-
公开(公告)号：CN113779879B
公开(公告)日：2024-06-18
申请号：CN202111039397.1
申请日：2021-09-06
Applicant: 安徽大学
IPC: G06F30/27 , G06F113/04 , G06F119/02
Abstract: 本发明公开了一种基于LSTM‑seq2seq‑attention模型的中长期用电异常检测方法，包括数据收集步骤、数据预处理步骤、神经网络模型构建步骤、神经网络模型训练步骤、经济数据估计步骤、用电异常综合指数d计算步骤、用电异常判断步骤。根据历史数据，可以通过结合包括GDP，气候，节假日在内的影响因素，分析出不同用户的用电行为特征。利用Seq2Seq‑Attention神经网络，能够快速有效的分析用户数据，对可疑用户进行检测，实施防窃电。本发明的基于LSTM‑seq2seq‑attention模型的中长期用电异常检测方法，具有快速和精确、准确性高与鲁棒性好等优点。
-
公开(公告)号：CN120030430A
公开(公告)日：2025-05-23
申请号：CN202510193233.6
申请日：2025-02-21
Applicant: 安徽大学
IPC: G06F18/2413 , G06F18/23 , G06F18/214 , G06F16/353 , G06Q10/107 , G06N3/006 , G06F40/289 , G06F40/232 , G06F40/216 , G06F18/21 , G06F18/22
Abstract: 本发明涉及基于级联聚类高维多模态特征选择的邮件分类方法，与现有技术相比解决了邮件分类技术中在高维特征情况下无法找到多个等效特征子集实现准确邮件分类的缺陷。本发明包括以下步骤：邮件数据的预处理及数据集的构建；根据邮件数据中的特征数量使用拉丁超立方采样方法初始化种群；更新每个子种群指导向量；完成解的评价；对每个子种群执行环境选择；多子种群的划分；进行子种群的调整；等效特征子集的记录与邮件的分类。本发明能够找到多个等效特征子集，为决策者提供更多的选择空间，实现邮件的准确分类。
-
公开(公告)号：CN111310768B
公开(公告)日：2023-04-18
申请号：CN202010063895.9
申请日：2020-01-20
Applicant: 安徽大学
Abstract: 本发明属于图像处理技术领域，具体涉及基于鲁棒性背景先验和全局信息的显著性目标检测方法。该方法包括以下步骤：构建待检测图像的超像素标签矩阵；构建待检测图像的超像素权重矩阵；筛选瞬态节点和吸收节点；构建待检测图像的马尔科夫转移矩阵，并计算瞬态节点吸收时间；构建马尔科夫转移矩阵的显著性特征图；根据权重矩阵，计算超像素点的前背景概率；构建鲁棒性背景先验显著特征图；将马尔科夫转移矩阵的显著性特征图和鲁棒性背景先验显著特征图进行叠加整合，并利用所有超像素点的显著性值，生成超像素点的综合显著性检测图。本发明整合了鲁棒性背景先验方法和全局信息，得到的显著性目标更均匀，能更有效地计算图像的显著性值。
-
公开(公告)号：CN119344751B
公开(公告)日：2025-04-29
申请号：CN202411897459.6
申请日：2024-12-23
Applicant: 安徽大学
IPC: A61B5/372 , A61B5/00 , G06F18/10 , G06F18/15 , G06F18/2131 , G06F18/24 , G06F18/25 , G06N3/0464
Abstract: 本发明公开一种基于自适应时空注意力与动态融合网络的癫痫预测方法，涉及脑信号预处理模块、上下文注意力编码层、远距离内容依赖网络、自适应时序状态空间建模模块和癫痫预测模块；脑信号预处理模块获得对应时域信息和频域信息和邻接矩阵；邻接矩阵视为图结构，图结构各条边的权重输入上下文注意力编码层，提取各通道间的空间特征，通过邻居节点信息的聚合和注意力动态调整权重，输出节点特征矩阵；节点特征矩阵输入远距离内容依赖网络输出全局空间特征和对应时间序列；通过自适应时序状态空间建模模块得到时空动态融合特征；时空动态融合特征输入癫痫预测模块后输出癫痫预测结果。本发明能够精准预测。
-
公开(公告)号：CN118411708A
公开(公告)日：2024-07-30
申请号：CN202410547825.9
申请日：2024-05-06
Applicant: 江淮前沿技术协同创新中心 , 安徽大学
IPC: G06V20/58 , G06V20/40 , G06V10/56 , G06V10/62 , G06V10/74 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/0455 , G06N3/08
Abstract: 本发明涉及一种基于路况场景感知与动态特征融合的驾驶员视角下交通违规行为识别方法，包括：输入256×256的RGB帧、光流帧视频信息以及对应的标签文本，使用预训练CLIP模型进行特征提取；经过动态特征融合处理；将多帧视频图像的视频图像特征向量进行融合；构建路况场景图，得到路况语义特征，再结合标签语义特征进行融合，得到场景文本特征向量；计算最终的视频图像特征向量和场景文本特征向量之间的相似度，根据相似度排序，得出交通违规行为识别结果。本发明能够同时捕捉视频的静态视觉信息和动态运动信息，提高了特征表达的丰富性和准确性；利用动态特征融合策略，增强了特征向量的代表性和鲁棒性；实现了对驾驶员视角下交通违规行为的精确识别。
-
Patent Agency Ranking
公开(公告)号：CN113779879A
公开(公告)日：2021-12-10
申请号：CN202111039397.1
申请日：2021-09-06
Applicant: 安徽大学
IPC: G06F30/27 , G06F113/04 , G06F119/02
Abstract: 本发明公开了一种基于LSTM‑seq2seq‑attention模型的中长期用电异常检测方法，包括数据收集步骤、数据预处理步骤、神经网络模型构建步骤、神经网络模型训练步骤、经济数据估计步骤、用电异常综合指数d计算步骤、用电异常判断步骤。根据历史数据，可以通过结合包括GDP，气候，节假日在内的影响因素，分析出不同用户的用电行为特征。利用Seq2Seq‑Attention神经网络，能够快速有效的分析用户数据，对可疑用户进行检测，实施防窃电。本发明的基于LSTM‑seq2seq‑attention模型的中长期用电异常检测方法，具有快速和精确、准确性高与鲁棒性好等优点。
-
公开(公告)号：CN120012840A
公开(公告)日：2025-05-16
申请号：CN202510105475.5
申请日：2025-01-23
Applicant: 安徽大学
IPC: G06N3/0475 , G06N3/094 , G06F18/2135
Abstract: 本发明公开了基于生成对抗网络的稀疏大规模多目标优化方法，涉及大规模多目标优化技术领域，包括以下步骤：对大规模高维稀疏数据集进行预处理，以减少数据维度和噪声，同时确保优化过程中对稀疏区域的解空间探索不被忽略。本发明通过稀疏数据预处理、稀疏性控制机制和多轮对抗学习循环，提升生成对抗网络在多目标优化中的解集多样性和覆盖率，有效避免模式崩溃现象，使优化结果更全面。在处理高维稀疏数据时，通过特征提取、降维和动态学习率调整，降低计算复杂度，提升训练效率和稳定性，确保生成器能够均衡探索解空间的稀疏区域与高密度区域，为复杂决策场景提供高效可靠的技术支持。
-
公开(公告)号：CN119965844A
公开(公告)日：2025-05-09
申请号：CN202510049188.7
申请日：2025-01-13
Applicant: 安徽大学
Abstract: 本发明公开了基于进化算法的电网脆弱性多目标优化分析方法，涉及电网调度与优化技术领域，包括以下步骤：获取电网的历史负荷数据和相关的外部扰动信息，用于准确描述电网负荷的波动规律。本发明通过结合历史负荷数据和外部扰动信息，系统显著提高了电网负荷预测精度，减少了预测误差对调度的影响，优化了电网资源配置，避免了过载和设备故障，提升了电网的稳定性、可靠性和运行成本效益。同时，引入多目标优化模型和进化算法，系统在负荷分配、电网稳定性、成本控制和运行效率等方面实现综合优化。通过灵活调整调度策略，电网能够应对突发事件和高负荷情况，提高系统效率，降低成本，并保持高效稳定的运行。
-
公开(公告)号：CN118154633A
公开(公告)日：2024-06-07
申请号：CN202410338878.X
申请日：2024-03-25
Applicant: 安徽大学
Abstract: 本发明涉及一种基于目标检测与图像分割的道路坑洼边缘检测方法，包括：将待检测的道路图片进行缩放，采用标准化对缩放后的图像进行预处理；构建目标检测模型，对预处理之后的道路图片进行坑洼检测，得到检测图片，将坑洼所在的矩形区域从检测图片中裁剪出来，再对坑洼图片进行图像降噪，得到降噪后的图片；构建图像分割模型，将降噪后的图片和坑洼的中心坐标值输入至图像分割模型中进行处理，使坑洼在降噪后的图片中被分割出来，得到坑洼的边缘。本发明能够保护坑洼图像的边缘信息，使图像边缘更加锐利，细节更加平滑；采用的图像分割模型，极大降低了对高质量坑洼图像的依赖，具有极高的准确性和强大的鲁棒性。
-
公开(公告)号：CN119625657A
公开(公告)日：2025-03-14
申请号：CN202411701664.0
申请日：2024-11-26
Applicant: 江淮前沿技术协同创新中心 , 安徽大学
Abstract: 本发明公开一种基于多模态的双阶段细化绑定关系的车辆目标检测方法。该方法采用RGB、灰度和红外图像的多模态输入，通过独立网络进行多尺度特征提取，并在不同模态的多尺度特征之间进行融合，构建多模态多尺度特征图。在第一阶段，进行检测目标与查询的初步绑定，通过查询与多模态多尺度特征图的交互确定采样点。基于该位置信息，从多模态多尺度特征图中采样特征，并将采样特征映射到查询的通道维度。接着，通过交叉注意力机制更新查询，并引入历史查询以增强当前查询的效果。在第二阶段，基于初步绑定关系进行得分计算，设定阈值，以区分稳定与不稳定的绑定关系。对于得分高于阈值的目标，加大权重以强化绑定；而得分低于阈值的目标，则通过重新匹配查询与目标，优化绑定关系。最终，预测头对经过强化和调整的查询进行解码，输出目标的类别与边界框。
-
-
-
-
-
-
-
-
-
Search Results
15
records
(took 0.014 seconds)
