-
公开(公告)号：CN119521376A
公开(公告)日：2025-02-25
申请号：CN202411504826.1
申请日：2024-10-27
Applicant: 杭州电子科技大学
IPC: H04W64/00 , H04W4/33 , G06N3/006 , G06F18/23213
Abstract: 本发明提供一种基于RMLICT的多模态数据融合的室内定位方法及系统。首先建图阶段，从不平衡的众包轨迹数据中构建指纹地图。离线阶段，进行轨迹数据增强、降维、聚类处理。在线定位阶段，先进行方向匹配过滤，再利用增强粒子滤波建立RSS信号与单步运动之间的映射关系。该方法通过优化数据预处理和采用先进的粒子滤波算法，不仅提高了定位的精度和鲁棒性，还显著提升了系统的实时性能，适用于多种复杂室内环境，如多路径效应严重和信号遮挡的场景。
-
公开(公告)号：CN113386775B
公开(公告)日：2022-06-17
申请号：CN202110665334.0
申请日：2021-06-16
Applicant: 杭州电子科技大学
Abstract: 本发明提供了一种考虑人‑车‑路特性的驾驶员意图识别方法，其特征在于：包括：步骤1.获取从驾驶模拟器中记录的本车及其与周围车辆相关数据、驾驶员行为动作和驾驶室外场景信息；步骤2.对驾驶模拟器中获取的本车及周围环境数据进行预处理，并输入到训练好的GrowNet网络中，得到五种类别的概率值Pi(P1,P2,…,P5)；步骤3.分别保存两个摄像头采集的视频数据并进行处理，最后得到五种类别的概率值P'i(P'1,P'2,…,P'5)；步骤4.对从步骤2和步骤3得到Pi和P'i加权求和，取五种类别求和之后的最大值对应的类别为最终识别的驾驶意图。本发明充分利用驾驶模拟器，可以不依赖于车载传感器收集数据，实验更为便捷。另外，除了可以进行离线训练外，还可以进行在线测试，提高适用性。
-
公开(公告)号：CN116434532A
公开(公告)日：2023-07-14
申请号：CN202211615053.5
申请日：2022-12-14
Applicant: 杭州电子科技大学
IPC: G08G1/01 , G06N3/0464 , G06N3/0455 , G06N3/08
Abstract: 本发明公开了一种基于策略意图的交叉口轨迹预测方法，包括以下步骤：步骤1、在交叉路口架设路端设备，并且对包括车辆在内的交通参与者历史轨迹信息以及道路环境进行采集，获取该区域高精地图，得到原始数据；步骤2、对场景进行矢量化，得到全局交互特征；步骤3、按照划分的区域构建输入矩阵；步骤4、通过解码器解码得到多条可能轨迹，并选出最符合驾驶意图的轨迹作为最终预测轨迹；步骤5、以道路交叉口收集的数据为样本进行训练；步骤6、在路端设备上进行轨迹预测。本发明无需进行驾驶意图估计，而是利用确定的交叉口处驾驶意图选择符合驾驶人预期的预测轨迹，规避了个体差异带来的不确定性，很大程度上提高轨迹预测的效率和精度。
-
公开(公告)号：CN119780847A
公开(公告)日：2025-04-08
申请号：CN202411752249.8
申请日：2024-12-02
Applicant: 杭州电子科技大学 , 中国人民解放军96901部队25分队 , 中国电子科技集团公司第三十八研究所
Abstract: 本发明公开了基于盲源分离的雷达加性复合干扰空时联合抑制方法及系统，方法包括：S1、根据观测信号估计复合干扰信号的DOA；S2、对雷达回波信号采取相参积累，提高信噪比；S3、利用干扰信号的DOA信息构造阻塞矩阵，抑制复合干扰；S4、对S3输出的信号采取白化处理，去除不同通道信号之间的相关性；S5、对白化信号采用BCA算法抑制残余的干扰信号；S6、对S5输出的信号利用互相函数构造信号相似性度量依据，从中选择真实回波信号。本发明将空域抗干扰方法和时域抗干扰方法抑制有效结合，实现对雷达复合干扰的抑制，较现有采用盲源分离的抗干扰方法的效果更好，用时更短。
-
公开(公告)号：CN116434532B
公开(公告)日：2025-01-14
申请号：CN202211615053.5
申请日：2022-12-14
Applicant: 杭州电子科技大学
IPC: G08G1/01 , G06N3/0464 , G06N3/0455 , G06N3/08
Abstract: 本发明公开了一种基于策略意图的交叉口轨迹预测方法，包括以下步骤：步骤1、在交叉路口架设路端设备，并且对包括车辆在内的交通参与者历史轨迹信息以及道路环境进行采集，获取该区域高精地图，得到原始数据；步骤2、对场景进行矢量化，得到全局交互特征；步骤3、按照划分的区域构建输入矩阵；步骤4、通过解码器解码得到多条可能轨迹，并选出最符合驾驶意图的轨迹作为最终预测轨迹；步骤5、以道路交叉口收集的数据为样本进行训练；步骤6、在路端设备上进行轨迹预测。本发明无需进行驾驶意图估计，而是利用确定的交叉口处驾驶意图选择符合驾驶人预期的预测轨迹，规避了个体差异带来的不确定性，很大程度上提高轨迹预测的效率和精度。
-
Patent Agency Ranking
公开(公告)号：CN119382104A
公开(公告)日：2025-01-28
申请号：CN202411504864.7
申请日：2024-10-27
Applicant: 杭州电子科技大学
IPC: H02J3/00 , G06Q50/06 , G06N3/092 , G06N3/048 , G06N3/0985
Abstract: 本发明公开一种基于元强化学习的家庭微电网能量优化控制方法，在无建筑热动力模型和保证用户舒适度需求的情况下，研究含可再生能源资源消纳的需求响应与交流最优潮流的联合协调问题，包括：首先，将家庭微电网运行成本最小化问题建模为马尔可夫决策过程；其次，构建集成Normalizing Flow的Soft Actor Critic算法；再次，在所构建的算法训练中加入元学习的方法。本发明的优点是可以在保证用户的舒适度需求的前提下具有更大的运行成本节省潜力，而且可以快速适应不同的家庭微电网拓扑结构，快速适应新任务。
-
公开(公告)号：CN117991195A
公开(公告)日：2024-05-07
申请号：CN202410100927.6
申请日：2024-01-24
Applicant: 杭州电子科技大学
Abstract: 本发明公开了基于双层R‑D3QN的雷达智能干扰决策方法及系统，方法如下：S1、初始化工作模式记忆库和信号参数记忆库大小、记忆库指针，初始化双层R‑D3QN当前值网络和目标值网络、学习率、折扣因子、贪婪因子、工作模式规则库、信号参数规则库；S2、设置训练样本门限值，网络参数更新间隔、训练样本抽取间隔及网络更新计数器，初始化训练步骤数x，设置总训练次数；S3、进行训练；S4、更新工作模式规则库、信号参数规则库；S5、返回执行S3，直到x达到总训练次数，得到训练好的两个R‑D3QN模型的当前值网络；S6、利用当前值网络，对识别的雷达工作模式和信号参数，选择价值最高的干扰策略和参数。本发明提高了雷达干扰决策能力，针对雷达的工作模式能选择合适的干扰。
-
公开(公告)号：CN116127360A
公开(公告)日：2023-05-16
申请号：CN202310137459.5
申请日：2023-02-20
Applicant: 杭州电子科技大学
IPC: G06F18/24 , G06F18/23213 , G06V10/764 , G06N3/0895 , G06N3/096
Abstract: 本发明涉及一种基于图像识别与TOPSIS综合评价的驾驶风格分类方法，包括以下步骤：步骤1，进行驾驶员驾驶数据的收集，将驾驶数据分割为操作事件和常规驾驶，并进一步将每个操作事件分为多个分事件；步骤2，根据操作事件持续时间设定驾驶风格，并使用Kmeans一维聚类算法进一步对操作事件持续时间进行分类；步骤3，通过模型获取操作事件中除操作事件持续时间各分事件和常规驾驶中各限速等级的驾驶风格；步骤4，基于分事件下驾驶风格确认对应的操作事件的驾驶风格。本发明创新的将整个驾驶数据分为不同的事件进行讨论，并且针对不同的事件使用了不同驾驶风格识别方法，并且最终通过TOPSIS综合评分的办法进行权重融合完成分类。
-
公开(公告)号：CN114299473A
公开(公告)日：2022-04-08
申请号：CN202111608335.8
申请日：2021-12-24
Applicant: 杭州电子科技大学
Abstract: 本发明提供了一种基于多源信息融合的驾驶员行为识别方法，其特征在于：包括：步骤1.获取从驾驶模拟器中记录的有关驾驶员行为的图像或视频以及车辆运动状态数据；步骤2.将处理后驾驶员行为数据输入到微调的Vision Transformer第一子模型中，输出四种驾驶行为类别的概率矩阵P1；步骤3.对同步记录的车辆运动状态数据进行预处理后，输入到训练好的Bi‑LSTM第二子模型中，输出四种驾驶行为类别的概率矩阵P2；步骤4.对从步骤2和步骤3得到的概率输出矩阵P1和P2分别进行计算得到第一、第二子模型的信息熵H1、H2，最后对不同子模型的Softmax函数输出概率值进行加权决策融合实现四种驾驶行为的最终分类。本发明不仅集成了多种驾驶行为识别任务，而且具有较强的抗干扰性。
-
公开(公告)号：CN117786506A
公开(公告)日：2024-03-29
申请号：CN202410102606.X
申请日：2024-01-24
Applicant: 杭州电子科技大学
IPC: G06F18/241 , G06F18/213 , G06F18/22 , G06F18/214 , G06N3/0464 , G06N3/0895 , G06N3/045
Abstract: 本发明公开了基于对比Conformer的小样本标注雷达脉内调制识别方法及系统，方法步骤如下：步骤一、产生无标注的训练集、验证集和有标记的训练集、验证集、测试集的雷达脉内I/Q数据并进行预处理；步骤二、构造基于对比学习的Conformer网络模型，初始化参数；步骤三、将步骤一所得到无标注的雷达脉内I/Q数据经过数据增强，产生正例对和负例对后一并输入到对比Conformer网络模型进行训练。步骤四、构造除去对比部分但构造相同、参数相同的Conformer网络模型且改进最后一层以适应目标任务完成。将训练集和验证集中有标注的雷达脉内I/Q数据输入，微调网络并保存网络模型。步骤五、将测试集的数据输入到步骤四保存的网络模型，完成对其脉内调制的识别。
-
-
-
-
-
-
-
-
-
Search Results
12
records
(took 0.028 seconds)
