-
公开(公告)号：CN111986476A
公开(公告)日：2020-11-24
申请号：CN202010776210.5
申请日：2020-08-05
Applicant: 南京信息工程大学
Abstract: 本发明公开了一种基于实景图像雾霾浓度感知的车速提示方法及系统，利用雷达测速仪监测被测车辆的运动速度；利用摄像头获取实景图像，并将图像发送给控制器；所述控制器用于实现对整个系统的指令发送及限速值计算；利用显示屏动态显示被测车辆的实时速度和限速数值；所述控制器内预设有雾霾浓度感知模块，用于从所述实景图像中计算雾霾浓度并转化为对应的车速限速值。本发明提示方法基于智能图像分析方法在雾霾天自动实时的完成车辆限速提醒，解决恶劣天气下因车辆超速导致高速公路交通事故频发的问题。
-
公开(公告)号：CN111402137A
公开(公告)日：2020-07-10
申请号：CN202010205303.2
申请日：2020-03-20
Applicant: 南京信息工程大学
Abstract: 本发明提供了一种基于感知损失引导的深度注意力编解码单图像超分辨率算法，包括以下步骤：构建感知损失引导的深度注意力编解码网络模型；根据网络模型设计感知损失目标函数；预设网络模型超参，根据感知损失目标函数，采用反向传播算法训练网络模型；若网络模型收敛，则输出期望的高分辨率图像，否则返回执行上一步骤，直至网络模型收敛。本发明在网络中加入了残差空间注意力单元用于捕获并重建出更多的低频信息，使用平均绝对误差和结构相似度损失组成的感知损失作为损失函数来优化网络参数，使得网络可以更多地关注视觉敏感区域，以保存视觉信息结构，从而提高重建图像的质量，使得重建图像有着优秀的视觉效果，并且该网络的重建效率极高。
-
公开(公告)号：CN105929690A
公开(公告)日：2016-09-07
申请号：CN201610281979.3
申请日：2016-04-29
Applicant: 南京信息工程大学
IPC: G05B13/04
Abstract: 本发明公开了一种基于分解多目标进化算法的柔性车间鲁棒调度方法,(1)读取柔性作业车间的作业和机器属性等输入信息；定义优化目标，设定约束条件；(2)初始化算法的参数；(3)确定每个子问题的邻域，产生初始父代群体，从初始群体中确定出所有的Pareto非支配解构成外部存储器；(4)生成子代群体。进行交配选择，采用自适应变异算子和基于修复的交叉算子繁殖子代个体，并更新外部存储器；(5)利用生成的子代群体对各子问题的当前最优个体进行更新，构成新的父代群体；(6)判断个体目标评价次数若达到最大，则输出外部存储器，即一组Pareto非支配的柔性作业车间调度解；未达到则跳转至(4)。本发明快速高效地实现柔性作业车间中的调度任务。
-
公开(公告)号：CN117975295B
公开(公告)日：2024-06-18
申请号：CN202410382650.0
申请日：2024-04-01
Applicant: 南京信息工程大学
IPC: G06V20/13 , G06V10/44 , G06N3/0455 , G06N3/0464 , G06V10/80
Abstract: 本发明公开了一种基于多尺度特征感知神经网络的积雪深度预测方法，包括：获取积雪观测气象站附近的卫星图像，并对卫星图像进行预处理；搭建基于多尺度特征感知能力的深度神经网络模型，利用训练集对深度神经网络模型进行训练；将测试集数据输入至训练之后的深度神经网络模型，实现积雪深度的预测。本发明构建了多尺度特征提取单元MFSE、多尺度特征聚合单元MSFAA、多尺度特征融合单元HLF，以及各单元内部和单元之间网络连接网络，不仅可以捕获多尺度图像特征，还可以实现多尺度图像特征有效融合；将本方法用于积雪深度估算，可以提高积雪深度估算的准确性。
-
公开(公告)号：CN115861099B
公开(公告)日：2024-02-13
申请号：CN202211484673.X
申请日：2022-11-24
Applicant: 南京信息工程大学
IPC: G06T5/00 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明公开了一种引入物理成像先验知识约束的卫星云图图像复原方法，包括步骤：S1，搭建PKKernelGAN+ZSSR图像退化模糊核估计深度神经网络；S2，构建成像退化矩阵；S3，将成像退化矩阵写入损失函数，训练PKKernelGAN网络，获得云图图像退化模糊核估计网络PKKernel‑G；S4，构建“高质量‑低质量”成对云图图像数据集；S5，基于“高质量‑低质量”成对云图图像数据集，训练云图图像复原深度神经网络ZSSR；S6，将原始云图图像输入步骤S5训练好的云图图像复原深度神经网络ZSSR，得到最终输出的高质量复原云图图像。本发明能度量云图图像物理成像损失，提升图像复原效果。
-
Patent Agency Ranking
公开(公告)号：CN104392317B
公开(公告)日：2017-12-01
申请号：CN201410681051.5
申请日：2014-11-24
Applicant: 南京信息工程大学
Abstract: 本发明公开了一种基于遗传文化基因算法的项目调度方法，（1）读取项目信息，包括任务和软件工程师的属性；（2）初始化算法参数；（3）产生初始父代种群，并进行局部搜索；（4）对父代种群执行选择、交叉和变异操作，构成子代种群；（5）对子代种群进行局部搜索；（6）合并父代和经局部搜索后的子代种群，从中选取适应度最优的一半个体构成下一代父代种群并进行迭代；（7）判断迭代代数是否达到最大值，若达到，则终止迭代，输出适应度最优的个体，该个体即为项目中每位软件工程师在每项任务中投入的工作量分配结果。本发明具有搜索能力强，生成的调度方案效率高的优点。
-
公开(公告)号：CN104268722A
公开(公告)日：2015-01-07
申请号：CN201410558669.2
申请日：2014-10-20
Applicant: 南京信息工程大学
IPC: G06Q10/06
CPC classification number: G06Q10/0631
Abstract: 本发明公开了一种基于多目标进化算法的动态柔性作业车间调度方法,主要解决现有方法对动态变化的环境自适应能力差且搜索效率低的问题。其实现步骤是：（1）初始化。读取作业和机器属性等信息，定义优化目标,设定约束条件；（2）在初始时刻，基于静态多目标进化算法，同时优化完工时间、拖期和最大机器负载；（3）在车间生产过程中，采用由紧急动态事件驱动的重调度方式，基于动态多目标进化算法在新环境中快速产生一个新的调度方案，以同时优化待调度工件的完工时间、拖期、最大机器负载和稳定性。与传统调度方法相比，本发明能够及时响应紧急动态事件的发生，根据动态环境自适应地调整搜索策略，生成的调度方案具有效率高、稳定性优的特点。
-
公开(公告)号：CN102945360A
公开(公告)日：2013-02-27
申请号：CN201210351076.X
申请日：2012-09-20
Applicant: 南京信息工程大学
Abstract: 本发明属图像分析和识别领域，具体涉及基于形态学和逻辑运算的多普勒雷达图像逆风区检测方法，该方法包括：对一幅多普勒雷达径向速度图像预处理的步骤，采用形态学和逻辑学运算的组合操作方法检测雷达图像中逆风区区域的步骤，以及逆风区尺度筛选并突出显示的步骤。本发明提供的方法，能够快速准确的检测并突出显示多普勒雷达图像中的逆风区区域，具有方法简单、速度快、准确率高、易于软硬件实现的特点。本方法可以很方便的应用到个人计算机或者移植到嵌入式系统中，为实现多普勒雷达图像逆风区迅速且准确地自动检测提供了基础技术支持。
-
公开(公告)号：CN102384745A
公开(公告)日：2012-03-21
申请号：CN201110237655.7
申请日：2011-08-18
Applicant: 南京信息工程大学
IPC: G01C21/00
Abstract: 本发明公开了一种图书馆室内手机导航方法和系统，主要解决了在图书馆寻找图书费时且易迷路的问题。其寻书导航方法是将目标物信息与数据库中信息进行比对计算来确定目标位置，将参照物信息与数据库中信息进行比对计算来确定读者位置；然后再根据目标位置和读者位置信息规划读者最佳寻书路线，给出从读者当前位置到一系列目标图书位置的寻书路径提示，实现导航。其寻书导航系统主要包括条形码（一维码和二维码）、智能手机、数据库、服务器等。
-
公开(公告)号：CN107563555A
公开(公告)日：2018-01-09
申请号：CN201710784140.6
申请日：2017-09-04
Applicant: 南京信息工程大学
Abstract: 本发明提供的基于Q学习memetic算法的动态多目标软件项目调度方法,包括如下步骤：(1)读取输入信息；定义优化目标，设定约束条件；(2)初始化算法的参数；Q学习中的智能体感知项目环境中的初始状态；确定静态多目标memetic算法中的全局和局部搜索策略；(3)在项目初始时，产生初始调度方案，并产生一回报值；(4)在项目实施过程中，采用重调度方式；智能体感知项目环境的当前状态，依据回报值更新状态-动作对表中的Q值，基于选择机制确定动态memetic算法中的全局和局部搜索策略；基于动态memetic算法在新环境中产生新的调度方案，并产生一回报值。本发明能够学习项目环境的特征，快速高效地实现软件项目中的动态调度任务。
-
-
-
-
-
-
-
-
-
Search Results
32
records
(took 0.025 seconds)
