空气净化部件及具有空气自净化功能的装置

    公开(公告)号:CN101785872A

    公开(公告)日:2010-07-28

    申请号:CN201010107307.3

    申请日:2010-02-09

    Applicant: 清华大学

    Inventor: 张彭义 张博

    Abstract: 本发明公开了一种空气净化部件,包括:过滤单元,用于过滤被污染的空气;催化降解单元,所述催化降解单元可产生臭氧并进行光催化反应,以对被过滤的空气进行催化和降解;以及臭氧分解净化单元,所述臭氧分解净化单元用于净化被催化和降解的空气中的臭氧,并释放被净化的空气。本发明进一步公开了一种具有空气自净化功能的装置。本发明充分发挥真空紫外光催化的能耗低、降解率高的优势,对污染气体进行充分降解,同时结合臭氧催化分解技术对其产生的二次污染物和多余臭氧进行深度净化,从而降低了污染空气对环境的危害,给工作人员提供了更健康的工作环境。

    事件相机辅助的视频快照压缩成像方法、装置和电子设备

    公开(公告)号:CN119946452A

    公开(公告)日:2025-05-06

    申请号:CN202411708085.9

    申请日:2024-11-26

    Applicant: 清华大学

    Abstract: 本申请涉及计算摄像学与计算机视觉技术领域,特别涉及一种事件相机辅助的视频快照压缩成像方法、装置和电子设备,方法包括:利用预先搭建的双路成像光学系统中的第一路采集通道采集待成像目标的强度快照,并利用预先搭建的双路成像光学系统中的第二路采集通道采集待成像目标的事件体素;基于预先训练的重构网络模型,对强度快照和事件体素进行重建得到重建视频帧和插值视频帧;根据重建视频帧和插值视频帧的生成待成像目标的最终视频帧。由此,解决了高度压缩的测量在面对剧烈而快速的运动时,重建的视频帧容易产生不连续的运动细节等问题,降低高维视觉信号采集带宽,降低高速视觉信号的采集带宽,并对低照度超高速场景进行高质量的高帧率成像。

    基于深度学习的弱光视频降噪方法及装置

    公开(公告)号:CN112053291B

    公开(公告)日:2023-04-18

    申请号:CN202010698138.9

    申请日:2020-07-20

    Applicant: 清华大学

    Abstract: 本发明公开了一种基于深度学习的弱光视频降噪方法及装置,其中,该方法包括:在待处理视频的每帧图片中,利用目标检测模型,获取多个带有类别标签的目标检测框;通过非全局搜索算法,对于每帧图片中的每类目标检测框区域中的像素点所对应的图片块,在相邻帧的同类目标检测框区域中计算各个像素点的多个与其相似的图片块组成图片块集合;将得到的图片块集合中的中心像素聚集起来构成特征向量,将特征向量输入去噪模型后得到目标检测框对应的去噪图像。该方法运用深度学习中卷积神经网络的方法构建一个高效的弱光视频去噪模型,实现从弱光视频中检测目标,并对目标区域进行去噪。

    一种干道交通信号的网联优化控制方法

    公开(公告)号:CN111915890B

    公开(公告)日:2022-08-12

    申请号:CN202010720893.2

    申请日:2020-07-24

    Abstract: 本发明涉及一种干道交通信号的网联优化控制方法,属于智能交通流控制技术领域。本方法包括将网联控制问题建模,通过引入一致性变量将问题解耦构建为一致性优化问题,利用交替方向乘子法实现并行计算,并行更新原始变量、一致性变量和对偶变量,直至满足设定的终止条件,将计算所得的信号灯控制量发送给各个信号灯进行执行。本方法的每一步计算都可以分别在各自信号灯的计算节点上进行,实现了问题求解的并行化。本方法有效地提高了计算求解效率,计算复杂度与路口数量无关,从而更适合大规模干道交通信号的协同控制。本发明的干道交通信号的网联优化控制方法,提升了控制效率,实现实时控制,缓解了交通拥堵等问题,有助于提高交通效率。

    一种基于神经网络的毫米波雷达探测目标成像方法

    公开(公告)号:CN110275163B

    公开(公告)日:2020-11-27

    申请号:CN201910574031.0

    申请日:2019-06-28

    Applicant: 清华大学

    Inventor: 张雷 张博

    Abstract: 本发明涉及一种基于神经网络的毫米波雷达阵列成像方法,属于自动驾驶技术领域。本方法首先通过毫米波雷达阵列得到原始信号数据,通过激光雷达得到环境点云数据,对经过傅里叶变换后得到初始的特征矩阵,对点云数据做坐标变换后得到以毫米波雷达阵列的安装位置为坐标原点为的点云数据,利用卷积神经网络构建毫米波雷达阵列成像模型,使用毫米波雷达信号的特征矩阵和以毫米波雷达阵列的安装位置为坐标原点为的点云数据训练毫米波雷达阵列成像模型。本发明方法基于神经网络实现毫米波雷达阵列成像模型的构建,解决了传统雷达信号建模方法中很难对雷达天线旁瓣干扰信号解耦的问题。

    一种用于存储器中雷达图像数据恢复的方法

    公开(公告)号:CN111752754A

    公开(公告)日:2020-10-09

    申请号:CN202010506828.X

    申请日:2020-06-05

    Applicant: 清华大学

    Inventor: 张雷 张博

    Abstract: 本发明涉及一种用于存储器中雷达图像数据恢复的方法,属于数据恢复领域。本发明首先采集雷达图像构建雷达图像矩阵,然后生成一个大小一样的噪声图像矩阵,将两个矩阵合成加噪声后的雷达图像矩阵;构建一个自编码-解码神经网络,将加噪声后的雷达图像矩阵输入该神经网络,得到自编码-解码后的雷达图像矩阵;利用损失函数最小化训练该神经网络,得到训练完毕的神经网络;将受损雷达图像输入该训练完毕的神经网络,即可得到恢复后的雷达图像。本发明可在基于神经网络算法的雷达应用中提高对雷达图像存储数据的容错率,降低雷达应用的成本和功耗,在可穿戴物联网场景具有广泛的应用前景。

    基于压缩采样的RF信号人体姿态估计方法及装置

    公开(公告)号:CN111369618A

    公开(公告)日:2020-07-03

    申请号:CN202010103964.4

    申请日:2020-02-20

    Applicant: 清华大学

    Abstract: 本发明公开了一种基于压缩采样的RF信号人体姿态估计方法及装置,其中,该方法包括以下步骤:预先搭建电磁可重复编码超平面系统;利用压缩感知对电磁可重复编码超平面系统进行编程,产生随机的电磁波图案,并将电磁波图案投射到待检测人体上,产生测量数据;采用单个探测器接收测量数据,并结合机器学习的方法可以从测量值估计出人体的姿势。该方法利用了压缩感知的思想减少了采集的数据量,不经过图像恢复可直接估计人体的姿势。

Patent Agency Ranking