-
公开(公告)号：CN115203631B
公开(公告)日：2025-04-25
申请号：CN202210834494.8
申请日：2022-07-14
Applicant: 安徽大学
IPC: G06F18/25 , G06F18/241 , G06F17/15 , G06N3/126
Abstract: 本发明属于大数据分析领域，具体涉及一种基于改进遗传算法的多模态数据分析方法、系统、装置。本发明在一个划分序乘积空间中对问题求解层进行优选，得到目标问题求解层。该方法包括如下步骤：S1：构建一个自适应遗传算法。构建过程如下：S11：设计自定义的适应度函数。S12：将选择算子改进为混合选择算子。S13：将交叉算子改进为自适应交叉算子。S14：将变异算子改进为自适应变异算子。S2：使用划分序乘积空间模型对多模态数据进行描述：随机生成初始化种群。S3：设定最大迭代轮次，利用自适应遗传算法对初始化种群进行迭代更新，得到所需的目标问题求解层。本发明解决了现有经典遗传算法存在收敛困难，容易陷入局部最优等问题。
-
公开(公告)号：CN114220157A
公开(公告)日：2022-03-22
申请号：CN202111646573.8
申请日：2021-12-30
Applicant: 安徽大学
IPC: G06V40/16 , G06V10/12 , G06V10/40 , G06V10/764 , G06V10/82 , G06V20/17 , G06V20/40 , G06K9/62 , G06N3/04 , G06N3/08 , G06F9/50
Abstract: 本发明属于自动控制领域，具体涉及无人机配送中基于人脸转正和人脸识别的收货人识别方法、系统。系统中包括云服务器、边缘服务器和无人机。该配送方法包括如下过程：S1：边缘服务器向云服务器请求下载收货人的注册信息。S2：无人机运送货物达到收货地址，采集视频并提取人脸图像。S3：人脸图像发送给边缘服务器。边缘服务器进行人脸转正得到正向人脸图像。S4：将正向人脸图像与标准人脸图像进行特征匹配。S5：边缘服务器根据匹配结果确定收件人，然后计算出收件人的地理坐标。S6：无人机降落到收件人对应的地理坐标位置完成配送任务并起飞返程。本发明解决了现有无人机执行货物配送任务时无法实现精准交付，不能全自动无人配送的问题。
-
公开(公告)号：CN117892838A
公开(公告)日：2024-04-16
申请号：CN202410041548.4
申请日：2024-01-11
Applicant: 安徽大学
IPC: G06N20/00 , G06F18/211
Abstract: 本发明涉及数据分类技术领域，更具体的，涉及基于特征选择的增量宽度学习方法及系统。本发明将输入数据通过特征选择的方式分成两个层次：选出的特征作为重要特征层X′，剩余的特征作为一般特征层Xr；并将X′用在基本宽度学习中、将Xr用在增量宽度学习中，既可以降低特征冗余对模型训练带来的影响，也可以使用不同的特征在IBLS的两部分进行学习，增加了特征的互补性。本发明解决了现有IBLS的学习效率、学习精度存在提升空间的问题。
-
公开(公告)号：CN115063073B
公开(公告)日：2024-04-16
申请号：CN202210655824.7
申请日：2022-06-10
Applicant: 安徽大学
IPC: G06Q10/083 , G06Q10/0631 , G06V10/774 , G06V10/82 , G06V20/40 , G06V40/16 , G05D1/46 , H04L9/00
Abstract: 本发明属于物流配送领域，具体涉及一种高效保密的无人机协同配送方法。该配送方法利用无人机作为输送载具，将货物自动配送给收货人。云服务器自动分配配送任务，部署在收货地址附近的边缘服务器为无人机识别收货人提供辅助计算能力，该配送方法包括如下六个阶段：一、任务分配阶段，二、配送准备阶段，三、货物运输阶段，四、对象匹配阶段，五、坐标生成阶段，六、货物配送阶段。其中，在任务分配阶段，云服务器和边缘服务器通过区块链技术进行保密通信，在对象匹配阶段和货物配送阶段，边缘服务器和无人机采用混沌加密通信技术进行加密通信。本发明提供的配送方法解决了传统无人机配送工作效率低，数据处理量大，安全性不足的问题。
-
公开(公告)号：CN115222049A
公开(公告)日：2022-10-21
申请号：CN202210834493.3
申请日：2022-07-14
Applicant: 安徽大学
Abstract: 本发明属于大数据领域，具体涉及一种多模态数据模型的问题求解层选择方法、系统、装置。该方法用于在划分序乘积空间中对问题求解层进行优选。包括预选和优选阶段。具体步骤如下：S1：将问题求解层表示成染色体个体，生成准初始种群。S2：定义一个适应度函数。S3：对准初始种群进行迭代更新，保存每轮迭代更新中的最优个体；S4：对经典遗传算法中的选择算子、交叉算子和变异算子进行改良，得到一种新的自适应遗传算法；S5：将随机生成的染色体和次优种群合并作为优选阶段的初始种群。S6：对初始种群进行迭代更新，并在迭代结束后选择出最优的问题求解层；本发明解决了现有经典遗传算法处理该问题时存在收敛困难，容易陷入局部最优等问题。
-
Patent Agency Ranking
公开(公告)号：CN115063073A
公开(公告)日：2022-09-16
申请号：CN202210655824.7
申请日：2022-06-10
Applicant: 安徽大学
Abstract: 本发明属于物流配送领域，具体涉及一种高效保密的无人机协同配送方法。该配送方法利用无人机作为输送载具，将货物自动配送给收货人。云服务器自动分配配送任务，部署在收货地址附近的边缘服务器为无人机识别收货人提供辅助计算能力，该配送方法包括如下六个阶段：一、任务分配阶段，二、配送准备阶段，三、货物运输阶段，四、对象匹配阶段，五、坐标生成阶段，六、货物配送阶段。其中，在任务分配阶段，云服务器和边缘服务器通过区块链技术进行保密通信，在对象匹配阶段和货物配送阶段，边缘服务器和无人机采用混沌加密通信技术进行加密通信。本发明提供的配送方法解决了传统无人机配送工作效率低，数据处理量大，安全性不足的问题。
-
公开(公告)号：CN114237905A
公开(公告)日：2022-03-25
申请号：CN202111582084.0
申请日：2021-12-22
Applicant: 安徽大学
IPC: G06F9/50
Abstract: 本发明属于网络通信领域，具体涉及一种基于三支决策的边缘服务迁移方法、系统及终端。该方法包括如下步骤：S1：定义一个用于预测用户在下一时刻的移动状态评估函数；S2：对评估函数v(uj)的值表征的区域进行划分，包括服务迁移区域、延迟区域和不迁移区域；S3：计算出最优能耗迁移位置；S4：获取边缘服务器的专属服务半径和设备服务半径；S5：获取用户在当前状态下距离边缘服务器中心的距离，判断是否需要进行服务迁移；S6：更新用户的评估函数判断其与边界阈值α、β之间的关系，S7：根据用户的当前位置、最迟迁移位置和最优能耗迁移位置的关系，给出服务迁移指令。本发明解决现有服务迁移方法能耗损失过大、服务延迟时间较长的问题。
-
公开(公告)号：CN114237905B
公开(公告)日：2025-04-22
申请号：CN202111582084.0
申请日：2021-12-22
Applicant: 安徽大学
IPC: G06F9/50
Abstract: 本发明属于网络通信领域，具体涉及一种基于三支决策的边缘服务迁移方法、系统及终端。该方法包括如下步骤：S1：定义一个用于预测用户在下一时刻的移动状态评估函数；S2：对评估函数v(uj)的值表征的区域进行划分，包括服务迁移区域、延迟区域和不迁移区域；S3：计算出最优能耗迁移位置；S4：获取边缘服务器的专属服务半径和设备服务半径；S5：获取用户在当前状态下距离边缘服务器中心的距离，判断是否需要进行服务迁移；S6：更新用户的评估函数判断其与边界阈值α、β之间的关系，S7：根据用户的当前位置、最迟迁移位置和最优能耗迁移位置的关系，给出服务迁移指令。本发明解决现有服务迁移方法能耗损失过大、服务延迟时间较长的问题。
-
公开(公告)号：CN115953531A
公开(公告)日：2023-04-11
申请号：CN202211596766.1
申请日：2022-12-12
Applicant: 安徽大学
IPC: G06T17/00 , G06V40/16 , G06V40/20 , G06N3/0464 , G06N3/08
Abstract: 本发明属于人工智能技术领域，具体涉及一种基于螺旋图卷积网络的全身人体模型重建方法、系统，以及对应的全身人体模型重建设备。该全身人体模型重建方法包括如下步骤：S1：从原始图像中提取出全身、手部关节和脸部的局部图像。S2：通过特征提取网络各局部图像对应的特征向量。S3：采用螺旋图卷积网络进行图结构处理并预测每个顶点的位置，重建出对应的局部模型。S4：按照定义的顶点序列将重建的身体模型、手部模型、人脸模型整合到一起，得到所需的包含脸部表情和手势动作的三维全身模型。本发明解决了现有现有各类方案重建人体三维模型时存在模型表面不规则不光滑、脸部和手部的特征信息不足，模型的整体表现不佳等问题。
-
公开(公告)号：CN115329248A
公开(公告)日：2022-11-11
申请号：CN202210964149.6
申请日：2022-08-11
Applicant: 安徽大学
Abstract: 本发明涉及一种基于双局部概率粗糙集的快速属性约简方法。快速属性约简方法包括如下步骤：S1：根据决策信息系统的等价关系和条件概率建立概率粗糙集模型；S2：根据目标概念与目标概念的补集将概率粗糙集模型转化为双局部概率粗糙集模型；S3：设计基于双局部概率粗糙集的概率粗糙集近似集快速生成方法；S4：根据基于双局部概率粗糙集的概率粗糙集近似集快速生成方法，设计基于双局部概率粗糙集的概率粗糙集快速属性约简方法。本发明提出了双局部概率粗糙集模型以及基于双局部概率粗糙集的概率粗糙集近似集快速算法，进而设计出基于双局部概率粗糙集的快速属性约简方法，在保证属性约简的精确度的同时，提高了属性约简的效率。
-
-
-
-
-
-
-
-
-
Search Results
12
records
(took 0.019 seconds)
