-
公开(公告)号：CN119521419A
公开(公告)日：2025-02-25
申请号：CN202411560454.4
申请日：2024-11-04
Applicant: 北京科技大学 , 北京电子工程总体研究所
Abstract: 本发明公开了一种基于深度强化学习的无人集群任务资源分配方法，属于人工智能技术领域，所述方法包括：基于无人集群任务资源分配架构，建立无人集群任务资源分配问题的马尔可夫模型；并设计状态表示方式，用图像来对系统状态进行描述；基于卷积神经网络设计图像状态输入卷积神经网络；以所述图像状态输入卷积神经网络作为DQN模型的当前网络和目标网络，并引入迁移学习方法，构建出迁移深度强化学习模型；基于所述马尔可夫模型以及系统状态的图像描述，采用所述迁移深度强化学习模型进行策略学习，实现无人集群任务资源分配。采用本发明的技术方案，能够减少总体任务资源分配延迟并避免资源浪费。
-
公开(公告)号：CN119475078A
公开(公告)日：2025-02-18
申请号：CN202411439922.2
申请日：2024-10-15
Applicant: 国网浙江省电力有限公司嘉兴供电公司 , 北京科技大学
IPC: G06F18/2415 , G01R19/25 , G01R31/00 , G06F18/214 , G06N3/006
Abstract: 本发明提供一种基于云边端协同的电力网络自适应谐波辨别方法及系统，应用于边缘设备，边缘设备与云端服务器及电力网络中的终端设备建立通信，包括：获取待辨别电信号，将电信号输入至预设模型，以使预设模型向电信号中加入高斯噪声及解析信号，得到待分解信号，高斯噪声参数及解析信号参数由预设模型基于电信号确定；对待分解信号进行经验模态分解，得到普通信号主导的IMF；从电信号中剔除以上IMF，得到谐波信号。通过基于电信号的参数自适应设置高斯噪声参数以及解析信号参数，避免人工设置参数不准确导致的谐波分离不准确的情况，提高谐波辨别准确性。增加解析信号可以分离出固定频率对应的IMF，提高对电信号中的噪声的剔除效果。
-
公开(公告)号：CN115208615B
公开(公告)日：2023-12-19
申请号：CN202210551593.5
申请日：2022-05-20
Applicant: 北京科技大学
Abstract: 本发明提供一种数控系统数据加密传输方法，属于网络安全技术领域。所述方法包括：构建国密算法模块，并构建基于以太网TCP/IP协议和原始套接字的客户端模块和服务器模块；在设备A上部署国密算法模块和客户端模块，在设备B上部署国密算法模块和服务器模块；其中，设备A为工作站服务器，是数据发送方；设备B为数控设备，是数据接收方；设备A调用国密算法模块对待发送的明文进行加密，并调用客户端模块将加密后的数据发送至设备B；设备B调用服务器模块接收设备A发送的数据，并调用国密算法模块对接收到的数据进行解密。采用本发明，能够实现数
-
公开(公告)号：CN113570713B
公开(公告)日：2023-10-31
申请号：CN202110758299.7
申请日：2021-07-05
Applicant: 北京科技大学
IPC: G06T17/05 , G06T17/00 , G06T17/20 , G06V20/70 , G06V10/26 , G06V10/46 , G06V10/56 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/0455 , G06N3/08
Abstract: 本发明公开了一种面向动态环境的语义地图构建方法及装置，该方法包括：在视觉前端进行位姿估计前，对深度相机传输的图像数据进行语义分割，根据语义分割结果得到初始基础矩阵；根据初始基础矩阵初始化相机位姿，并采用基于几何的动态特征点检测算法进行动态特征点检测，搜索出所有动态特征点；将动态特征点剔除，利用剩余静态特征点构建语义地图。本发明可完整的去除动态目标对构建全局一致的地图的影响，从而能够有效地构建全局一致性地图。
-
公开(公告)号：CN115208615A
公开(公告)日：2022-10-18
申请号：CN202210551593.5
申请日：2022-05-20
Applicant: 北京科技大学
Abstract: 本发明提供一种数控系统数据加密传输方法，属于网络安全技术领域。所述方法包括：构建国密算法模块，并构建基于以太网TCP/IP协议和原始套接字的客户端模块和服务器模块；在设备A上部署国密算法模块和客户端模块，在设备B上部署国密算法模块和服务器模块；其中，设备A为工作站服务器，是数据发送方；设备B为数控设备，是数据接收方；设备A调用国密算法模块对待发送的明文进行加密，并调用客户端模块将加密后的数据发送至设备B；设备B调用服务器模块接收设备A发送的数据，并调用国密算法模块对接收到的数据进行解密。采用本发明，能够实现数控系统中数据的安全传输。
-
Patent Agency Ranking
公开(公告)号：CN111401645B
公开(公告)日：2022-05-17
申请号：CN202010199704.1
申请日：2020-03-20
Applicant: 北京科技大学
Abstract: 本发明提供一种智慧网络中情景感知冲突处理方法，能够实现智慧网络情景感知中服务资源的最优分配，从而有效解决智慧网络中的情景感知冲突问题。所述方法包括：将参与服务资源分配的情景按照优先权高低进行分组，得到高优先权情景组和低优先权情景组；在整个情景感知服务资源提供的过程中，控制器根据高、低优先级情景组中各个情景的总体服务资源分配效用构建智慧网络的目标优化函数；将表征智慧网络中服务资源动态变化状态的微分方程与构建的智慧网络的目标优化函数进行结合，利用微分博弈对结合后的表达式进行求解，得到高、低优先级情景组中每个情景的最优服务资源分配结果。本发明涉及人工智能领域。
-
公开(公告)号：CN114241227A
公开(公告)日：2022-03-25
申请号：CN202111494187.1
申请日：2021-12-08
Applicant: 北京科技大学
IPC: G06V10/762 , G06V10/774 , G06V10/764 , G06K9/62
Abstract: 本发明涉及图像处理技术领域，特别是指一种基于VLAD的图像识别方法及装置，方法包括：获取待分类图像；将所述待分类图像输入训练好的图像分类模型中，所述模型包括改进的AlexNet模块、VLAD模块、LDA降维模块以及SVM分类模块；基于所述AlexNet模块得到所述待分类图像的局部特征描述符；基于所述改进的AlexNet模块中的NetVLAD层，将所述局部特征描述符输入到所述VLAD模块，得到所述待分类图像的特征向量；将所述特征向量输入所述LDA降维模块，得到所述待分类图像的最终向量表示；将所述最终向量表示输入所述SVM分类模块，得到所述待分类图像的分类结果。采用本发明，可以在传统VLAD算法的基础提升图像分类时的准确率，同时也提升了算法的实现速度。
-
公开(公告)号：CN113657388A
公开(公告)日：2021-11-16
申请号：CN202110780769.X
申请日：2021-07-09
Applicant: 北京科技大学
Abstract: 本发明公开了一种融合图像超分辨率重建的图像语义分割方法，包括：以预训练好的ResNet‑50网络模型为基础，初始化卷积神经网络的参数；对数据集进行预处理，并将预处理后的数据集输入初始化后网络模型的下采样编码阶段进行图像特征提取；利用提取的图像特征对图像进行超分辨率重建，得到高分辨率特征图；将提取的图像特征和重建的高分辨率特征图进行特征融合，输入到网络模型的特征解码器，利用重建的高分辨率特征图搭建引导式上采样模块，制作每个像素点的偏移向量作为偏移表，利用偏移表作为导向来执行上采样操作，得到图像语义分割结果；定义损失函数，对网络模型进行优化。本发明能够提升语义分割算法的精度。
-
公开(公告)号：CN113449735A
公开(公告)日：2021-09-28
申请号：CN202110802462.5
申请日：2021-07-15
Applicant: 北京科技大学
Abstract: 本申请公开了一种超像素分割的语义分割方法及装置，属于计算机视觉技术领域。该方法及装置为应用于机器人SLAM系统的高效语义分割方法。其中方法包括：提出一种多分支结合的特征提取算法模型，将图像通过不同的神经网络，获得两分支的特征图；设计了新型特征融合模块，使用一个卷积网络以训练学习如何叠加这两个网络来融合不同尺寸的特征，整合空间信息和语义信息；提出使用改进的超像素分割模块来获取边界分割细节，保留了图像的局部信息，又降低了图像分割的计算复杂度来辅助解决边界分割不精确的问题，以此来提高语义分割中的小目标的精确度，获得最终语义分割结果。
-
公开(公告)号：CN111860622A
公开(公告)日：2020-10-30
申请号：CN202010631987.2
申请日：2020-07-03
Applicant: 北京科技大学
Abstract: 本发明公开了一种应用于编程现场大数据的聚类方法及系统，该方法包括：基于粒子群优化算法，求解对数据聚类时K均值聚类算法中的K值的最优解；在每次迭代过程中，基于模拟退火算法，以一定概率接受非极值最值的粒子，并继续基于粒子群优化算法对K值的最优解进行迭代求解；当达到预设迭代终止条件后停止迭代，并以当前解作为K值的最优解；基于求解出的K值的最优解，采用K均值聚类算法对目标数据进行聚类。本发明基于粒子群优化算法和模拟退火算法求取K值最优解，有效解决了K均值聚类算法中初始聚类点选取不恰当所导致的陷入局部最优的问题，可提高编程现场大数据的处理准确度和速度。
-
-
-
-
-
-
-
-
-
Search Results
107
records
(took 0.065 seconds)
