-
公开(公告)号：CN119779325A
公开(公告)日：2025-04-08
申请号：CN202411641546.5
申请日：2024-11-18
Applicant: 海南大学
IPC: G01C21/34
Abstract: 本发明属于蛇形机器人路径规划技术领域，公开了一种基于深度强化学习的蛇形机器人三维路径规划方法。该方法通过改进的A*算法与D3QN深度强化学习模型相结合，优化蛇形机器人在复杂三维环境中的路径规划效率与能量消耗。采用双深度Q网络（D3QN）实现路径中的动态优化，通过TCP‑IP协议与控制系统通信，基于改进后的能量消耗评估模型，实现了机器人路径规划中的能量消耗最小化与路径选择精度的提高。本发明在传统A*算法基础上进行改进，通过D3QN模型优化启发式函数，有效降低了三维空间内路径规划中的计算量，同时提升了路径规划的适应性与准确性，实现了蛇形机器人的高效能量管理和精准路径规划。
-
公开(公告)号：CN118587457B
公开(公告)日：2025-02-18
申请号：CN202410647824.1
申请日：2024-05-23
Applicant: 海南大学
Abstract: 本发明公开一种基于同名点搜索的图像立体匹配优化方法，包括如下步骤：双目相机拍摄画面分为左目图像和右目图像，分别对左目图像和右目图像进行极线矫正；确定待测的空间点，将所述空间点在左目图像的投影点作为关键点，依据所述关键点在右目图像的左侧极线上寻找，确定所述关键点对应的同名点；基于关键点的坐标和同名点的坐标进行三角测量，计算得出空间点的世界坐标。本发明，能够提升物体的尺寸检测精确度和速度。
-
公开(公告)号：CN116645381B
公开(公告)日：2024-11-08
申请号：CN202310758898.8
申请日：2023-06-26
Applicant: 海南大学
IPC: G06T7/11 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/08 , G06V10/764
Abstract: 本发明属于医学图像分割领域，具体涉及一种脑肿瘤MRI图像分割方法、系统、电子设备及存储介质。所述方法包括以下步骤：S1获取原始数据集，并对原始数据集进行预处理；S2将与处理后的数据输入到混合U‑Net模型中进行处理，得到分类结果；所述混合U‑Net模型是基于U‑Net模型和CNN模型构建的。本发明实现在MRI图像中的脑肿瘤分割，解决U‑Net网络结构存在的细粒度特征提取能力不足、模型参数量较大，以及原始数据集预处理效果不佳的问题。
-
公开(公告)号：CN118587457A
公开(公告)日：2024-09-03
申请号：CN202410647824.1
申请日：2024-05-23
Applicant: 海南大学
Abstract: 本发明公开一种基于同名点搜索的图像立体匹配优化方法，包括如下步骤：双目相机拍摄画面分为左目图像和右目图像，分别对左目图像和右目图像进行极线矫正；确定待测的空间点，将所述空间点在左目图像的投影点作为关键点，依据所述关键点在右目图像的左侧极线上寻找，确定所述关键点对应的同名点；基于关键点的坐标和同名点的坐标进行三角测量，计算得出空间点的世界坐标。本发明，能够提升物体的尺寸检测精确度和速度。
-
公开(公告)号：CN118392174A
公开(公告)日：2024-07-26
申请号：CN202410354716.5
申请日：2024-03-27
Applicant: 海南大学
IPC: G01C21/20
Abstract: 本发明属于仿生机器鱼定位技术领域，公开了一种基于目标检测与局域网通信的仿生机器鱼室内辅助定位方法，包括以改进后的YOLOv8n目标检测算法为基础，实现仿生机器鱼与其他水下物体的快速检测与跟踪，通过TCP‑IP协议与STM32通信，通过STM32控制机器鱼的运动。本发明利用改进后的YOLOv8n目标检测算法辅助仿生机器鱼定位与追踪，在原有算法的基础上进行改进，减少了检测过程的计算量的同时提高了检测精度，再通过TCP‑IP协议与仿生机器鱼协作，实现了机器人的高精度和快速的辅助定位与追踪功能。
-
Patent Agency Ranking
公开(公告)号：CN118270202A
公开(公告)日：2024-07-02
申请号：CN202410133559.5
申请日：2024-01-31
Applicant: 海南大学
IPC: B63C11/52 , B63G8/16 , B63G8/18 , B63G8/08 , B63H1/36 , B63H11/04 , B63H25/26 , B63H23/02 , B63H21/21 , B63B1/32
Abstract: 本发明公开一种使用仿生鳍及泵喷混合推进的水下机器人及控制方法，机器人结构包括外壳、内壳、水平舵模块、仿生尾鳍转向模块、喷泵推进模块和控制模块；所述内壳密封设置在外壳内；所述水平舵模块包括左水平舵与右水平舵，所述左水平舵与右水平舵对称分布在外壳左右两侧；所述仿生尾鳍转向模块包括上尾鳍与下尾鳍，所述上尾鳍与下尾鳍对称分布在外壳上下两侧；所述喷泵推进模块配置安装在所述外壳尾部；所述控制模块安装在内壳中，并与仿生尾鳍转向模块、水平舵模块和喷泵推进模块电连接以进行对应控制。本发明水下机器人多自由度运动所需的驱动方式由单一机构的变形实现，实现了机器人结构的轻量化和小型化以及降低了水下机器人的制造成本。
-
公开(公告)号：CN118238559A
公开(公告)日：2024-06-25
申请号：CN202410133395.6
申请日：2024-01-31
Applicant: 海南大学
Abstract: 本发明公开一种混合推进的水陆空跨介质模块化蛇形机器人，头部和尾部分别设有头部关节模块和尾部涵道推进螺旋桨模块，该蛇形机器人的机身部位由多个关节串联构成，每个关节包括：前后依次串联安装连接的控制系统模块、旋翼推进模块、全向旋转模块、关节连接模块和横向动态控制模块，以及以中心对称形式安装在控制系统模块的左右两侧的旋翼推进模块；其中，所述头部关节模块安装在第一个关节的控制系统模块的前端，用以获取机器人所处环境信息；所述尾部涵道推进螺旋桨模块安装在最后一个关节的控制系统模块的后端，用以提供动力推进机器人；所述控制系统模块电信号控制连接各个模块进行升降、旋转和拐弯。本发明具有灵活和环境强适应能力的优点。
-
公开(公告)号：CN116842444A
公开(公告)日：2023-10-03
申请号：CN202310797469.1
申请日：2023-07-03
Applicant: 海南大学
IPC: G06F18/241 , G06F18/21 , G06F18/10 , G06N3/0442
Abstract: 本发明提供一种基于EEMD‑CEEMDAN结合LSTM的混合时间序列数据预测方法，包括下述步骤：获取原始时间序列数据，并对所述原始时间序列数据进行预处理；对经预处理之后的时间序列数据进行信号分解，得到IMF模态分量；将得到的IMF模态分量输入到LSTM预测模型中得到最终的预测结果。本发明提出的预测模型通过EEMD‑CEEMDAN结合LSTM模型进一步改进提升时间序列数据预测准确度；提出了多步骤的信号分解方式，通过使用EEMD和CEEMDAN分别分解目标序列数据和数据集中其他各成分序列数据，提高了信号分解的效率。
-
公开(公告)号：CN116737943A
公开(公告)日：2023-09-12
申请号：CN202310421320.3
申请日：2023-04-19
Applicant: 海南大学
IPC: G06F16/36 , G06N3/0464 , G06N3/0442
Abstract: 本发明公开面向新闻领域的时序知识图谱链路预测方法，包括步骤：将预处理后的新闻数据集转换为静态知识图谱；为静态知识图谱的每个实体节点和关系边添加时间戳信息，并通过滑动时间窗口裁剪为若干个时间子图，形成时序知识图谱；对时序知识图谱进行编码，获得时序编码向量；采用时间向量生成器生成周期性和非周期性时间向量，将周期性和非周期性时间向量与时序编码向量结合组成嵌入矩阵；构建Time‑ConvKB模型，将嵌入矩阵嵌入Time‑ConvKB模型中，获得预测结果。本发明能够解决传统知识图谱在新闻领域上的数据稀疏性，提高了模型的预测准确性，更好的反应新闻数据的时效性，提高预测的实用性。
-
公开(公告)号：CN119694582A
公开(公告)日：2025-03-25
申请号：CN202411747695.X
申请日：2024-12-02
Applicant: 海南大学
IPC: G16H50/70 , G16H50/30 , G06F18/2415 , G06F18/25 , G06F18/213 , G06F18/15 , G06N3/042 , G06N3/0464 , G06N3/045 , G06N3/0442 , G06N3/084 , G06N3/0895
Abstract: 本申请涉及一种基于门控自适应机制的病情转归预测方法和装置。所述方法包括：获取慢病相关数据，根据慢病相关数据进行特征相关性分析，生成图数据并对图数据进行特征增强；基于图数据利用多层GAT混合模型进行预测，获取转归状态的时间序列；其中，多层GAT混合模型包括若干GATConv层、若干LSTMAggregation层和基于门控自适应的特征融合层；利用格拉姆角场将转归状态的时间序列输出为转归矩阵。本发明通过门控机制和注意力机制进行图级的全局特征融合，使多层GAT混合模型具有强大的图特征提取能力，能有效地提高了功率预测的精度和准确性。同时，使用上述多层GAT混合模型对各个患者的每个数据点进行转归预测，再采用格拉姆角场生成转归矩阵，便于进一步转归分析。
-
-
-
-
-
-
-
-
-
Search Results
34
records
(took 0.021 seconds)
