-
公开(公告)号：CN118260949A
公开(公告)日：2024-06-28
申请号：CN202410414250.3
申请日：2024-04-08
Applicant: 南开大学
IPC: G06F30/20 , G06F30/15 , B60W60/00 , G06F119/06
Abstract: 本发明属于驾驶策略和能源技术领域，具体涉及一种以绿色驾驶为导向的驾驶习惯——燃油经济性分析方法。针对以节能为导向的驾驶习惯研究中对大量驾驶过程数据样本的需求，为了弥补传统试实验方法人力物力消耗大、实验样本难以选择的缺点，本发明提出了一种基于跟驰模型的驾驶习惯与燃油经济性相关性分析方法。通过驾驶习惯与IDM跟驰模型，生成汽车的运动状态，即一段仿真的驾驶过程。再利用MOVES燃油消耗计算模型，计算每段驾驶过程的燃油消耗情况。通过蒙特卡洛实验，得到驾驶习惯‑单位距离燃油消耗数据，并通过相关性分析和曲线拟合的方法分析探究跟驰模型中各个驾驶习惯对燃油消耗情况影响的数学关系。本研究中所使用的方法能够针对不同车辆型号，探究驾驶习惯对燃油消耗的影响。能够代替道路实测或作为预分析手段，为其提供参考，节省人力物力，具有广阔的应用前景。
-
公开(公告)号：CN111681156B
公开(公告)日：2022-09-23
申请号：CN202010533495.X
申请日：2020-06-16
Applicant: 南开大学
Abstract: 一种应用于无线传感器网络的深度压缩感知图像重构方法。本发明属于信号处理技术领域，具体涉及一种应用于无线传感器网络的农作物图像重构方法。本发明深入发掘农业物联网中农作物图像相似性，提出了一种基于生成模型的深度压缩感知农作物图像重构方法。该方法同时利用了农作物图像的稀疏性与低秩性，以及实际应用中图像的单一性，结合深度卷积生成对抗模型，利用随机梯度下降法对无线传感器网络中图像的重构问题进行求解。深度压缩感知模型与传统方法相比，可以更有效地构建出图像的低维表示。实验结果表明，本发明提出的深度压缩感知图像重构方法与现有方法相比，可以有效提升无线传感器网络中农作物图像的重构效果。
-
公开(公告)号：CN112741627A
公开(公告)日：2021-05-04
申请号：CN202110122584.X
申请日：2021-01-29
Applicant: 南开大学
IPC: A61B5/1455
Abstract: 本发明属于医学应用算法领域，具体涉及一种基于多重滤波的手腕血氧饱和度监测方法。该方法主要包含一种使用多重滤波和反馈机制的手腕血氧饱和度监测方案。实施方式为应用多重滤波对血氧传感器在手腕处采集的原始数据进行处理，计算得到实时血氧值，并应用反馈机制结合血氧的异常程度对其测量周期进行自适应调控。该监测方案的应用能够大幅提升手腕处血氧饱和度监测的可靠性和鲁棒性以及监测数据的实时有效性。相较于传统指夹式脉搏血氧仪，本发明使得手腕处的血氧饱和度监测稳定可靠，更适用于长时间的血氧饱和度监测场景，监测方案能够及时监测到异常情况并采取相应措施，保护被监测者的生命健康安全。
-
公开(公告)号：CN111681156A
公开(公告)日：2020-09-18
申请号：CN202010533495.X
申请日：2020-06-16
Applicant: 南开大学
Abstract: 一种应用于无线传感器网络的深度压缩感知图像重构方法。本发明属于信号处理技术领域，具体涉及一种应用于无线传感器网络的农作物图像重构方法。本发明深入发掘农业物联网中农作物图像相似性，提出了一种基于生成模型的深度压缩感知农作物图像重构方法。该方法同时利用了农作物图像的稀疏性与低秩性，以及实际应用中图像的单一性，结合深度卷积生成对抗模型，利用随机梯度下降法对无线传感器网络中图像的重构问题进行求解。深度压缩感知模型与传统方法相比，可以更有效地构建出图像的低维表示。实验结果表明，本发明提出的深度压缩感知图像重构方法与现有方法相比，可以有效提升无线传感器网络中农作物图像的重构效果。
-
公开(公告)号：CN110133597A
公开(公告)日：2019-08-16
申请号：CN201910482876.7
申请日：2019-06-04
Applicant: 南开大学
IPC: G01S5/26
Abstract: 本发明公开一种基于超声波信标系统的融合定位方法及系统。方法包括：获取固定信标和移动信标的原始坐标信息；根据固定信标和移动信标的原始坐标信息，得到固定信标和移动信标之间的原始距离信息；采用卡尔曼滤波方法对距离信息进行修正，得到修正距离信息；根据固定信标的原始坐标信息和修正距离信息，得到移动信标的真实坐标信息；将真实坐标信息通过调制解调器上传至客户端。本发明针对实际应用中由非视距传播引起的测量误差，采用卡尔曼滤波算法对测距进行优化，能够提高定位精度，同时通过采用最小二乘法将数据信息化，也能进一步提高定位精度。
-
Patent Agency Ranking
公开(公告)号：CN106487389A
公开(公告)日：2017-03-08
申请号：CN201610898645.0
申请日：2016-10-13
Applicant: 南开大学
IPC: H03M7/30
CPC classification number: H03M7/30
Abstract: 本发明公开了一种基于压缩感知的适用于稀疏信号重构的顺序正交匹配追踪算法，属于压缩感知信号处理领域。本发明不需要其他任何先验信息，也不需要其他算法作为辅助，仅需要上个正交匹配追踪算法所得估计支撑集中原子选择顺序的信息。在得到原子顺序信息后，本发明仅需再次运行原始算法就可以有效提高算法性能，操作简便。本发明在运行过程中提供了一个可控参数，用来调整算法在重构性能和运算时间之间的折中。本发明与传统正交匹配追踪算法相比，具有准确重构概率高、平均重构误差低的特点，相对其他改进算法具有运行成本低，操作简便，重构性能与运算时间可折中调控的优势，必将进一步促进压缩感知理论在实际中的应用。
-
公开(公告)号：CN118134779A
公开(公告)日：2024-06-04
申请号：CN202410291558.3
申请日：2024-03-14
Applicant: 南开大学
IPC: G06T5/50 , G06N3/0455 , G06N3/0464 , G06N3/08
Abstract: 本发明公开一种基于多尺度重构Transformer与多维注意力的红外和可见光图像融合方法，包括两个阶段：第一阶段为训练阶段，构建基于UNet++结构的编解码器并训练，利用多尺度重构Transformer补偿下采样时的全局依赖信息，将高维注意力加入到编码器横向密集连接的卷积块中，强化其对有效信息的关注能力；第二阶段为融合阶段，将融合模块添加到编码器和解码器之间，使用空间和通道注意力加权融合编码器特征，解码器重构出融合图像；本发明能够增强特征提取与重构能力，保留图像更多纹理细节；与现有方法相比，在信息熵、互信息、融合质量、标准差和视觉保真度这五种常用融合图像指标上具有优势。
-
公开(公告)号：CN118012530A
公开(公告)日：2024-05-10
申请号：CN202410195680.0
申请日：2024-02-22
Applicant: 南开大学
Abstract: 本发明属于车联网和移动边缘计算领域，具体涉及一种应用于车联网的移动边缘节点卸载方法。本发明针对移动边缘计算在车联网的应用场景，提出了一种多移动终端、多址边缘节点的计算任务卸载策略优化方法，采用联合优化策略让处于同一车联网系统场景中的车辆移动终端，在与分布在场景中的边缘节点实现计算任务卸载的过程中降低系统的任务完成总耗时。本发明基于凸优化原理，分别从计算任务卸载策略和车辆移动终端传播功率两方面作为优化思路，构建了基于移动边缘计算的任务卸载时耗数学模型，考虑计算任务发布的随机性和任务处理的并行性，保证通信质量的前提下，将发布计算任务的车辆移动终端坐标、任务大小和边缘节点状态输入上述模型中，进而求解出接近全局最小耗时的计算任务卸载策略。本发明相较于常见的就近节点卸载方法，以调整传播功率和合理分配卸载权重的方式，提出了有效降低时耗的移动边缘计算卸载策略求解方法，同时通过对非凸约束进行转换方法，能够有效实现复杂车联网环境下对移动边缘计算任务卸载时耗的显著降低，具有广阔的应用前景。
-
公开(公告)号：CN117745852A
公开(公告)日：2024-03-22
申请号：CN202410078634.2
申请日：2024-01-19
Applicant: 南开大学
IPC: G06T9/00 , G06N3/0464 , G06N3/0499 , G06N3/084
Abstract: 本发明属于信号处理和深度学习技术领域，具体涉及一种基于Transformer模型与大核卷积的自然图像压缩感知方法。针对如何实现自然图像的稀疏采样与高质量恢复这一问题，本发明提出了一种混合Vision Transformer和大核卷积的展开网络架构，实现了图像压缩感知的可解释性重构。该网络为端到端的两段式架构，一是使用数据驱动的预训练编码器完成图像信息的稀疏表示与基本特征提取；二是设计了一种基于优化启发的模块，将其迭代过程视为网络展开过程，引入双通道大核注意力机制捕获局部结构与长程依赖，逐阶段重构原始图像。实验结果显示，本发明提出的图像压缩感知方法与现有方法相比，可以在保持重构速度的同时，降低网络内存占用并提升图像的重构质量。
-
公开(公告)号：CN117710899A
公开(公告)日：2024-03-15
申请号：CN202410035226.9
申请日：2024-01-10
Applicant: 南开大学
IPC: G06V20/52 , G06V20/54 , G06V10/44 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/084
Abstract: 本发明属于图像处理和深度学习技术领域，具体涉及一种应用于车联网的多光谱行人检测方法。针对智能交通系统全天候监测的需求，为了弥补传统可见光单模态图像对光照环境依赖性强的缺点，本发明提出采用可见光‑红外双模态图像实现行人目标检测，构建了稳定、快速、精准的多光谱行人检测模型。本发明基于VGG‑16双流特征提取网络，分别捕获两模态特征，构建了基于差分注意力增强和频域融合的跨模态特征融合模块，充分融合跨模态特征，将融合特征组送入基于SSD的检测头中，进而输出行人目标位置信息。本发明创新地提出了有效增强两模态对检测有益的互补信息，抑制冗余背景特征的特征融合方法，能够实现复杂环境下的行人目标检测，具有广阔的应用前景。
-
-
-
-
-
-
-
-
-
Search Results
34
records
(took 0.023 seconds)
