性，此外，本发明所用的方法是一种无监督方法，适用于联邦学习场景，可广泛应用在联邦学习防御中，提高联邦学习的鲁棒性。
-
-
-
-
-
-
-
-
-
Search Results
144
records
(took 0.093 seconds)
