-
公开(公告)号：CN116089498A
公开(公告)日：2023-05-09
申请号：CN202310042624.9
申请日：2023-01-28
Applicant: 湖南大学
IPC: G06F16/2458 , G06F16/248 , G06F16/29 , G06Q50/14
Abstract: 本发明公开了一种田园休闲旅游区域大数据监测与分析平台，包括预警区域管理单元、预警数据管理单元、天气数据管理单元、人流数据管理单元和交通数据管理单元；所述预警区域管理单元用于确定进行预警的区域；预警数据管理单元用于预警数据进行统计；天气数据管理单元用于对天气数据进行显示和统计；人流数据管理单元用于对人流量进行监控和统计；交通数据管理单元用于对交通状况进行显示和统计。本发明通过对人流量、车流量和天气灯进行实时监控，并且通过DPSIR模型判断对监控区域环境的压力，从而便于各区域环境的情况对整体人流量进行调节，减轻对环境的压力。
-
公开(公告)号：CN117523459A
公开(公告)日：2024-02-06
申请号：CN202311630935.3
申请日：2023-11-30
Applicant: 湖南大学
Abstract: 本发明提供了一种基于动作片段特征对比传播的点监督时序动作定位方法。方法的整体流程如下：首先，依赖点标签提供的动作位置信息扩充点标签。接着，利用密集的伪标签生成候选片段级别标签，并设计片段检索算法筛选代表性片段。然后，通过随机游走操作进行特征传播，并计算各类损失的加权和来训练模型。最终，利用训练好的模型生成动作定位检测结果，并做去重处理。本发明提供的点监督时序动作定位方法更充分的使用点标签提供的位置信息，帮助模型更准确地定位检测到动作实例，相较于之前的方法，性能提升明显。
-
公开(公告)号：CN115935001A
公开(公告)日：2023-04-07
申请号：CN202211669991.3
申请日：2022-12-25
Applicant: 湖南大学
IPC: G06F16/732 , G06F16/735 , G06F18/22 , G06F18/214 , G06F40/30 , G06N3/08 , G06V20/40 , G06N3/0442
Abstract: 本发明公开了一种帧级别的细粒度自然语言视频时刻定位方法，包括以下步骤：S1、输入完整的视频和查询语句，提取视频特征V和查询语句特征Q；S2、对视频中每一帧的特征和查询的每个词的特征计算相似度矩阵，通过相似度矩阵计算查询引导的视频特征和视频引导的查询特征S3、对视频引导的查询特征通过自注意力机制得到查询注意力向量H；S4、将视频特征V，查询引导的视频特征和查询注意力向量H拼接并输入全连接层得到视频查询融合特征Fvq；S5、将视频查询融合特征Fvq输入长短期记忆网络和多层感知机网络，预测查询语句对应的视频开始时刻和结束时刻。本发明提供一种帧级别的细粒度自然语言视频时刻定位方法，在提高定位精度的同时降低计算量。
-
公开(公告)号：CN111222641A
公开(公告)日：2020-06-02
申请号：CN201911172112.4
申请日：2019-11-26
Applicant: 湖南大学
Abstract: 本发明公开了一种前沿网格进化多目标优化方法及系统，提出前沿网格的概念，利用前沿网格内的个体引导搜索；在此基础上引入拐点，提出了一种基于网格的拐点选择方法；此外，根据以样本估计总体的思想，给出了一种新的选取边界点的方法；最后提出了一种基于分解的前沿网格进化多目标优化算法。本发明提高了拐点选择方法的搜索性能，提高了多目标优化问题求解方法的性能。
-
公开(公告)号：CN111178578A
公开(公告)日：2020-05-19
申请号：CN201911171730.7
申请日：2019-11-26
Applicant: 湖南大学
Abstract: 本发明公开了一种融合聚类与集成学习的金融股票预测方法，采用k-means聚类方法对多个常用的技术指标进行聚类提出了基于聚类的预测模型C-SVR-SVR(Clustering-SVR-SVR)和C-SVR-RF(Clustering-SVR-RF)；接着采用Bagging集成学习算法提出了模型E-SVR&RF(Ensemble-SVR&RF)。最后，将k-means聚类算法和Bagging集成学习算法相结合，提出一种混合模型C-E-SVR&RF(Clustering-Ensemble-SVR&RF)。本发明选取浦发银行(SH:600000)、中信证券(SH:600030)、中兴通讯(SZ:000063)、乐视网(SZ:300104)四支中国股票进行实验评估。实验结果表明，单独加入k-means聚类算法的C-SVR-SVR、C-SVR-RF模型可以提高特定股票价格预测准确率，但总体效果不明显。单独加入集成学习算法能提高股票价格预测的准确率。融合k-means聚类算法和集成学习的混合算法，可进一步提高股票价格预测准确率，尤其是提前20、30天的预测。
-
Patent Agency Ranking
公开(公告)号：CN110689472A
公开(公告)日：2020-01-14
申请号：CN201910970181.3
申请日：2019-10-12
Applicant: 湖南大学
Abstract: 本发明属于计算机科学领域，公开了一种基于区块链的药企监管方法。企业节点定期将该企业药品生产监管过程的生产工艺数据加密和公开数据一起打包发送给地方药品监管节点，地方药品监管节点审核通过后对该半公开交易的哈希值进行签名并发送回该企业，该企业对该半公开交易进行广播，在至少2/3的企业同意后地方药品监管节点将该半公开交易打包成块上链并广播。当有其他企业节点对该半公开交易提出质疑时，向总监管节点提交质疑申请，总监管节点调用验证合约对该半公开交易进行验证，并对质疑的双方进行惩奖。这种方法可以在保证企业的生产工艺数据保密的情况下令企业互相监督，具有十分重要的推广应用价值。
-
公开(公告)号：CN119681927A
公开(公告)日：2025-03-25
申请号：CN202510084589.6
申请日：2025-01-20
Applicant: 湖南大学
Abstract: 本发明公开了一种药店智能机器人及其系统，涉及机器人技术领域，其技术要点为：包括语音交互、图像识别、导航和机械臂控制模块，实现自动化的药品管理和分发。语音交互模块利用AI模型提高语音识别效率与准确率，图像识别模块采用PaddleOCR进行药名识别，使用百度文心一言AI模型分析处方信息，导航模块采用SLAM技术实现即时定位与地图构建，机械臂控制模块则控制机械臂进行药品的抓取和放置。系统以机器人操作系统ROS为基础，操作方法包括接收用户语音、识别药品、导航至药品位置和抓取放置药品。本发明通过集成多种技术，提升了药品销售的效率和安全性，同时增强了客户体验。
-
公开(公告)号：CN116738850A
公开(公告)日：2023-09-12
申请号：CN202310719091.3
申请日：2023-06-16
Applicant: 湖南大学
IPC: G06F30/27 , G06F18/2321 , G06F18/2135 , G06F18/22 , G06F17/16 , G06F111/06
Abstract: 本发明公开了一种基于迁移学习的连续多模态多目标优化方法，包括以下步骤：S1、在决策空间中，通过随机初始化N个个体形成初始种群Pop；S2、从种群Pop中选取具有良好收敛性和多样性的解，并将其存储到档案集Archive中；S3、第一阶段，使用二元锦标赛方法生成父代，并通过模拟二进制交叉和多项式变异产生子代；S4、第二阶段，使用采样测地线流方法获取迁移解作为子代；S5、根据生成的子代，更新种群Pop和档案集Archive，直到达到设定的最大迭代次数maxGen，然后输出结果。本发明能够找到决策空间中多个帕累托最优解集，提高搜索效率，并保持决策空间和目标空间收敛性和多样性的平衡。
-
公开(公告)号：CN114758409A
公开(公告)日：2022-07-15
申请号：CN202111610460.2
申请日：2021-12-27
Applicant: 湖南大学
IPC: G06V40/20 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/04 , G06N3/08
Abstract: 本发明涉及一种基于代表性奖励深度强化学习的动作识别方法。其中发明内容主要包括：提出一种基于代表性奖励的视频关键帧选取机制，在此基础上，通过结合双流自适应图卷积神经网络模型，以实现在冗长视频帧上高效提取时间空间维度上潜在的特征。本发明提出的代表性奖励机制，将帧选择过程看作弱监督下离散的马尔科夫决策过程，采用蒙特卡洛策略梯度算法对关键帧进行提取，其中关键帧衡量标准被定义为使agent尽可能选择特征空间中靠近集群中心帧的代表性奖励。同时，该奖励机制节省视频标签成本，可独立于双流网络进行训练，并解决了所选帧的时间顺序性和关键帧易丢失的问题，在计算机视觉领域中关键帧提取问题具有实际应用价值。
-
公开(公告)号：CN117669706A
公开(公告)日：2024-03-08
申请号：CN202311682988.X
申请日：2023-12-08
Applicant: 湖南大学
IPC: G06N3/126
Abstract: 本发明公开一种基于GCN种群编码方法的遗传算法，用于多目标优化问题的遗传算法领域，涉及遗传算法中的种群编码方法。本发明的目的是为了解决遗传算法在种群进化过程中的收敛性和多样性不平衡的问题。基于GCN种群编码方法的遗传算法的主要过程为：步骤一：输入种群大小N等参数；步骤二：初始化种群C和GCN网络模型和参数；步骤三：对种群C进行CSDR支配排序,步骤四：计算种群C个体间的余弦距离以构建邻接矩阵dis；步骤五：训练GCN模型；步骤六：GCN网络中间层输出Z2作为决策变量构建种群C’，进行环境选择,选择N个个体作为下一轮的种群C，步骤七：重复以上步骤至算法结束。
-
-
-
-
-
-
-
-
-
Search Results
13
records
(took 0.019 seconds)
