-
公开(公告)号：CN117037491B
公开(公告)日：2025-04-18
申请号：CN202311023827.X
申请日：2023-08-15
Applicant: 长安大学
IPC: G08G1/01 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及一种基于时空特征的动态图卷积交通流预测方法，采用由时空嵌入模块、时空特征融合模块、加权融合层和外部因素模块组成的STF‑SDAM‑DGCN模型，首先对历史交通流数据进行周期划分后与时空嵌入模块学习到的时空嵌入信息融合作为时空特征融合模块的输入数据，同时使用注意力机制、非对称卷积以及Zero‑Softmax函数构建稀疏有向邻接矩阵；将数据输入时空特征融合模块中，同时与外部因素模块中的外部影响因素融合后得到融合外部因素的历史交通流时空特征数据；数据随后传入加权融合层，时空嵌入模块将预测的未来时间步信息也传入该层，依据编码器得到的历史交通流特征生成未来交通流表示，并将其作为解码器输入，通过解码器进行预测，经过全连接层得到最终的未来交通流预测结果。
-
公开(公告)号：CN117274945A
公开(公告)日：2023-12-22
申请号：CN202311076688.7
申请日：2023-08-24
Applicant: 长安大学
IPC: G06V20/58 , G06V10/46 , G06V10/56 , G06V10/62 , G06V10/80 , G06V10/764 , G06V10/82 , G06V10/25 , G06N3/0464 , G06N3/08
Abstract: 本申请涉及一种基于RGB和事件相机融合的变光照交通目标检测方法，解决了如何从事件流中提取出高质量的结构信息以及如何引导两个模态信息的融合来解决非一致光照导致的图像模态中非一致信息损失的问题，实现了对两种模态互补特性的有效利用，从事件流中提取出高质量的结构信息，自适应地将事件特征融合至图像模态，建模对光照鲁棒的特征表征，提高了在变光照条件下交通目标检测的鲁棒性和有效性。
-
公开(公告)号：CN117037491A
公开(公告)日：2023-11-10
申请号：CN202311023827.X
申请日：2023-08-15
Applicant: 长安大学
IPC: G08G1/01 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及一种基于时空特征的动态图卷积交通流预测方法，采用由时空嵌入模块、时空特征融合模块、加权融合层和外部因素模块组成的STF‑SDAM‑DGCN模型，首先对历史交通流数据进行周期划分后与时空嵌入模块学习到的时空嵌入信息融合作为时空特征融合模块的输入数据，同时使用注意力机制、非对称卷积以及Zero‑Softmax函数构建稀疏有向邻接矩阵；将数据输入时空特征融合模块中，同时与外部因素模块中的外部影响因素融合后得到融合外部因素的历史交通流时空特征数据；数据随后传入加权融合层，时空嵌入模块将预测的未来时间步信息也传入该层，依据编码器得到的历史交通流特征生成未来交通流表示，并将其作为解码器输入，通过解码器进行预测，经过全连接层得到最终的未来交通流预测结果。
-
公开(公告)号：CN115876201A
公开(公告)日：2023-03-31
申请号：CN202211613995.X
申请日：2022-12-15
Applicant: 中国人民解放军61540部队 , 长安大学 , 西安航天天绘数据技术有限公司
IPC: G01C21/20
Abstract: 本发明涉及一种基于同步成像与重力灯塔的潜器导航方法及系统，具体涉及水下潜器重力导航技术领域。所述方法包括：根据潜器当前所在海域的海域位置、惯性导航系统指示位置的东向、北向方差确定误差椭圆范围；根据误差椭圆范围内的重力灯塔以及重力灯塔数据库确定重力灯塔的等级；重力灯塔数据库包括当前所在海域中各重力灯塔的等级；当前所在海域中各重力灯塔的等级为采用主成分分析法对当前所在海域中重力灯塔的统计特征参数进行处理得到的；根据误差椭圆范围内的重力灯塔的等级以及水下环境特征确定潜器当前的位置信息；根据潜器当前的位置信息校正惯性导航系统，并根据校正后的惯性导航系统对潜器进行导航。本发明可提高计算效率和导航精度。
-
公开(公告)号：CN118914854A
公开(公告)日：2024-11-08
申请号：CN202410972135.8
申请日：2024-07-19
Applicant: 长安大学
IPC: G01R31/367 , G06N3/0442 , G06N3/006 , G06F18/20 , G01R31/378 , G01R31/387 , G01R31/385 , G01R31/389 , G01D21/02
Abstract: 本发明申请提供了一种融合改进GRU网络和贝叶斯滤波的电池SOC估计方法，包括：对锂离子电池参数进行归一化处理，形成归一化的数据，所述归一化的数据包括训练集和测试集；采用引入随机性和非线性递减模式对灰狼算法的收敛因子进行优化，形成改进的灰狼算法；采用改进的灰狼算法对GRU神经网络的初始权值和偏置进行优化，形成优化后的GRU神经网络；将所述训练集带入优化后的GRU神经网络，得到多个GRU神经网络模型；基于多个所述GRU神经网络模型，通过贝叶斯滤波对所述多个所述GRU神经网络模型进行融合，得到经贝叶斯滤波融合后的GRU神经网络模型，对锂离子电池soc进行估计。
-
Patent Agency Ranking
公开(公告)号：CN115631474A
公开(公告)日：2023-01-20
申请号：CN202211141783.6
申请日：2022-09-20
Applicant: 长安大学
IPC: G06V20/56 , G06V10/82 , G06V10/774 , G06V10/80 , G06N3/044 , G06N3/045 , G06N3/0464 , G06N3/088 , G06N3/094
Abstract: 本申请涉及雾天目标检测模型训练方法及雾天目标检测方法，将无监督循环一致性对抗网络应用于特征空间，提出一种特征增强模块，聚焦于使用任意清晰图像来增强低层网络提取的雾霭特征，实现任意清晰图像与雾霭图像特征空间对齐，在不牺牲清晰环境下目标检测性能的基础上，提高现有模型雾天环境下的目标检测性能，为促进自动驾驶技术产业落地提供一种有效可靠的方法。
-
公开(公告)号：CN115526256A
公开(公告)日：2022-12-27
申请号：CN202211199482.9
申请日：2022-09-29
Applicant: 长安大学
IPC: G06K9/62 , G06V10/762 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/04 , G06N3/08
Abstract: 本申请涉及目标分类模型训练方法，包括：构建目标分类模型；基于图训练数据集对目标分类模型进行训练，得到训练后的目标分类模型；图训练数据集包括多个图节点，每个图节点表示一个待分类目标；目标分类模型包括依次连接的深层表征提取层和聚类层。本申请的目标分类模型训练方法，解决了现有的半监督方法无法对不含节点标签信息的目标数据集进行分类的难题，基于无监督学习的网络训练同时也降低了聚类结果好坏对标签信息多少的依赖度，大大增强了网络的稳定性，始终在聚类任务中表现出较好的性能；实现了端对端学习，规避了多模块训练目标不一致的问题，降低了工程的复杂度、减小了训练误差，使网络性能更加鲁棒。
-
公开(公告)号：CN118626773A
公开(公告)日：2024-09-10
申请号：CN202410643994.2
申请日：2024-05-23
Applicant: 长安大学
IPC: G06F18/15 , G06F18/213 , G06F18/25 , G06F17/16
Abstract: 本申请涉及一种基于非完整轨迹的车辆轨迹预测方法，该方法从不同的时间粒度捕捉车辆的多尺度表征，从而减轻缺失值对车辆轨迹预测的负面影响；此外，利用轨迹缺失模式自适应地计算不同时间步的信息增量，然后利用信息增量获取对缺失模式不敏感的连续性表征，以指导模型输出符合运动一致性的预测结果。
-
公开(公告)号：CN117077286A
公开(公告)日：2023-11-17
申请号：CN202311029546.5
申请日：2023-08-15
Applicant: 长安大学
IPC: G06F30/15 , G06F30/20 , G06F119/14
Abstract: 本发明涉及一种异构交通流下智能网联车辆跟驰模型仿真及测试方法，采用数字孪生虚实结合技术，对真实场景中的静态基础设施及动态交通流进行孪生，搭建出反映真实交通流的虚拟仿真测试环境，通过向真实的测试车辆注入虚拟仿真环境，实现真实车辆与虚拟仿真环境的动态交互。在智能驾驶员模型(IDM)的基础上，考虑单后车多前车的车头间距、速度差和加速度等影响因素，引入分子动力学理论和敏感性系数及各车辆对主车的影响权重提出一种考虑单后车多前车影响的智能网联车辆跟驰模型并基于跟驰队列虚实孪生场景，对该智能网联车辆跟驰模型进行测试与验证，证明该模型更能精准地反映智能网联车辆在实际道路下的跟驰行为。
-
公开(公告)号：CN115410162A
公开(公告)日：2022-11-29
申请号：CN202210862496.8
申请日：2022-07-21
Applicant: 长安大学
Abstract: 本发明公开了一种复杂城市道路环境下的多目标检测与跟踪方法：步骤1：构建训练集和测试集；步骤2：在现有的DLA34骨干网络基础上逐层增加特征融合模块实现输入图像的深浅层网络特征融合；步骤3：采用Transformer编码模块提取特征图中长距离特征依赖关系；步骤4：通过进一步特征融合及逻辑回归处理；步骤5：利用多目标跟踪模块进行目标关联处理与跟踪，得到带有目标检测框的跟踪特征图；步骤6，得到训练好的多目标检测与跟踪模型；步骤7，将待检测的视频数据输入训练好的多目标检测与跟踪模型，得到带有目标检测框的跟踪特征图。本发明能够在复杂城市道路环境下对多目标进行准确的目标检测和跟踪，可稳定识别外观尺度变化较大的目标。
-
-
-
-
-
-
-
-
-
Search Results
12
records
(took 0.028 seconds)
