-
公开(公告)号：CN117394344A
公开(公告)日：2024-01-12
申请号：CN202311433023.7
申请日：2023-10-31
Applicant: 山东工商学院 , 烟台新旧动能转换研究院暨烟台科技成果转移转化示范基地
IPC: H02J3/00 , G06F18/25 , G06N3/0464 , G06N3/0442 , G06F123/02
Abstract: 本发明涉及电力能源技术领域，尤其涉及基于深度交叉分解的双通道电力负荷预测方法。对采集的电力负荷数据进行预处理构造数据集；将输入序列分解为季节项和趋势‑周期项，进入季节通道和趋势‑周期通道分别进行预测；在季节通道和趋势‑周期通道中，先后通过特征增强模块、序列分解模块、特征弱化模块进行数据处理；还设计了深度交叉分解融合模块，将季节通道中分离出的趋势‑周期分量送到趋势‑周期通道，同时融入从趋势‑周期通道得到的季节分量；同时，通过构建残差连接，避免了梯度消失，提高了模型的泛化能力。最后，经过一个全连接层得到目标长度的预测结果。本发明具有较强的泛化能力，有效提高了电力负荷预测的精度。
-
公开(公告)号：CN120014204A
公开(公告)日：2025-05-16
申请号：CN202510495068.X
申请日：2025-04-21
Applicant: 山东工商学院
Abstract: 本发明属于点云数据重建技术领域，具体涉及一种基于加权局部曲面逼近的鲁棒三维重建方法。所述方法包括：首先，对输入的三维点云数据进行预处理，构建邻域关系，并通过最小二乘法在每个点的局部邻域内拟合局部曲面；其次，基于点的邻域信息计算其影响权重，并采用加权平均法计算最终曲面点的位置，以优化局部曲面的几何精度；随后，利用基于均方误差的异常权重剔除策略，筛选并去除异常点，减少噪声干扰，提高曲面重建的稳定性和鲁棒性；最后，通过加权平均提高整体曲面拟合的精度，使得重建曲面能够更精确地贴合原始点云数据，有效提升点云数据的重建精度。
-
公开(公告)号：CN118429211A
公开(公告)日：2024-08-02
申请号：CN202410580451.0
申请日：2024-05-11
Applicant: 山东工商学院 , 山东(烟台)中日产业技术研究院(烟台市产业技术研究院)
Abstract: 本发明涉及图像处理领域，尤其涉及基于分片分解和直方图均衡化的两阶段图像平滑方法，包括用分割线预分割输入图像，求出输入图像的边缘二值图，根据该边缘二值图像更新分割线位置，将图像划分为不同区域；根对图像边缘分布集中的区域进行直方图均衡化；将图像块分解，减弱纹理区域梯度的同时尽可能保留边缘区域梯度；由于图像中部分区域经历过直方图均衡化操作，造成这些区域与其余区域存在颜色差异，对这些区域使用逆直方图均衡化和对图像整体进行L0梯度最小化平滑可以消除该缺陷，完成图像平滑工作。本发明在平滑图像时对于弱边缘的保留以及纹理的去除方面皆有较好的表现，取得了令人满意的平滑视觉效果。
-
公开(公告)号：CN119782936A
公开(公告)日：2025-04-08
申请号：CN202411902374.2
申请日：2024-12-23
Applicant: 山东工商学院
IPC: G06F18/2415 , G06F18/214 , G06N20/20
Abstract: 本发明公开了一种概率区间预测方法和装置，属于概率区间预测领域。本发明采用了基础分位数回归模型，利用其直接读取预测样本生成预测区间的优点。为了有效避免过拟合问题，将数据集按一定比例划分为训练集和测试集。同时，采用了集成学习方法，将数据集分成多份自取件来训练多个模型，再将不同模型的结果进行融合得到最终预测结果。通过融合不同模型的结果，可以提高预测区间的准确性和鲁棒性，同时也满足了接下来要进行的保形预测所要求的可交换性。采用保形预测方法来保证预测区间覆盖真实值的可靠性，将预测区间上界限和下界限分别进行保形预测，通过保证操作可以在牺牲一定区间宽度的基础上覆盖更多的真实值。
-
公开(公告)号：CN115018707A
公开(公告)日：2022-09-06
申请号：CN202210683222.2
申请日：2022-06-16
Applicant: 山东工商学院
Abstract: 本发明公开了一种基于九曲面片双四次拟合的图像放大方法和装置，属于图像处理领域。本发明先将图像IL重叠的分成5×5大小的图像块，再将其重叠的分成9个3×3的图像子块，并在每个图像子块上构造二次多项式拟合曲面片；将9个二次多项式拟合曲面片组合成双四次多项式拟合曲面片，将其拼接在一起组合成近似曲面F(x,y)；对近似曲面重采样，得到放大图像；基于残差系数和拉普拉斯算子增强放大图像边缘，得到增强图像；对增提强图像降采样，得到降采用图像；将图像IL减去降采样图像，得到残差图像；基于残差图像构造近似曲面，并将其投影到近似曲面F(x,y)。本发明不仅具有较高的精度，同时在图像纹理细节和结构边缘处有较好的视觉效果。
-
Patent Agency Ranking
公开(公告)号：CN106682972A
公开(公告)日：2017-05-17
申请号：CN201710055774.8
申请日：2017-01-25
CPC classification number: G06Q30/0635 , G06Q50/30
Abstract: 本发明公开了云端多路点匹配代驾方法、系统、云端服务器及客户端。该方法包括：司机端和乘客端分别将其相应用户信息发送至云端服务器并存储至用户信息表单中；乘客端将订单信息发送至云端服务器并存储订单池内；云端服务器实时将订单池内的订单信息按照时间优先级进行排序并存储至行程任务表单中；司机端向云端服务器发送接单请求，接收行程任务表单并随机选择其中任一行程任务；云端服务器将司机端选择的行程任务移至历史行程任务表单进行存储并更新行程任务表单；司机端实时将其地理位置信息发送至云端服务器，云端服务器将接收到地理位置信息与相应司机端当前的行程任务相关联，实时更新当前的行程任务状态并发送至乘客端，直至行程任务结束。
-
公开(公告)号：CN120014840A
公开(公告)日：2025-05-16
申请号：CN202510486614.3
申请日：2025-04-18
Applicant: 山东工商学院
IPC: G08G1/01 , G06Q10/04 , G06Q50/40 , G06N3/042 , G06N3/0464 , G06N3/0442 , G06F18/25
Abstract: 本发明属于交通数据预测技术领域，具体涉及一种基于时空特征嵌入与门操作优化的交通预测方法及装置。所述方法包括：引入时间步特征关系嵌入和时间步空间关系嵌入，生成一个同时考虑时间和空间的综合特征表示，再结合历史交通节点数据，得到融合特征；构建交通数据预测模型，所述交通数据预测模型包括图卷积网络和门控循环单元；其中，所述图卷积网络能够捕捉节点之间的空间关系，所述门控循环单元能够捕捉时间上的依赖关系；基于融合特征对交通数据预测模型进行训练，采用训练好的交通数据预测模型，预测出未来交通数据。本发明能够更好地捕捉复杂交通网络中的时空关系，从而提供更准确和可靠的交通预测。
-
公开(公告)号：CN116563111A
公开(公告)日：2023-08-08
申请号：CN202310541475.0
申请日：2023-05-11
Applicant: 山东工商学院
IPC: G06T3/40 , G06V10/42 , G06V10/80 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了基于深度递归残差通道注意力的图像放大方法，包括所述的图像放大方法步骤为：(1)、对训练数据集进行预处理；(2)、构建卷积神经网络模型，并利用训练数据集训练卷积神经网络参数；(3)、根据步骤2中的卷积神经网络的模型及其训练参数，以最小化损失函数为目标训练卷积神经网络；(4)、利用训练好的卷积神经网络模型，对低分辨率图像进行超分辨率测试。该基于深度递归残差通道注意力的图像放大方法，对不同神经网络层提取到的特征进行融合，有效地增强了模型提取图像纹理细节的能力，提高了放大图像的细节感官效果。
-
公开(公告)号：CN106682972B
公开(公告)日：2021-04-09
申请号：CN201710055774.8
申请日：2017-01-25
Abstract: 本发明公开了云端多路点匹配代驾方法、系统、云端服务器及客户端。该方法包括：司机端和乘客端分别将其相应用户信息发送至云端服务器并存储至用户信息表单中；乘客端将订单信息发送至云端服务器并存储订单池内；云端服务器实时将订单池内的订单信息按照时间优先级进行排序并存储至行程任务表单中；司机端向云端服务器发送接单请求，接收行程任务表单并随机选择其中任一行程任务；云端服务器将司机端选择的行程任务移至历史行程任务表单进行存储并更新行程任务表单；司机端实时将其地理位置信息发送至云端服务器，云端服务器将接收到地理位置信息与相应司机端当前的行程任务相关联，实时更新当前的行程任务状态并发送至乘客端，直至行程任务结束。
-
公开(公告)号：CN116742606A
公开(公告)日：2023-09-12
申请号：CN202310528856.5
申请日：2023-05-11
Applicant: 山东工商学院
IPC: H02J3/00 , G06Q10/04 , G06Q50/06 , G06N3/0442 , G06N3/045 , G06N3/0464 , G06F18/25
Abstract: 本发明公开了基于变分模态分解和双通道自注意力的电力负荷预测方法，包括步骤1、步骤2、步骤3、步骤4、步骤5和步骤6；所述步骤1，给定历史电力负荷时序数据，使用单步滑动窗口机制分割为多个窗口；所述步骤2，对这些序列窗口使用变分模态分解方法，分解为K个不同频率的子序列；所述步骤3，对分解后的K个不同频率的子序列使用归一化进行处理得到K个数据集；所述步骤4，采用双通道自注意力的预测方法对K个数据集分别进行训练和预测。本方法使用变分模态分解方法，将不规则的电力负荷序列分解成不同频率的近似平稳序列，从而提高了预测的准确性，并且改变了分解对象，不直接对整个时间序列分解而是对滑动窗口数据进行分解。
-
-
-
-
-
-
-
-
-
Search Results
12
records
(took 0.068 seconds)
