-
公开(公告)号：CN113807900A
公开(公告)日：2021-12-17
申请号：CN202111198993.4
申请日：2021-10-14
Applicant: 华东理工大学
Abstract: 本发明涉及一种基于贝叶斯优化的RF订单需求预测方法，用以实现同时对多种商品的未来需求或销量进行预测，包括以下步骤：1)对历史订单销量数据集进行数据预处理，并划分训练数据集和测试数据集作为基于随机森林的订单需求预测模型的输入量和输出量；2)通过贝叶斯优化方法获取订单需求预测模型的最优超参数，得到最优的订单需求预测模型；3)基于优化后的订单需求预测模型对订单商品未来的销量进行预测。与现有技术相比，本发明具有预测准确性高、快速寻优、多种时间序列预测等优点。
-
公开(公告)号：CN113950018A
公开(公告)日：2022-01-18
申请号：CN202111191234.5
申请日：2021-10-13
Applicant: 华东理工大学
IPC: H04W4/38
Abstract: 本发明涉及一种基于集员滤波的异步多传感器网络系统，该系统包括：传感器采样单元：包括用以采集无人小车模型当前信息的智能传感器；局部处理器单元：包括进行局部椭球状态估计的局部处理器，用以减少数据传输过程中产生的估计误差；通讯网络单元：包括通讯网络通道；融合中心单元：包括用以接收每个局部处理器发送的局部椭球状态估计，并通过融合规则得到最终全局椭球状态估计的中心处理器。与现有技术相比，本发明考虑到在复杂网络环境的情况使得系统中出现有界未知噪声，并且每个传感器的采样率出现不一致的情况下，能够有效地提高系统的估计性能，并大幅度减少复杂网络环境所带来的影响。
-
Patent Agency Ranking
公开(公告)号：CN113902862A
公开(公告)日：2022-01-07
申请号：CN202111186071.1
申请日：2021-10-12
Applicant: 华东理工大学
Abstract: 本发明涉及一种基于一致性集群的视觉SLAM回环验证系统，该系统包括：前端视觉里程计模块：用以对输入的图像帧提取特征，并确定相邻图像帧间的位置关系，构建局部地图；回环检测模块：以前端视觉里程计计算过的图像帧为基础，以相似度为依据进行图像帧为相同位置的判断，即判定回环；后端非线性优化模块：用以通过图优化方法对前端视觉里程计模块输入的局部地图和回环检测模块输出的回环约束进行全局优化，得到全局一致的轨迹和地图。与现有技术相比，本发明具有可靠性高、准确性好、资源消耗少等优点。
-
公开(公告)号：CN113902862B
公开(公告)日：2024-04-16
申请号：CN202111186071.1
申请日：2021-10-12
Applicant: 华东理工大学
IPC: G06T17/05 , G06T7/40 , G06T7/13 , G06V10/762 , G06V10/44
Abstract: 本发明涉及一种基于一致性集群的视觉SLAM回环验证系统，该系统包括：前端视觉里程计模块：用以对输入的图像帧提取特征，并确定相邻图像帧间的位置关系，构建局部地图；回环检测模块：以前端视觉里程计计算过的图像帧为基础，以相似度为依据进行图像帧为相同位置的判断，即判定回环；后端非线性优化模块：用以通过图优化方法对前端视觉里程计模块输入的局部地图和回环检测模块输出的回环约束进行全局优化，得到全局一致的轨迹和地图。与现有技术相比，本发明具有可靠性高、准确性好、资源消耗少等优点。
-
公开(公告)号：CN113950018B
公开(公告)日：2023-10-27
申请号：CN202111191234.5
申请日：2021-10-13
Applicant: 华东理工大学
IPC: H04W4/38
Abstract: 本发明涉及一种基于集员滤波的异步多传感器网络系统，该系统包括：传感器采样单元：包括用以采集无人小车模型当前信息的智能传感器；局部处理器单元：包括进行局部椭球状态估计的局部处理器，用以减少数据传输过程中产生的估计误差；通讯网络单元：包括通讯网络通道；融合中心单元：包括用以接收每个局部处理器发送的局部椭球状态估计，并通过融合规则得到最终全局椭球状态估计的中心处理器。与现有技术相比，本发明考虑到在复杂网络环境的情况使得系统中出现有界未知噪声，并且每个传感器的采样率出现不一致的情况下，能够有效地提高系统的估计性能，并大幅度减少复杂网络环境所带来的影响。
-
公开(公告)号：CN113848911A
公开(公告)日：2021-12-28
申请号：CN202111140913.X
申请日：2021-09-28
Applicant: 华东理工大学
IPC: G05D1/02
Abstract: 本发明涉及一种基于Q‑learning和RRT*的移动机器人全局路径规划方法，包括以下步骤：1)根据环境地图中确定起始点与目标点，并以起始点为根节点构建拓展树；2)对地图栅格化并初始化Q值矩阵；3)以初始化的Q值矩阵作为初始Q值矩阵，从起始点位置开始对地图进行探索学习并更新Q值矩阵，将探索点所经过的位置添加到探索列表中；4)搜索探索列表，概率选择Q值最大节点作为新节点拓展方向，将新节点插入拓展树中更新最优路径。与现有技术相比，本发明通过结合强化学习方法提高节点拓展的目的性，环境复杂度上升时，使整体路径规划任务的成功率上升，并且能够应用于移动机器人的全局路径规划任务中，在环境复杂度上升时依然能保持较高的成功率。
-
公开(公告)号：CN113848911B
公开(公告)日：2023-06-27
申请号：CN202111140913.X
申请日：2021-09-28
Applicant: 华东理工大学
IPC: G05D1/02
Abstract: 本发明涉及一种基于Q‑learning和RRT*的移动机器人全局路径规划方法，包括以下步骤：1)根据环境地图中确定起始点与目标点，并以起始点为根节点构建拓展树；2)对地图栅格化并初始化Q值矩阵；3)以初始化的Q值矩阵作为初始Q值矩阵，从起始点位置开始对地图进行探索学习并更新Q值矩阵，将探索点所经过的位置添加到探索列表中；4)搜索探索列表，概率选择Q值最大节点作为新节点拓展方向，将新节点插入拓展树中更新最优路径。与现有技术相比，本发明通过结合强化学习方法提高节点拓展的目的性，环境复杂度上升时，使整体路径规划任务的成功率上升，并且能够应用于移动机器人的全局路径规划任务中，在环境复杂度上升时依然能保持较高的成功率。
-
-
-
-
-
-
Search Results
7
records
(took 0.158 seconds)
