-
公开(公告)号：CN111814079A
公开(公告)日：2020-10-23
申请号：CN202010637805.2
申请日：2020-07-03
Applicant: 福州大学
IPC: G06F16/9537 , G06K9/62 , H04L29/08
Abstract: 本发明涉及一种结合聚类与CMAB的群智感知车联网用户筛选方法。该方法包括：对车联网用户行车轨迹进行用户轨迹聚类特征的构建；利用CMAB模型，将轨迹聚类信息作为用户任务分配的依据，求解最佳工作者组合；根据真实出租车轨迹数据集对该方法进行验证分析。本发明将用户轨迹信息与CMAB模型相结合的用户筛选方法，克服了参与感知任务的用户技能水平不高而导致的感知数据质量差的现象，能使所选出的工作者集合具有相近的行车轨迹；同时该方法可以使得基于用户筛选结果的任务分配算法更快更早地趋于稳定。故适用于实际应用场景中。
-
公开(公告)号：CN111082973A
公开(公告)日：2020-04-28
申请号：CN201911179577.2
申请日：2019-11-27
Applicant: 福州大学
Abstract: 本发明涉及一种基于杠杆采样的网络时延估计方法，包括以下步骤：步骤S1：采集端到端网络的时延数据，并构造为张量模型；步骤S2：在预设的时间间隙内，随机选择网络中的节点对测量其时延数据；步骤S3：根据测量到的时延数据，计算时延张量的杠杆分数以及下一时隙各节点对的采样概率；步骤S4：根据杠杆分数选择分数大于阈值的节点对并测量其时延；步骤S5：重复步骤S3和S4直到采样完成，得到相应的采样值；步骤S6：根据得到的采样值，利用基于张量奇异值分解的交替方向乘子法进行张量填充，估计未知的网络时延数据。本发明利用网络时延数据的时空相关性，以低的采样成本精确估计未知的网络时延数据，克服了现有方法采样成本高，恢复精度低的问题。
-
公开(公告)号：CN106131154B
公开(公告)日：2019-06-07
申请号：CN201610503784.9
申请日：2016-06-30
Applicant: 福州大学
IPC: H04L29/08
Abstract: 本发明涉及一种移动无线传感器网络中基于核函数的压缩数据收集方法，其特征在于，包括以下步骤：步骤S01：基于随机游走算法收集传感器节点的数据；步骤S02：根据所述随机游走算法设计随机测量矩阵；步骤S03：设计稀疏表示矩阵；步骤S04：根据所述随机测量矩阵与稀疏表示矩阵对步骤S01收集到的传感器节点的数据进行压缩感知恢复。本发明提高了数据收集的效率，降低了节点能耗，减少了数据的收集时间，提高了数据收集的可靠性，进而延长网络的生命周期。
-
公开(公告)号：CN108898527A
公开(公告)日：2018-11-27
申请号：CN201810643268.5
申请日：2018-06-21
Applicant: 福州大学
Abstract: 本发明涉及一种基于有损测量的生成模型的交通数据填充方法。考虑到临近时刻交通数据与大量的历史数据有助于提高交通数据的恢复精度，该方法将3D卷积神经网络与基于有损测量的生成模型相结合，构造一种新型网络模型，以实现交通数据的填充；本发明的优势是可以利用残缺数据进行训练，实现交通流丢失数据的恢复；本发明通过衡量已知点的真实数据和生成数据之间的差异，并采用最小化损失函数来获取生成网络的最优输入，从而获取最优的生成数据，以实现交通流数据的恢复；本发明方法克服了传统方法无法利用残缺数据进行训练的缺点，同时充分利用历史的交通流数据并有效地提取交通流数据的时空特性，从而提升了交通流数据的恢复精确度。
-
公开(公告)号：CN118135514A
公开(公告)日：2024-06-04
申请号：CN202410073107.2
申请日：2024-01-18
Applicant: 福州大学
Abstract: 本发明提供一种单车多传感器信息融合的3D目标检测方法，包括：步骤S1、使用传统点云3D目标检测算法提取出目标场景中的ROI；步骤S2、利用各个ROI的中心位置与激光雷达位置之间的协方差指导利用步骤S1生成的ROI对伪点云的裁剪，得到伪点云ROI区域；步骤S3、对裁剪完成的伪点云ROI区域利用分数阶Gabor卷积网络进行多层次多尺度特征提取；步骤S4、利用分数阶傅里叶变换交插注意力机制，融合原始点云ROI区域与伪点云ROI区域的特征，得到最终的目标ROI特征；步骤S5、利用最终的目标ROI特征生成类置信度和边界框。针对伪点云可以进行更好的特征捕捉与和点云的有效融合，从而提高3D目标检测的准确性。
-
Patent Agency Ranking
公开(公告)号：CN117746371A
公开(公告)日：2024-03-22
申请号：CN202311785028.6
申请日：2023-12-22
Applicant: 福州大学
IPC: G06V20/56 , G01S17/88 , G06V20/64 , G06V10/44 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/096
Abstract: 本发明涉及一种面向实时场景补全的占据网络。使用自动选帧算法选择最优的未来2帧激光雷达点云，并将第3帧（当前帧）和过去的相邻2帧激光雷达点云对齐到第3帧激光雷达点云的坐标系下；通过体素化分别将5帧激光雷达点云和第3帧激光雷达点云转换为3D占据网格，作为教师网络和学生网络的输入；输入经过教师网络和学生网络，得到通过3D编码器和多尺度空洞卷积解码器后的占据网格特征；通过NST（Neutron Selectivity Transfer）知识蒸馏损失函数，计算两个占据网格特征之间的相关性，强迫学生网络学习教师网络的特性；通过全连接共享占据网格中每个体素之间的特征，并将占据网格进行上采样，得到最精细的占据网格。本发明有效的提升了对小物体、大物体目标的补全性能。
-
公开(公告)号：CN116862962A
公开(公告)日：2023-10-10
申请号：CN202310867586.0
申请日：2023-07-15
Applicant: 福州大学
Abstract: 本发明涉及一种基于双注意力机制的三维点云配准方法。步骤S1：使用多层下采样对输入两帧点云操作获取不同稀疏度的点云；步骤S2：不同稀疏度的点云根据对应点匹配模块计算两帧点云的对应关系；步骤S3：匹配点对的特征映射经过双注意力机制到描述符特征模块得出描述符特征；步骤S4：对应点匹配模块输出的置信矩阵和描述符特征模块输出经过奇异值分解模块求出旋转变换矩阵；步骤S5：最后一层下采样层计算旋转变换矩阵作为粗配准过程，再通过精配准过程的权重配比策略对粗配准结果进行精细化。本发明在基于深度学习的点云配准框架中，针对关注不同层次的特征影响引入双注意力机制，为解决配准误差积累设计了权重配比策略，避免误差积累情况的发生。
-
公开(公告)号：CN110909865B
公开(公告)日：2022-08-30
申请号：CN201911125638.7
申请日：2019-11-18
Applicant: 福州大学
Abstract: 本发明涉及一种边缘计算中基于分层张量分解的联邦学习方法。步骤S1：在云端设计有效的深度神经网络共享模型；步骤S2：根据分层张量分解方法对设计的共享模型进行压缩得到分层共享模型；步骤S3：设计分层共享模型对应的正向传播算法和反向传播算法；步骤S4：在云端对分层共享模型进行初始化并下发至参与训练的边缘节点；步骤S5：参与训练的边缘节点利用本地数据集，并根据S3设计的算法对S2得到的分层共享模型进行学习。步骤S6：在云端通过平均聚合的方式对边缘模型进行聚合。本发明在保护用户隐私的前提下实现了共享模型的分布式训练，减少分布式训练时对网络带宽的需求，降低了边缘节点的通信能耗。
-
公开(公告)号：CN114900836A
公开(公告)日：2022-08-12
申请号：CN202210496136.0
申请日：2022-05-09
Applicant: 福州大学
IPC: H04W12/122 , H04W52/24 , H04W52/38 , H04B7/145 , H04K3/00
Abstract: 本发明提出一种基于智能反射面和独立干扰机的隐蔽通信方法，针对智能反射面辅助的隐蔽通信系统，考虑在有限码长的场景下引入由大量无源反射单元组成的智能反射面，对发射机的发射功率与智能反射面的反射系数进行联合优化，改变发射机和接收机之间的信道环境，以最大化接收机处的接收信干噪比，确保信息的隐蔽传输。
-
公开(公告)号：CN113240904B
公开(公告)日：2022-06-14
申请号：CN202110497806.6
申请日：2021-05-08
Applicant: 福州大学
Abstract: 本发明涉及一种基于特征融合的交通流预测方法，包括如下步骤：步骤S1:获取历史交通数据，并进行时空相关性分析；步骤S2:根据得到的时空相关性，利用图卷积神经网络与卷积神经网络分别进行空时特征提取;步骤S3:构建基于卷积的特征融合模型和基于低秩多模态的特征融合模型,并对交通数据的时空特征，预测交通流量；步骤S4:根据真实交通流量对比预测交通流量调整模型的参数，降低损失，优化模型,得到最优的预测模型；步骤S5:将实时交通数据通过步骤S1‑S2处理后，输入最优的预测模型，得到预测的交通流量。本发明有效提升了模型在交通数据异常情况下预测性能的鲁棒性和在正常情况下的预测精度。
-
-
-
-
-
-
-
-
-
Search Results
60
records
(took 0.017 seconds)
