-
公开(公告)号：CN116952235A
公开(公告)日：2023-10-27
申请号：CN202310746270.6
申请日：2023-06-21
Applicant: 华中科技大学
IPC: G01C21/20 , G06N3/042 , G06N3/0464 , G06N3/092 , G01C21/00
Abstract: 本发明公开了一种基于图神经网络和深度强化学习的无人艇航迹生成方法，属于航迹规划技术领域。本发明方法首先搭建航迹生成场景；并将所述场景中的环境、动作、奖励以及无人艇执行动作后的环境设置为深度强化学习方法的参数；再构建具有固定容量的记忆池用于储存经验；之后构建并训练无人艇航迹生成模型，所述无人艇航迹生成模型采用双深度Q网络模型结构，其中记忆池中的经验作为训练数据，当前值网络和目标值网络采用图卷积神经网络，当前值网络和目标值网络之间的偏差作为损失函数；最后将无人艇航行时采集的环境信息输入至所述模型，得到无人艇将执行的动作。经过模拟实验证明，本发明方法有效提升了航迹规划成功率。
-
公开(公告)号：CN118445753A
公开(公告)日：2024-08-06
申请号：CN202410536580.X
申请日：2024-04-30
Applicant: 华中科技大学
IPC: G06F18/25 , G06N3/042 , G06N3/0464 , G06N7/01 , G01C21/20
Abstract: 本发明公开了一种基于图卷积神经网络的水下无人潜航器航迹融合方法及系统，属于航迹融合领域，该方法将时空校准后的航迹数据转化为图数据，从而可以揭露不同节点之间的关系；通过将数据点表示为无向图的节点，将节点之间的关系表示为边，可以更直观地建模和分析数据，揭示数据隐含的模式和趋势；将图数据输入至预先训练好的图卷积神经网络模型得到航迹融合结果，能够实现在复杂动态海洋环境下水下无人潜航器的航迹融合，有效地解决了航迹融合过程中的准确性和快速性等问题。以所搭建的动态海洋模拟环境中无人潜航器的航迹规划模拟为实验例证，在实际应用过程中，可推广到水面无人艇，水下机器人等无人装备，具有良好的工程实用性。
-
公开(公告)号：CN114580101B
公开(公告)日：2024-06-14
申请号：CN202210166709.3
申请日：2022-02-23
Applicant: 华中科技大学
IPC: G06F30/17 , G06F30/27 , G06N3/042 , G06N3/0442 , G06F119/04
Abstract: 本发明公开了一种旋转机械剩余使用寿命预测方法及系统，所述方法包括：获取待预测旋转机械实时的振动信号，将其作为预测样本，根据预测样本构建预测路径图；将预测路径图输入训练后的ChebGCN‑LSTM预测模型，得到待预测旋转机械的剩余使用寿命预测值；训练后的ChebGCN‑LSTM预测模型获取方法为：构建基于ChebGCN和BiLSTM的旋转机械剩余使用寿命的ChebGCN‑LSTM预测模型，并将训练路径图输入ChebGCN‑LSTM预测模型训练，得到训练后的ChebGCN‑LSTM预测模型。本发明使用路径图，表示信号的时间和空间依赖关系，将更全面地表征旋转机械退化状态；使用ChebGCN‑LSTM预测模型，克服了传统ChebGCN在表征信号全局时间相关性上的缺陷和不足，提高了预测精度。
-
公开(公告)号：CN118445753B
公开(公告)日：2024-12-06
申请号：CN202410536580.X
申请日：2024-04-30
Applicant: 华中科技大学
IPC: G06F18/25 , G06N3/042 , G06N3/0464 , G06N7/01 , G01C21/20
Abstract: 本发明公开了一种基于图卷积神经网络的水下无人潜航器航迹融合方法及系统，属于航迹融合领域，该方法将时空校准后的航迹数据转化为图数据，从而可以揭露不同节点之间的关系；通过将数据点表示为无向图的节点，将节点之间的关系表示为边，可以更直观地建模和分析数据，揭示数据隐含的模式和趋势；将图数据输入至预先训练好的图卷积神经网络模型得到航迹融合结果，能够实现在复杂动态海洋环境下水下无人潜航器的航迹融合，有效地解决了航迹融合过程中的准确性和快速性等问题。以所搭建的动态海洋模拟环境中无人潜航器的航迹规划模拟为实验例证，在实际应用过程中，可推广到水面无人艇，水下机器人等无人装备，具有良好的工程实用性。
-
Patent Agency Ranking
公开(公告)号：CN118520268A
公开(公告)日：2024-08-20
申请号：CN202410536907.3
申请日：2024-04-30
Applicant: 华中科技大学
IPC: G06F18/213 , G06F18/241 , G06F18/211 , G06N3/0442 , G06N3/0464 , G06N3/045 , G06N3/084 , G06F123/02
Abstract: 本发明公开了一种基于时空注意力的卷积‑双向长短时记忆多源航迹关联方法及系统，属于航迹关联领域，该方法利用CNN网络和第一注意力机制模块共同构建特征注意力模块，将时空配准后的多源航迹数据转化为特征序列；利用BiLSTM网络和第一注意力机制模块共同组成时间注意力模块，捕捉轨迹数据的时序特征；用全连接层将输出数据映射到新的特征空间，并用分类器进行打分；通过计算关联分数，确定多源航迹数据之间的关联关系。本发明使用CNN全面提取航迹空间特征，结合注意力机制确保重要特征发挥关键作用；使用BiLSTM全面提取航迹时间特征，结合注意力机制筛选出历史序列中最为重要的状态信息，克服了传统方法信息利用不完全的问题，提高了关联准确率。
-
公开(公告)号：CN114692678B
公开(公告)日：2024-12-13
申请号：CN202210249740.3
申请日：2022-03-14
Applicant: 中国船舶重工集团公司第七一九研究所 , 华中科技大学
IPC: G06F18/20 , G06F18/10 , G06F18/21 , G06F18/213 , G06F18/214 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了一种用于水面航迹规划的纯方位目标运动分析方法及系统；其中，分析方法包括：预处理步骤、目标预测位置获取步骤、目标预测位置修正值获取步骤；本发明使用基于时间卷积网络的目标位置预测模型获得目标预测位置，与传统定位方法相比，目标位置预测模型的预测准确率更高；本发明采用集合经验模态分解方法分解初始信号，并使用目标位置预测模型获得目标预测位置，从而不易出现解算精度下降乃至发散的问题；本发明通过构建目标的运动状态方程，在此基础上运用递推最小二乘法修正目标位置预测模型输出的目标预测位置，使得观测过程中的全部观测信息得到了利用，进一步提升了目标运动状态预测的准确性和稳定性。
-
公开(公告)号：CN118520268B
公开(公告)日：2024-11-19
申请号：CN202410536907.3
申请日：2024-04-30
Applicant: 华中科技大学
IPC: G06F18/213 , G06F18/241 , G06F18/211 , G06N3/0442 , G06N3/0464 , G06N3/045 , G06N3/084 , G06F123/02
Abstract: 本发明公开了一种基于时空注意力的卷积‑双向长短时记忆多源航迹关联方法及系统，属于航迹关联领域，该方法利用CNN网络和第一注意力机制模块共同构建特征注意力模块，将时空配准后的多源航迹数据转化为特征序列；利用BiLSTM网络和第一注意力机制模块共同组成时间注意力模块，捕捉轨迹数据的时序特征；用全连接层将输出数据映射到新的特征空间，并用分类器进行打分；通过计算关联分数，确定多源航迹数据之间的关联关系。本发明使用CNN全面提取航迹空间特征，结合注意力机制确保重要特征发挥关键作用；使用BiLSTM全面提取航迹时间特征，结合注意力机制筛选出历史序列中最为重要的状态信息，克服了传统方法信息利用不完全的问题，提高了关联准确率。
-
公开(公告)号：CN114692678A
公开(公告)日：2022-07-01
申请号：CN202210249740.3
申请日：2022-03-14
Applicant: 中国船舶重工集团公司第七一九研究所 , 华中科技大学
Abstract: 本发明公开了一种用于水面航迹规划的纯方位目标运动分析方法及系统；其中，分析方法包括：预处理步骤、目标预测位置获取步骤、目标预测位置修正值获取步骤；本发明使用基于时间卷积网络的目标位置预测模型获得目标预测位置，与传统定位方法相比，目标位置预测模型的预测准确率更高；本发明采用集合经验模态分解方法分解初始信号，并使用目标位置预测模型获得目标预测位置，从而不易出现解算精度下降乃至发散的问题；本发明通过构建目标的运动状态方程，在此基础上运用递推最小二乘法修正目标位置预测模型输出的目标预测位置，使得观测过程中的全部观测信息得到了利用，进一步提升了目标运动状态预测的准确性和稳定性。
-
公开(公告)号：CN114580101A
公开(公告)日：2022-06-03
申请号：CN202210166709.3
申请日：2022-02-23
Applicant: 华中科技大学
IPC: G06F30/17 , G06F30/27 , G06N3/04 , G06F119/04
Abstract: 本发明公开了一种旋转机械剩余使用寿命预测方法及系统，所述方法包括：获取待预测旋转机械实时的振动信号，将其作为预测样本，根据预测样本构建预测路径图；将预测路径图输入训练后的ChebGCN‑LSTM预测模型，得到待预测旋转机械的剩余使用寿命预测值；训练后的ChebGCN‑LSTM预测模型获取方法为：构建基于ChebGCN和BiLSTM的旋转机械剩余使用寿命的ChebGCN‑LSTM预测模型，并将训练路径图输入ChebGCN‑LSTM预测模型训练，得到训练后的ChebGCN‑LSTM预测模型。本发明使用路径图，表示信号的时间和空间依赖关系，将更全面地表征旋转机械退化状态；使用ChebGCN‑LSTM预测模型，克服了传统ChebGCN在表征信号全局时间相关性上的缺陷和不足，提高了预测精度。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.015 seconds)
