-
公开(公告)号：CN117872347B
公开(公告)日：2024-06-21
申请号：CN202410046958.8
申请日：2024-01-12
Applicant: 兰州理工大学
Abstract: 本发明公开了基于双层强化学习优化的JPDA多目标跟踪方法及系统，所述方法包括：S1、在量测周围生成杂波形成复杂环境，在复杂环境中利用深度强化学习对传感器进行路径规划，根据规划的路径找到最佳观测位置，在所述最佳观测位置得到最佳量测信息；S2、基于所述最佳量测信息构件伪关联方程，利用深度强化学习对所述伪关联方程进行优化，得到最佳量测集，对所述最佳量测集进行滤波后验，实现JPDA多目标跟踪。本发明利用强化学习对JPDA关联门内所有候选人量测进行了训练，使得训练后的候选人量测能够有效的提高JPDA算法的估计精度，且双层强化学习优化下的JPDA有着极佳的效果。
-
公开(公告)号：CN117784114B
公开(公告)日：2024-05-14
申请号：CN202311800617.7
申请日：2023-12-26
Applicant: 兰州理工大学
Abstract: 本发明公开了一种异常噪声下基于混合熵的不规则扩展目标跟踪方法，本发明属于异常噪声下不规则扩展目标跟踪领域，包括：首先采用更为合理的GPR来对模型进行建模，其次将最大相关熵引入非线性滤波当中，为弥补最大相关熵自身的不足，采用混合最大相关熵进行代替，将GPR、非线性滤波、混和最大相关熵进行合理的结合，便可在异常噪声下实现不规则形状扩展目标的跟踪，与普通滤波器相比，适用性更广，鲁棒性更强，在跟踪环境中能更加贴近现实环境，同时也能保证其运动学状态与形状参数的跟踪。
-
公开(公告)号：CN119944114A
公开(公告)日：2025-05-06
申请号：CN202411948050.2
申请日：2024-12-27
Applicant: 兰州理工大学
IPC: H01M10/42 , H01M10/48 , H01M10/633
Abstract: 本发明涉及碱金属电池技术领域，具体为一种超声波消融碱金属电池金属枝晶的方法，在电池壳体表面安装超声换能器，或将电池放置在具有超声波发射功能的箱体中，使超声波可以对电池整体或局部进行辐照处理。一种超声波消融碱金属电池金属枝晶的装置，包括枝晶检测装置、超声换能器、换能器控制器、中央控制器、温度监测仪和温控箱。本发明的方法能够利用超声波空化效应，诱导电解液分解并产生大量具有高反应活性和强氧化性的自由基。这些自由基与金属枝晶直接接触并反应，将金属枝晶氧化成可溶性的离子，实现了枝晶从金属单质转变为可溶性盐的过程，从而恢复了电池中金属离子浓度，提高碱金属电池的循环稳定性和容量保持率。
-
公开(公告)号：CN117788511B
公开(公告)日：2024-06-25
申请号：CN202311800574.2
申请日：2023-12-26
Applicant: 兰州理工大学
IPC: G06T7/20 , G06N3/0442 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于深度神经网络的多扩展目标跟踪方法，所属技术领域为多扩展目标跟踪领域，包括：构建卡尔曼滤波器和LSTM网络架构，基于所述卡尔曼滤波器和LSTM网络架构构建深度关联多目标跟踪网络结构；基于所述深度关联多目标跟踪网络结构进行目标跟踪，获得目标关联概率，基于所述目标关联概率获得多目标跟踪结果；将目标的量测转化为双通道图像，构建CNN网络模型对所述双通道图像进行椭圆形状估计，获得椭圆长短半轴的预测结果；基于所述多目标跟踪结果和所述椭圆长短半轴的预测结果生成多扩展目标跟踪结果。本专利中运用LSTM神经网络对多目标的数据关联问题进行处理，可以有效的解决多目标跟踪的数据关联问题。
-
公开(公告)号：CN117788511A
公开(公告)日：2024-03-29
申请号：CN202311800574.2
申请日：2023-12-26
Applicant: 兰州理工大学
IPC: G06T7/20 , G06N3/0442 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于深度神经网络的多扩展目标跟踪方法，所属技术领域为多扩展目标跟踪领域，包括：构建卡尔曼滤波器和LSTM网络架构，基于所述卡尔曼滤波器和LSTM网络架构构建深度关联多目标跟踪网络结构；基于所述深度关联多目标跟踪网络结构进行目标跟踪，获得目标关联概率，基于所述目标关联概率获得多目标跟踪结果；将目标的量测转化为双通道图像，构建CNN网络模型对所述双通道图像进行椭圆形状估计，获得椭圆长短半轴的预测结果；基于所述多目标跟踪结果和所述椭圆长短半轴的预测结果生成多扩展目标跟踪结果。本专利中运用LSTM神经网络对多目标的数据关联问题进行处理，可以有效的解决多目标跟踪的数据关联问题。
-
Patent Agency Ranking
公开(公告)号：CN117872347A
公开(公告)日：2024-04-12
申请号：CN202410046958.8
申请日：2024-01-12
Applicant: 兰州理工大学
Abstract: 本发明公开了基于双层强化学习优化的JPDA多目标跟踪方法及系统，所述方法包括：S1、在量测周围生成杂波形成复杂环境，在复杂环境中利用深度强化学习对传感器进行路径规划，根据规划的路径找到最佳观测位置，在所述最佳观测位置得到最佳量测信息；S2、基于所述最佳量测信息构件伪关联方程，利用深度强化学习对所述伪关联方程进行优化，得到最佳量测集，对所述最佳量测集进行滤波后验，实现JPDA多目标跟踪。本发明利用强化学习对JPDA关联门内所有候选人量测进行了训练，使得训练后的候选人量测能够有效的提高JPDA算法的估计精度，且双层强化学习优化下的JPDA有着极佳的效果。
-
公开(公告)号：CN117784114A
公开(公告)日：2024-03-29
申请号：CN202311800617.7
申请日：2023-12-26
Applicant: 兰州理工大学
Abstract: 本发明公开了一种异常噪声下基于混合熵的不规则扩展目标跟踪方法，本发明属于异常噪声下不规则扩展目标跟踪领域，包括：首先采用更为合理的GPR来对模型进行建模，其次将最大相关熵引入非线性滤波当中，为弥补最大相关熵自身的不足，采用混合最大相关熵进行代替，将GPR、非线性滤波、混和最大相关熵进行合理的结合，便可在异常噪声下实现不规则形状扩展目标的跟踪，与普通滤波器相比，适用性更广，鲁棒性更强，在跟踪环境中能更加贴近现实环境，同时也能保证其运动学状态与形状参数的跟踪。
-
-
-
-
-
-
-
Search Results
10
records
(took 0.02 seconds)
