-
公开(公告)号：CN118857626A
公开(公告)日：2024-10-29
申请号：CN202411052703.9
申请日：2024-08-02
Applicant: 北京理工大学深圳汽车研究院(电动车辆国家工程实验室深圳研究院)
IPC: G01M5/00 , G01R31/367 , G01R31/385 , G01R31/387 , G01R1/04
Abstract: 本发明公开了动态测试不同SOC和受压状态下电池等效刚度的装置及方法，在整个电池平面进行受力分析，更真实的反映电芯整体等效刚度的变化。设计两个固定支撑板，一个活动支撑板，将电池放置于活动支撑板和上端固定支撑板之间，压力传感器放置于活动支撑板和下端固定支撑板之间，位移传感器垂直穿过上端支撑板，测试点放置于活动支撑板上端面，以进行测量。首先不施加预紧力测量电池空电时的初始厚度和充放电过程的厚度变化情况，然后对空电的电池施加一定预紧力，然后进行充放电测试，电池因此发生规律性的厚度变化，使用压力传感器实时测量电池厚度方向所受压力，位移传感器实时测量电池厚度变化，计算电池等效刚度，得出不同SOC下和不同夹紧力下的等效刚度。
-
公开(公告)号：CN116192255A
公开(公告)日：2023-05-30
申请号：CN202310175789.3
申请日：2023-02-28
Applicant: 常州京信新一代信息技术研究院有限公司 , 北京理工大学
IPC: H04B10/079 , H04B10/11 , G06N3/0464 , G06N3/048 , G06N3/084
Abstract: 本发明涉及光通信领域领域，具体涉及一种基于残差神经网络的大容量光通信系统的损伤补偿方法，本基于残差神经网络的大容量光通信系统的损伤补偿方法，包括：步骤1、获取待补偿的畸变OAM光束的强度分布；步骤2、构建残差神经网络模型，将待补偿的畸变OAM光束的强度分布输入训练好的残差神经网络模型，预测大气湍流相位屏；步骤3、将预测得到的大气湍流相位屏用于补偿OAM光束；本发明基于残差神经网络学习焦平面的OAM探针光束的焦平面光强与其对应的大气湍流相位屏之间的映射关系，从而根据畸变OAM光束直接预测对应的大气湍流相位屏，进而实现高精度地补偿空间光通信系统中的OAM光束，其预测速度快且补偿精度高。
-
公开(公告)号：CN113773238B
公开(公告)日：2022-07-05
申请号：CN202111022677.1
申请日：2021-09-01
Applicant: 北京理工大学
IPC: C07C331/04 , C07C331/06 , C07C331/14 , C07D333/24
Abstract: 本发明涉及一种一步法合成烷基硫氰酸酯的方法，属于化学合成技术领域。所述方法如下：将化合物I、引发剂和氮‑硫氰基酰亚胺试剂溶解于有机溶剂中，在40℃～150℃的温度下反应2h～6h，反应结束后，去除有机溶剂，纯化，得到一种烷基硫氰酸酯；所述化合物I的结构通式为或其中，R1为烃基或者被取代的烃基；R2和R3分别独立为氢、卤素、烷基、芳基、被取代的芳基、烷氧基或被取代的烷氧基；R4为烷基，R5为烷基或者氢；R6为烷基；n＝0或者1。所述方法通过一步法就能够合成出烷基硫氰酸酯，方法简单，产率高；且随着反应步骤的减少，减少了化学试剂的适用，经济性好。
-
公开(公告)号：CN113869182A
公开(公告)日：2021-12-31
申请号：CN202111120381.3
申请日：2021-09-24
Applicant: 北京理工大学
Abstract: 一种视频异常检测网络的训练方法，包括：对训练集中的所有视频进行原始特征提取，获得维度统一的原始特征；选取b个正常视频原始特征和b个异常视频原始特征处理，得到2b个时间特征f；基于时间特征f，获得异常分数；对2b个时间特征f进行维度变换；基于b个时间特征fn组成的正常包和b个时间特征fa组成的异常包，计算正常包中的时间特征的均值和标准差，再用该均值和标准差对两个包同时进行标准化，并计算二范数，输出正常包的b个时间特征量级和异常包的b个时间特征量级；以及计算损失函数，最小化损失函数来调整视频异常检测网络的参数。然后重新选取b个正常视频的原始特征和b个异常视频的原始特征进行参数调整，直至训练至网络拟合。
-
公开(公告)号：CN110938044A
公开(公告)日：2020-03-31
申请号：CN201911243741.1
申请日：2019-12-06
Applicant: 北京理工大学
IPC: C07D275/06 , C07C391/00
Abstract: 本发明涉及一种硒氰基化试剂、其制备及应用，属于硒氰基化合物制备技术领域。本发明所述硒氰基化试剂为氮-硒氰基糖精，属于阳离子型硒氰基化试剂，使用时相对安全，毒害性小，反应活性高，不但可以以高收率合成含硒氰基化合物，同时在催化剂催化作用下，还可以合成具有高立体选择性的手性含硒氰基化合物。
-
Patent Agency Ranking
公开(公告)号：CN101996292B
公开(公告)日：2012-05-23
申请号：CN201010582878.2
申请日：2010-12-10
Applicant: 北京理工大学
IPC: G06F21/00
Abstract: 本发明涉及一种基于序列聚类的软件安全特性分析方法，基于软件漏洞逆向分析技术的基础上，收集现有的软件漏洞，预处理软件漏洞，将处理后的软件漏洞程序操作序列存入软件漏洞序列数据库，采用基于序列整体的相似性的聚类算法将软件漏洞序列数据库中软件序列进行分类，存入漏洞知识库，以提高漏洞知识库的质量和软件漏洞的分析效率；将从待测软件中抽取出来的疑似软件漏洞序列进行分析，利用基于编辑距离的相似性度量来衡量序列之间的相似程度，分析出软件漏洞，以提高软件漏洞检测的准确率。
-
公开(公告)号：CN119228894A
公开(公告)日：2024-12-31
申请号：CN202411397705.1
申请日：2024-10-09
Applicant: 北京理工大学
IPC: G06T7/73 , G06V10/40 , G06V10/42 , G06V10/44 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/0455 , G06N3/08
Abstract: 本申请涉及人工智能技术领域，公开了一种基于全流双向融合网络的6D位姿估计方法，包括：步骤S1：采集估计对象的RGB‑D图像，并根据相机内参将其转化为点云数据；步骤S2：提取所述点云数据对应的RGB纹理特征，对点云数据进行处理得到拼接的局部‑全局特征；步骤S3：进行特征双向融合，所述特征双向融合包括像素到点和点到像素的双向融合过程；步骤S4：进行像素密集融合，将融合结果结合密集融合的全局特征，得到逐像素点的预测位姿；步骤S5：将所有像素点的预测位姿输入最终的多层感知机，并通过训练学习，不断降低估计对象整体损失函数的值，最终选择整体损失函数值最小的输出作为估计对象的整体估计位姿。本申请能显著提升位姿估计的准确性和鲁棒性。
-
公开(公告)号：CN111738054B
公开(公告)日：2023-04-18
申请号：CN202010303192.9
申请日：2020-04-17
Applicant: 北京理工大学
Abstract: 本发明公开了一种基于时空自编码器网络和时空CNN的行为异常检测方法，考虑群体异常行为稀少并且难以界定，检测模型难以学习到异常行为的特征信息，先用正样本训练时空自编码器网络，再将包含异常行为的视频输入时空自编码器网络，通过选择重建误差阈值筛选负样本，对筛选后负样本再进行扩充，减轻正负样本不均衡的程度；通过筛选后的负样本和原有正样本训练时空CNN，得到最终的检测模型；通过构建时空自编码器网络网络和时空CNN，这两个网络都可以从视频中提取高级语义特征，实现了视频图像中异常人群行为的检测，并提高了该算法在各种场景下的适用性。由于时空CNN模型结构简单，可以在仅使用CPU的环境中实现高精度的实时检测。
-
公开(公告)号：CN115019211A
公开(公告)日：2022-09-06
申请号：CN202210740932.4
申请日：2022-06-28
Applicant: 北京理工大学
Abstract: 本公开提供一种面向无人机航拍图像的分割引导注意力群体计数方法，所述方法包括：获取包括训练集和测试集在内的图像集；对训练集中的图像进行预处理；将经过预处理的图像输入网络，训练网络，直至网络拟合，训练后的网络输出图像的密度图和分割图，所述网络包括卷积块，Inception级联模块、上采样器、浅层分割引导注意力模块、深层分割引导注意力模块以及第一和第二加法器；以及根据网络输出的密度图，将密度图的像素值求和得到图像中的群体计数。
-
公开(公告)号：CN111738054A
公开(公告)日：2020-10-02
申请号：CN202010303192.9
申请日：2020-04-17
Applicant: 北京理工大学
Abstract: 本发明公开了一种基于时空自编码器网络和时空CNN的行为异常检测方法，考虑群体异常行为稀少并且难以界定，检测模型难以学习到异常行为的特征信息，先用正样本训练时空自编码器网络，再将包含异常行为的视频输入时空自编码器网络，通过选择重建误差阈值筛选负样本，对筛选后负样本再进行扩充，减轻正负样本不均衡的程度；通过筛选后的负样本和原有正样本训练时空CNN，得到最终的检测模型；通过构建时空自编码器网络网络和时空CNN，这两个网络都可以从视频中提取高级语义特征，实现了视频图像中异常人群行为的检测，并提高了该算法在各种场景下的适用性。由于时空CNN模型结构简单，可以在仅使用CPU的环境中实现高精度的实时检测。
-
-
-
-
-
-
-
-
-
Search Results
33
records
(took 0.037 seconds)
