-
公开(公告)号：CN114896782B
公开(公告)日：2025-03-18
申请号：CN202210491605.X
申请日：2022-04-29
Applicant: 西安理工大学
IPC: G06F30/20
Abstract: 本发明公开了一种基于多重融合插补的连续缺失数据恢复方法，首先建立考虑观测缺失的多速率异步采样多传感器模型，结合各传感器间多速率异步测量的特性，对传感器监测数据进行实时划分；然后通过一步状态预测、多步状态预测、回归缺失预测与同类均值插补对缺失状态进行恢复，得到四类恢复结果；最后基于极大似然估计评估准则计算待恢复数据的融合系数，得到缺失数据的融合插补结果。本发明解决了现有技术中存在的传感器故障、通讯延迟、传输性能限制等不利因素造成的监测数据连续缺失难题，建立了基于多重融合插补的连续缺失数据恢复框架，提高了传感器状态监测准确度。
-
公开(公告)号：CN115001668B
公开(公告)日：2025-03-07
申请号：CN202210218332.1
申请日：2022-03-04
Applicant: 西安理工大学
IPC: H04L9/08 , H04L9/40 , H04L67/12 , H04L67/52 , H04W4/029 , H04W4/42 , H04W12/033 , H04W12/041 , H04W12/0433 , H04W12/06
Abstract: 本发明公开了一种RSSP‑II协议的密钥管理方法、装置及可存储介质，涉及网络安全技术领域，其中方法包括：S1：根据所述车载设备的行驶路程信息、实时位置信息及地图信息，定期匹配最优节点中心；S2：当匹配到最优节点中心时，所述车载设备判断和已连接的所述节点中心是否一致，若一致则不执行操作，若不一致所述车载设备生成验证密钥，并将所述验证密钥发送至所述最优节点中心，请求验证身份；S3：当验证通过时，所述车载设备对数据信息进行加密处理，发送至所述最优节点中心；本发明可以实现铁路系统中设备间消息的安全传输。
-
公开(公告)号：CN114743005B
公开(公告)日：2024-10-25
申请号：CN202210379574.9
申请日：2022-04-12
Applicant: 西安理工大学
Abstract: 本发明公开了基于阈值区域生长与灰度差的红外弱小目标检测方法，具体为：步骤1，对原始图像进行预处理操作，增强目标的同时抑制高亮背景区域，得到预处理图像；步骤2，在步骤1得到的预处理图像上筛选出np个种子点，并对每个种子点进行阈值区域生长；步骤3，对每个生长区域计算区域覆盖比；步骤4，对每个生长区域计算自适应灰度差；步骤5，采用自适应阈值分割的方法来分离出真实目标与背景杂波。本发明方法解决了在复杂背景下红外检测系统很难同时兼顾检测精度与检测效率的问题。
-
公开(公告)号：CN118695257A
公开(公告)日：2024-09-24
申请号：CN202410762009.X
申请日：2024-06-13
Applicant: 西安理工大学
IPC: H04W12/121 , H04L9/40
Abstract: 本发明公开了融合图结构和时序特征的移动网络流量特征提取方法，首先采集5G网络中的流量数据，进行特征提取，对提取的label特征进行标注，标注后的数据作为原始数据；对原始数据进行预处理，筛选出评分前24名的特征；索引合并，得到新的数据集，并将数据集划分为训练集和测试集；然后分别构建训练集和测试集对应的包含历史流量特征的图片数据；构建网络流量特征提取模型HTEM‑CGSC；分别采用训练集和测试集通过构建的模型进行特征提取；将提取出来的特征拼接，然后进行可视化并保存。本发明解决了现有技术中存在的机器学习方法因忽略了流量间的关系只关注于流量本身特征导致的对恶意流量识别准确率差的问题。
-
公开(公告)号：CN113192034B
公开(公告)日：2024-02-02
申请号：CN202110485277.8
申请日：2021-04-30
Applicant: 西安理工大学
IPC: G06T7/00 , G06T5/70 , G06N3/0499 , G06N3/084
Abstract: 本发明公开了一种基于反向传播神经网络的混合染液浓度检测方法，首先利用工业相机采集混合染液的图像信息，然后对原始数据进行去噪和预处理，再训练反向传播神经网络模型，最终得到一个最优模型，用得到的模型预测混合染液的浓度。基于反向传播神经网络的混合染液浓度检测方法可以从观测数据出发，寻找出尚不能通过理论分析得到的规律，所用的数据是混合染液的图像信息，数据采集对仪器的要求较低，可以更方便快捷的获取数据，通过构造模型实现对混合染液染料浓度的预测，从而达到改善印染产品品质、提高生产效率、实现节能减排的目的。
-
Patent Agency Ranking
公开(公告)号：CN112084329B
公开(公告)日：2024-02-02
申请号：CN202010762584.1
申请日：2020-07-31
Applicant: 西安理工大学
IPC: G06F16/35 , G06F16/33 , G06F40/30 , G06F40/295 , G06F40/205
Abstract: 本发明提供了一种针对实体识别和关系抽取任务的语义分析方法，包含三个模块的内容，建立地铁设计规范领域的概念分层体系和语义关系分类体系，分析规范文本的语言特点，以及获取细分领域任务的实体和关系类别信息。第一个模块，借助本体论的思想，和映射对标UMLS，得到概念分层体系和语义关系分类体系。第二个模块，通过规范文本的来源和构成、数据形式和所具备的子语言特性三个部分，由浅及深地分析规范文本的语言特性，以补充实体识别和关系抽取任务的规则提取。最后一个模块，将本体分类的思想渗入这一领域的研究任务细分过程中，实现任务和实体关系类别的对应，从而提高信息抽取的效率。
-
公开(公告)号：CN112183597B
公开(公告)日：2023-10-31
申请号：CN202010995568.7
申请日：2020-09-21
Applicant: 西安理工大学
IPC: G06F18/2323 , G06F18/214 , G06V20/54 , G06V10/762 , G06V10/774 , G06Q50/26
Abstract: 本发明公开了一种基于谱聚类的非均衡交通事故严重程度分析方法，首先通过路段摄像头或者检测器记录车辆在运行过程中发生车祸时的原始事故数据D'；通过编码技术将原始事故数据D'进行离散编码及归一化，得到有效事故数据D；然后结合合成少数类过采样技术SMOTE算法将有效事故数据D进行重采样，得到先验分布均衡的事故数据T；将结构化事故数据T转化为事故图数据G；最后结合谱聚类算法，得到不同环境因素对应的事故严重程度。本发明解决了现有技术中存在的事故数据分布不均衡导致事故严重程度分析效果较差的问题。
-
公开(公告)号：CN116630267A
公开(公告)日：2023-08-22
申请号：CN202310591358.5
申请日：2023-05-24
Applicant: 西安理工大学
IPC: G06T7/00 , G01C5/00 , G01S17/88 , G06T7/80 , G06V20/17 , G06V10/42 , G06V10/44 , G06V10/80 , G06V10/82 , G06V10/764 , G06V10/766 , G06V10/774 , G06N3/0464 , E02D1/00
Abstract: 本发明公开了一种基于无人机与激光雷达数据融合的路基沉降监测方法，首先对无人机平台搭载的摄像头与激光雷达两种传感器进行标定，以消除畸变与时间空间不同步带来的误差影响；随后划定飞行路线；下一步无人机沿施工沿线飞行，采集数据；将收集到的点云数据与图像数据分别进行特征提取，点云数据使用point‑based网络，然后使用AFF‑注意力特征融合模块进行特征融合；将融合后的数据输入到目标检测网络生成包围框；将完成目标识别的图像数据进行拼接得到大铁施工场地的实景图；然后将多期点云数据拼接后作差，得到沉降数据，并根据数值大小进行赋色，得到地面沉降的可视化图，并与实景图进行图层融合。
-
公开(公告)号：CN116434776A
公开(公告)日：2023-07-14
申请号：CN202310375805.3
申请日：2023-04-10
Applicant: 西安理工大学
IPC: G10L25/51 , G01M17/08 , G06F18/2411 , G06F18/24 , G06F18/10 , G06F18/213 , G10L25/30
Abstract: 本发明公开了基于声音信号的铁路转辙机多噪声鲁棒诊断方法，在转辙机附近放置声音传感器，收集不同运行状态下的声音信号；对声音信号进行通道分离；收集各种声音信号，以最长的信号为标准，对短的信号进行补零，统一长度；随后将噪声数据集随机叠加到声音信号上，完成加噪过程；将加噪处理后的声音信号根据振幅将其标准化到0‑255之间，根据时间序列转化为灰度图像；将传统的卷积神经网络进行改进，并在卷积池化层后加入注意力机制；将图像信号输入到对应的神经网络通道中，经过训练最终得到一个高精准度的故障分类模型。本发明充分挖掘声音信号中的信息，并具有优秀的鲁棒性，提高了故障分类的精准度。
-
公开(公告)号：CN116389591A
公开(公告)日：2023-07-04
申请号：CN202310370262.6
申请日：2023-04-07
Applicant: 西安理工大学
Abstract: 本发明公开了一种基于跨域分布式处理系统及调度优化方法，具体包括如下步骤：步骤1：用户通过Hadoop跨域分布式处理系统中的任意一个数据中心客户端节点提交作业；步骤2：依据计算节点网络负载计算多数据中心各计算节点的性能；步骤3：选择将任务分配到拥有任务所需数据副本的计算节点或网络负载最小的计算节点中的任意节点；步骤4：预测作业的总执行时长；步骤5：结合作业预测总执行时长计算作业已完成的工作量比率；步骤6：将作业按照阈值划分为多个队列；步骤7：根据作业的动态优先级调整作业执行顺序。步骤8：修正数据副本的布局。通过数据局部性和动态作业执行时间预测方法将任务分配到多数据中心的最优计算节点。
-
-
-
-
-
-
-
-
-
Search Results
166
records
(took 0.036 seconds)
