-
公开(公告)号：CN118485232A
公开(公告)日：2024-08-13
申请号：CN202410491952.1
申请日：2024-04-23
Applicant: 中国科学院深圳先进技术研究院
IPC: G06Q10/0631 , G06Q30/0201 , G06Q50/06
Abstract: 本申请适用能源调度技术领域，提供了一种综合能源系统的能源优化调度方法、存储介质和处理器。本申请设计了一个合作的斯塔克尔伯格博弈模型，用以提高综合能源系统的运行效率。在此模型中，多个微电网作为零售商的追随者参与进来，它们含有柴油发动机、光伏系统和电池存储单元等实体，能够在模型指导下进行能源间的优化分配和交易，以促进综合能源系统的能源调度协同优化，确保能源供应与需求之间的有效平衡。
-
公开(公告)号：CN117764662A
公开(公告)日：2024-03-26
申请号：CN202211124335.5
申请日：2022-09-15
Applicant: 中国科学院深圳先进技术研究院
IPC: G06Q30/0601 , G06F16/38 , G06N20/00
Abstract: 本申请提出了一种基于强化学习方法的模型训练方法、关键词推荐方法、终端设备以及计算机可读存储介质。该模型训练方法包括：获取电商平台推荐商品的第一关键词组合；基于电商平台推荐的商品，获取第一用户反馈；将电商平台推荐商品的第一关键词组合及与商品相对应的第一用户反馈，作为强化学习算法模型的输入，对所述强化学习算法模型进行训练，以获得与所述电商平台的推荐算法相匹配的强化学习算法模型，输出相应的关键词组合。本申请通过基于强化学习算法模型的模型训练方法使用强化学习的方法，在动态交互的过程中，实时对模型进行训练，以生成和电商平台的推荐算法最匹配的关键词序列。
-
公开(公告)号：CN117575239A
公开(公告)日：2024-02-20
申请号：CN202311559015.7
申请日：2023-11-21
Applicant: 中国科学院深圳先进技术研究院
IPC: G06Q10/0631 , G06Q50/04
Abstract: 本申请涉及面向产业链的资源调度技术领域，揭示了一种面向产业链的资源调度方法、装置、计算机设备及介质，所述方法包括：通过获取各个第一企业各自的资源需求任务信息以及多重产业链模型；根据各个第一企业各自的资源需求任务信息、各个第一企业各自的历史交易信息，对各个资源信息任务进行优先级排序，得到排序结果；基于排序结果、多重产业链模型和资源池进行匹配，得到匹配结果，并基于匹配结果进行资源调度，其中，资源池包括各个第二企业各自的资源提供任务信息，能够通过多重产业链模型、资源池，实现对第一企业各自的资源需求任务信息以及第二企业各自的资源提供任务信息的资源调度，提高资源分配的效率，利于企业与企业之间共赢。
-
公开(公告)号：CN110991365B
公开(公告)日：2024-02-20
申请号：CN201911249221.1
申请日：2019-12-09
Applicant: 中国科学院深圳先进技术研究院
IPC: G06V20/40 , G06V10/26 , G06V10/764 , G06V10/82
Abstract: 本申请涉及一种视频运动信息获取方法、系统及电子设备。包括：通过当前帧预测周围帧的方法对视频运动信息构建网络模型；向构建的网络模型输入单帧图像，网络模型根据损失函数输出该单帧图像对应的周围帧图像；其中，每个单独损失函数是每张图像每个像素均方根误差：#imgabs0##imgabs1#总的损失函数L为：L＝LT+α1(LT+1+LT‑1)+α2(LT+2+LT‑2)+α3(LT+3+LT‑3)…+αn(LT+n+LT‑n)。本申请通过利用当前帧预测周围帧的方法获取视频的运动信息，帮助理解视频中的运动物体，实现简单，无需对原网络结构做改动，不会增加参数量，不增加网络的计算量，也没有增加额外的存储量，速度更快，计算成本小。
-
公开(公告)号：CN111882270B
公开(公告)日：2024-01-05
申请号：CN202010685898.6
申请日：2020-07-16
Applicant: 中国科学院深圳先进技术研究院
IPC: G06Q10/083 , G06Q10/04
Abstract: 本申请涉及一种在线装箱方法、终端及存储介质。所述方法包括：获取执行装箱任务的箱子的第一尺寸、待装箱物品的占用空间以及所述箱子中已装物品的已占用空间，根据所述第一尺寸、所述占用空间以及所述已占用空间获取所述待装箱物品的可摆放空间；根据所述可摆放空间的顶点位置，在至少一个所述可摆放空间中确定所述待装箱物品的目标摆放空间；获取所述目标摆放空间对应的目标摆放姿态，以使得所述待装箱物品以所述目标摆放姿态被摆放至所述目标摆放空间；其中，所述可摆放空间与所述占用空间大小一致。本申请可以尽可能地节省使用箱子的数目，节省物品运输成本。
-
Patent Agency Ranking
公开(公告)号：CN113691510A
公开(公告)日：2021-11-23
申请号：CN202110909822.1
申请日：2021-08-09
Applicant: 中国科学院深圳先进技术研究院
Abstract: 本申请涉及跨域信息访问技术领域，具体涉及一种本申请的跨域访问控制方法、系统、存储介质及设备，方法包括：主系统实时监听用户端信息请求信号；主系统发送请求头标识信号至若干子系统；若干子系统判断请求头标识信号是否能被识别；当请求头标识信号能被识别时，若干子系统发送加密的目标文件至主系统的前端，同时将用于解密目标文件的密钥发送至主系统的后端；主系统通过密钥对目标文件进行解密，并将解密后的目标文件发送至用户端。通过各子系统实现目标文件或目标信息的存储和加密，主系统负责控制和监控整个过程数据的安全传输，以达到不同域的用户可以根据各自的职责访问系统中的文件或信息的目的，且满足基本的安全需求。
-
公开(公告)号：CN113676455A
公开(公告)日：2021-11-19
申请号：CN202110830145.4
申请日：2021-07-22
Applicant: 中国科学院深圳先进技术研究院
IPC: H04L29/06
Abstract: 本申请涉及一种自适应跨域访问认证方法、系统、终端以及存储介质。所述方法包括：收集访问者的子系统跨域访问数据；所述跨域访问数据包括所述访问者的账号权限、登录IP、访问场景、调动资源情况、跨域访问系统间密切程度；将所述跨域访问数据输入训练好的自适应跨域访问权限网络，通过所述自适应跨域访问权限网络输出访问者的访问权限等级；所述访问权限等级包括信任、正常、风险以及异常；根据所述访问权限等级控制所述访问者对子系统的访问。本申请实施例可以得到更全面的登录信息，使得判别结果更加准确，并提高了运行效率，降低了运行成本和维修成本。
-
公开(公告)号：CN111951333A
公开(公告)日：2020-11-17
申请号：CN202010734849.7
申请日：2020-07-27
Applicant: 中国科学院深圳先进技术研究院
Abstract: 本申请涉及一种六维姿态数据集自动生成方法、系统、终端以及存储介质。包括：构建基于OpenGL虚拟环境的数据集自动生成平台；获取物体的三维模型以及所述三维模型的六维姿态参数，并将所述三维模型以及六维姿态参数导入所述数据集自动生成平台；所述数据集自动生成平台根据所述六维姿态参数控制所述三维模型在OpenGL虚拟环境中变动姿态，并通过虚拟相机采集所述三维模型在各个六维姿态下的形态，生成各个六维姿态下所述物体的RGB彩色图像和对应的深度图像，并标注所述图像的六维姿态标签。本申请通过简单的操作以高效的生成物体不同六维姿态下的RGB彩色图像和深度图像以及六维姿态标签，耗时低，并节约了人力和金钱的成本消耗。
-
公开(公告)号：CN111047596A
公开(公告)日：2020-04-21
申请号：CN201911289830.X
申请日：2019-12-12
Applicant: 中国科学院深圳先进技术研究院
Abstract: 本申请涉及一种三维点云实例分割方法、系统及电子设备。包括：步骤a：向点云实例分割模型输入点云数据，分割模型对点云数据进行特征提取，并输出点云数据的语义分割标签，以及每个点的高维向量；步骤b：对每个点的物体类别进行预测，将点嵌入至高维向量中；步骤c：在完成向量嵌入后，通过种子点选择网络对每个点的“种子性”进行预测，选取较好的种子点作为基准点生成实例，得到每个点的实例标签。本申请通过加入种子点选择网络，对点云数据中的各个点进行“种子性”判断，进而选择出较好的种子点生成proposal，从而实现更好的实例分割，对网络模型的后处理有明显的提速作用，解决了当前点云实例分割技术准确率不高、效率低下的问题。
-
公开(公告)号：CN110751265A
公开(公告)日：2020-02-04
申请号：CN201910904649.9
申请日：2019-09-24
Applicant: 中国科学院深圳先进技术研究院
Abstract: 本申请涉及一种轻量型神经网络构建方法、系统及电子设备。包括：步骤a：使用张量火车分解算法对深度可分离卷积中的1×1卷积参数矩阵进行分解；步骤b：使用权重量化算法对张量分解后的矩阵核参数进行量化操作，得到优化后的深度可分离卷积；步骤c：使用优化后的深度可分离卷积构建轻量型神经网络。本申请通过使用张量火车分解算法对深度可分离卷积的1×1卷积进行压缩，保持了模型性能的同时，大大减少了深度可分离卷积的参数量。通过使用权重量化算法将张量分解后的核矩阵参数从32bit量化至低比特，减少了模型的计算量并加快了模型的前向推断速度，由此构建的轻量型神经网络能够更好的部署在计算量和存储量有限的嵌入式设备上。
-
-
-
-
-
-
-
-
-
Search Results
69
records
(took 0.051 seconds)
