-
Patent Agency Ranking
公开(公告)号：CN110928691A
公开(公告)日：2020-03-27
申请号：CN201911365517.X
申请日：2019-12-26
Applicant: 广东工业大学
IPC: G06F9/50
Abstract: 为了解决现有技术中计算卸载的算法不适合智能交通领域的问题，本发明提供一种面向交通数据的端边协同计算卸载方法，首先为通信时延和计算时延建立系统模型；然后建立以时延和资源为约束条件的系统效用函数；最后设计优化策略在两者之间取得平衡。本发明在计算卸载过程中综合考虑计算资源和时延，设计优化函数去取得两者之间的平衡。本发明首先根据通信时间系统模型、边缘侧计算时间系统模型和本地计算时间系统模型，建立总时延系统模型；然后综合考虑资源分配的均衡性，设计系统效用函数；最后研究系统优化策略，完成计算卸载算法的设计。本发明针对智能交通行业应用的特点，设计过程中兼顾资源分配和时延，性能上优于传统算法。
-
公开(公告)号：CN111060944A
公开(公告)日：2020-04-24
申请号：CN201911367763.9
申请日：2019-12-26
Applicant: 广东工业大学
IPC: G01S19/46
Abstract: 本发明公开了一种基于current-ellipse模型的车辆动态跟踪方法，包括以下步骤：S1、在GNSS信号受限区域部署RSUs车辆无线定位系统，获取目标跟踪车辆的运动观测数据；S2、以current模型为基础，改进得到目标跟踪车辆的current-ellipse运动数学模型；S3、在步骤S2改进得到的current-ellipse运动数学模型的基础上，对来自RSUs的目标跟踪车辆观测数据执行自适应卡尔曼滤波算法，从而得到精确的目标跟踪车辆的运动数据。本发明引入RSUs辅助定位，并基于一种新的车辆运动数学模型current-ellipse和采用自适应卡尔曼滤波的融合算法，实现动态车辆精确跟踪。
-
公开(公告)号：CN110928691B
公开(公告)日：2021-07-09
申请号：CN201911365517.X
申请日：2019-12-26
Applicant: 广东工业大学
IPC: G06F9/50
Abstract: 为了解决现有技术中计算卸载的算法不适合智能交通领域的问题，本发明提供一种面向交通数据的端边协同计算卸载方法，首先为通信时延和计算时延建立系统模型；然后建立以时延和资源为约束条件的系统效用函数；最后设计优化策略在两者之间取得平衡。本发明在计算卸载过程中综合考虑计算资源和时延，设计优化函数去取得两者之间的平衡。本发明首先根据通信时间系统模型、边缘侧计算时间系统模型和本地计算时间系统模型，建立总时延系统模型；然后综合考虑资源分配的均衡性，设计系统效用函数；最后研究系统优化策略，完成计算卸载算法的设计。本发明针对智能交通行业应用的特点，设计过程中兼顾资源分配和时延，性能上优于传统算法。
-
公开(公告)号：CN106971145A
公开(公告)日：2017-07-21
申请号：CN201710124150.7
申请日：2017-03-03
Applicant: 广东工业大学
CPC classification number: G06K9/00724 , G06K9/00744 , G06K9/00765 , G06K9/6267
Abstract: 本发明实施例公开了一种基于极限学习机的多视角动作识别方法及装置，具有使用相对简单，比传统神经网络更快速，得到也不是唯一的输出，而是选取结果大多数一致的分类作为最终结果，精度更高，对未知数据分类能力更好。
-
公开(公告)号：CN111060944B
公开(公告)日：2021-08-17
申请号：CN201911367763.9
申请日：2019-12-26
Applicant: 广东工业大学
IPC: G01S19/46
Abstract: 本发明公开了一种基于current‑ellipse模型的车辆动态跟踪方法，包括以下步骤：S1、在GNSS信号受限区域部署RSUs车辆无线定位系统，获取目标跟踪车辆的运动观测数据；S2、以current模型为基础，改进得到目标跟踪车辆的current‑ellipse运动数学模型；S3、在步骤S2改进得到的current‑ellipse运动数学模型的基础上，对来自RSUs的目标跟踪车辆观测数据执行自适应卡尔曼滤波算法，从而得到精确的目标跟踪车辆的运动数据。本发明引入RSUs辅助定位，并基于一种新的车辆运动数学模型current‑ellipse和采用自适应卡尔曼滤波的融合算法，实现动态车辆精确跟踪。
-
-
-
-
Search Results
5
records
(took 0.029 seconds)
