-
公开(公告)号：CN118154048B
公开(公告)日：2024-08-13
申请号：CN202410572738.9
申请日：2024-05-10
Applicant: 常熟理工学院
IPC: G06Q10/0639 , G06F18/214 , G06F18/23 , G06F18/10 , G06Q50/04 , G06F30/20
Abstract: 本发明公开了一种基于数字孪生的智能制造系统，涉及智能制造系统技术领域，具体包括以下步骤：S1、实时数据采集与预处理；S2、数据清洗与验证；S3、算法选择与参数调优；S4、数据融合与集成；S5、模拟预测与结果评估；S6、系统迭代与数据安全。该基于数字孪生的智能制造系统，通过实时数据采集与预处理、数据清洗与验证，可确保数据的实时性和准确性，提高系统对生产过程的监控和预测能力；通过算法选择与参数调优，提高模拟和预测的准确性，使系统能够更精准地预测生产过程中的变化和趋势；通过数据融合与集成，整合不同数据源的信息，提高数据的综合性和完整性，为系统提供更全面的数据支持。
-
公开(公告)号：CN117409375A
公开(公告)日：2024-01-16
申请号：CN202311724170.X
申请日：2023-12-15
Applicant: 常熟理工学院
IPC: G06V20/52 , G06V20/70 , G06V10/26 , G06V10/28 , G06V10/36 , G06V10/44 , G06V10/52 , G06V10/80 , G06V10/766 , G06V10/82 , G06N3/0464 , G06N3/045 , G06N3/084 , G06N3/048
Abstract: 本发明公开了一种双重注意力引导的人群计数方法，包括步骤对获取的人群图像预处理，并利用标注信息产生对应的真值分割图、向量化二值图，构建双重注意力引导的人群计数网络并初始化；将预处理后的人群图像、真值分割图和向量化二值图输入双重注意力引导的人群计数网络，完成前向传播；由注意力图与真值分割图计算损失，预估人群密度图与向量化二值图计算损失，并迭代更新网络的参数；基于人群图像通过迭代更新后的双重注意力引导的人群计数网络获取人群密度图，根据所述人群密度图得到预估人数。本发明还公开了基于该方法的装置。本发明使用注意力引导特征聚合恢复细粒度信息，采用分割注意力图过滤背景噪声，提高准确率。
-
公开(公告)号：CN115587884A
公开(公告)日：2023-01-10
申请号：CN202211479665.6
申请日：2022-11-23
Applicant: 常熟理工学院
Abstract: 本发明公开了一种基于改进的极限学习机的用户贷款违约预测方法，包括步骤：1、由用户贷款违约数据集训练加权极限学习机，用户贷款违约数据集由用户个人信息以及是否违约标签组成；2、将待预测用户个人信息输入训练后的加权极限学习机，输出得到预测结果；其中，加权极限学习机的目标代价权重矩阵基于初始权重与额外权重求和得到，用户贷款违约数据集依据是否违约标签分类为多数类样本与少数类样本，初始权重由多数类样本的数量与少数类样本的数量的差异确定，额外权重由用户贷款违约数据集中样本的附近异类样本数量确定。本发明通过引入初始权重与额外权重求的解决了贷款违约预测数据集的不平衡问题，提高分类性能。
-
公开(公告)号：CN108762249B
公开(公告)日：2019-11-08
申请号：CN201810385471.7
申请日：2018-04-26
Applicant: 常熟理工学院
IPC: G05D1/02
Abstract: 本发明公开了一种基于近似模型多步优化的清洁机器人最优路径规划方法，包括初始化模型、超参数、环境，选择探索策略并以当前样本更新模型，更新值函数、策略和当前状态，判断当前情节是否结束进而利用当前采样轨迹更新轨迹池，利用重构采样轨迹更新轨迹池，然后由轨迹池中所有轨迹来更新模型，采用模型进行规划，判断是否达到最大情节数，最后根据学习到最优策略来来获取清洁机器人规划的最优路径。本发明通过采用采样轨迹和单个样本同时对模型进行更新，提高模型学习的精度，同时利用该模型进行规划，提高值函数、策略和整个算法的学习速度，同时提高样本的利用效率，实现在更短的时间内采用更少的样本来获得清洁机器人进行规划的最优路径。
-
公开(公告)号：CN110197517A
公开(公告)日：2019-09-03
申请号：CN201910500919.X
申请日：2019-06-11
Applicant: 常熟理工学院
Abstract: 本发明公开了一种基于多域循环一致性对抗生成网络的SAR图像上色方法，包括步骤：从数据集中随机抽取一对非成对的SAR图像和光学图像并转化为特征向量，网络采用双生成器和双判别器结构，SAR图像特征向量连接掩模向量经过生成器的常规卷积、残差卷积、上采样操作，生成伪光学图像，相同步骤从光学图像得到伪SAR图像，由伪光学图像和光学图像以及伪SAR图像和SAR图像通过判别器输出，由对抗损失、循环一致损失和多域分类损失对生成器和判别器进行对抗训练，由训练后的生成器根据SAR图像生成上色的光学图像。本发明方法可使用非成对数据集进行训练，并减少区域上色错误。
-
Patent Agency Ranking
公开(公告)号：CN110175613A
公开(公告)日：2019-08-27
申请号：CN201910475662.7
申请日：2019-06-03
Applicant: 常熟理工学院
Abstract: 本发明公开了一种基于多尺度特征和编解码器模型的街景图像语义分割方法，包括以下步骤：原始图像输入深度卷积神经网络提取初始特征图；将初始特征图输入第一多尺度空间金字塔池化模块输出第一特征图；第一特征图输入第二多尺度空间金字塔池化模块输出第二特征图；第二特征图通过然后利用上采样操作和跳跃连接还原为原始图像大小得到最终的预测图；所述第一多尺度空间金字塔池化模块和第二多尺度空间金字塔池化模块输出特征图由通过1×1卷积、通过四个扩张率不同的atrous卷积以及通过平均池化操作提取的六种尺度的特征图级联后输出。本发明方法能够提高语义分割结果的精度，对目标边界的像素进行更准确的分类。
-
公开(公告)号：CN108762249A
公开(公告)日：2018-11-06
申请号：CN201810385471.7
申请日：2018-04-26
Applicant: 常熟理工学院
IPC: G05D1/02
Abstract: 本发明公开了一种基于近似模型多步优化的清洁机器人最优路径规划方法，包括初始化模型、超参数、环境，选择探索策略并以当前样本更新模型，更新值函数、策略和当前状态，判断当前情节是否结束进而利用当前采样轨迹更新轨迹池，利用重构采样轨迹更新轨迹池，然后由轨迹池中所有轨迹来更新模型，采用模型进行规划，判断是否达到最大情节数，最后根据学习到最优策略来来获取清洁机器人规划的最优路径。本发明通过采用采样轨迹和单个样本同时对模型进行更新，提高模型学习的精度，同时利用该模型进行规划，提高值函数、策略和整个算法的学习速度，同时提高样本的利用效率，实现在更短的时间内采用更少的样本来获得清洁机器人进行规划的最优路径。
-
公开(公告)号：CN119579655A
公开(公告)日：2025-03-07
申请号：CN202510135346.0
申请日：2025-02-07
Applicant: 常熟理工学院
IPC: G06T7/246 , G06V10/80 , G06N3/0464 , G06N3/08 , G06N3/0455
Abstract: 本发明公开了一种视频目标的跟踪方法，包括视频数据采集、视频数据预处理、跟踪模型训练、跟踪模型测试验证、待处理视频输入验证后跟踪模型得到跟踪结果。其中跟踪模型通过Transformer的编码器来增强外观模板特征和搜索域特征的显著性，并计算相似度权重得到记忆特征；之后由Transformer解码器融合增强后的搜索域特征和记忆特征得到最终特征，并由无锚框的回归机制输出目标边界框。此外，跟踪模型通过轨迹预测模型来估计目标的位置，避免附近的相似物体干扰，纠正了跟踪结果。本发明还公开了视频目标的跟踪系统，本发明解决了目标外观变化而导致误差积累以及相似目标干扰问题，跟踪精度和成功率高。
-
公开(公告)号：CN118154048A
公开(公告)日：2024-06-07
申请号：CN202410572738.9
申请日：2024-05-10
Applicant: 常熟理工学院
IPC: G06Q10/0639 , G06F18/214 , G06F18/23 , G06F18/10 , G06Q50/04 , G06F30/20
Abstract: 本发明公开了一种基于数字孪生的智能制造系统，涉及智能制造系统技术领域，具体包括以下步骤：S1、实时数据采集与预处理；S2、数据清洗与验证；S3、算法选择与参数调优；S4、数据融合与集成；S5、模拟预测与结果评估；S6、系统迭代与数据安全。该基于数字孪生的智能制造系统，通过实时数据采集与预处理、数据清洗与验证，可确保数据的实时性和准确性，提高系统对生产过程的监控和预测能力；通过算法选择与参数调优，提高模拟和预测的准确性，使系统能够更精准地预测生产过程中的变化和趋势；通过数据融合与集成，整合不同数据源的信息，提高数据的综合性和完整性，为系统提供更全面的数据支持。
-
公开(公告)号：CN111178584B
公开(公告)日：2021-12-07
申请号：CN201911225102.2
申请日：2019-12-04
Applicant: 常熟理工学院
Abstract: 本发明公开了一种基于双层融合模型的无人驾驶行为预测方法，包括步骤1、数据采集系统获取当前汽车的驾驶记录数据，所述驾驶记录数据包括当前汽车行驶的状态与汽车过去行驶的数据记录；步骤2、对数据采集系统获取的数据进行处理，以符合训练驾驶行为预测模型的输入要求；步骤3、数据处理的结果输入驾驶行为预测模型，在改进后的VGG‑LSTM和FCN‑LSTM双任务网络架构上对图片进行训练；步骤4、车辆下一行为预测，根据车辆过去时刻的运动状态和所述驾驶行为预测模型训练的结果输出汽车在下一时刻的运动状态。本发明既不需要给无人驾驶汽车规定特定场景，也无需给出汽车驾驶的条件规则库，在给定汽车过去时刻运动状态的前提下实现下一时刻的行为预测。
-
-
-
-
-
-
-
-
-
Search Results
53
records
(took 0.03 seconds)
