-
公开(公告)号：CN117975353A
公开(公告)日：2024-05-03
申请号：CN202311783105.4
申请日：2023-12-22
IPC: G06V20/52 , G06V20/40 , G06V10/62 , G06V10/764 , G06V10/75 , G06V10/44 , G06V10/771 , G06V10/82 , G06N3/0455 , G06N3/0464
Abstract: 本发明公开了一种基于视频序列对比学习的装配动作顺序异常检测方法，首先获取装配动作视频序列，然后对装配动作视频序列进行编码以及视频嵌入，提取装配动作特征以及嵌入向量；其次在动态规划矩阵匹配的过程中执行时间先验强调时间特征以及动作顺序变化，并在匹配过程中采取局部帧匹配以及合并异常帧操作降低计算复杂度，最后得到正确的序列匹配，匹配矩阵的其他区域则视为异常检测结果。本发明将时间先验与优化后的Drop‑DTW算法相结合，考虑了视频序列的时间特征以及动作顺序的变化，在确保其精确度的同时提高检测效率，可以相对全面的处理实际工业场景中的装配动作顺序异常检测问题。
-
公开(公告)号：CN117858195A
公开(公告)日：2024-04-09
申请号：CN202311783107.3
申请日：2023-12-22
Applicant: 龙门实验室 , 河南科技大学 , 三六零数字安全科技集团有限公司
Abstract: 本发明公开了一种基于位置预测的高动态移动自组网分簇路由决策方法，首先利用改进的灰色马尔科夫预测模型对节点下一时刻位置进行预测；然后计算节点与其邻居间的链路保持时间、节点间运动相似度，衡量节点间通信链路质量的期望传输次数值和节点能量构建簇头选举指标，之后根据选举指标对网络中节点进行分簇；最后进行路由决策。本发明通过利用改进的灰色马尔科夫预测模型进行节点位置预测，减少节点位置更新的延迟，构建簇头选举指标，提高了簇头选举指标的精度，加快求解速度，适合高动态场景，提高网络性能和数据传输效率，能够在高动态移动自组织网络中做出更优的路由决策。
-
公开(公告)号：CN117857456A
公开(公告)日：2024-04-09
申请号：CN202410017501.4
申请日：2024-01-05
Applicant: 河南科技大学 , 三六零数字安全科技集团有限公司 , 龙门实验室
Abstract: 本发明公开了一种基于强化学习的NDN网路拥塞控制方法，属于命名数据网络技术领域。该方法包括以下步骤：S1、通过兴趣包的发送和数据包的接收获取实时网络状态信息；S2、将上述实时网络状态信息加权计算得到当前状态的效用函数值；S3、通过比较连续两个效用函数值的差值，获得正/负奖励值；S4、通过奖励变化动态调整发送速率。本发明采用上述一种基于强化学习的NDN网路拥塞控制方法，通过Q学习后，智能体能够根据实时网络状态在线调整拥塞控制策略，指导消费者调整发送速率，以解决NDN网络中拥塞控制问题。
-
公开(公告)号：CN119323394A
公开(公告)日：2025-01-17
申请号：CN202411326821.4
申请日：2024-09-23
Applicant: 河南科技大学
IPC: G06Q10/0835 , G06Q10/047 , G06Q10/087 , G06F30/20 , G06F111/10
Abstract: 本发明为基于Unity3D的智能路径规划方法，它借助Unity3D对工作环境进行模拟，并将工作环境转化为二位网格地图，结合相应的路径算法对AGV进行引导和控制，确保AGV配送过程的稳定性和安全性；此外，本发明还提供了一种仓储管理系统，它使用上述的智能路径规划方法实现复杂仓储环境中AGV配送路线的规划，优化仓储物流环节中的资源分配，减少物料运输过程中的意外损失，提高物流服务的安全性和准确性，从而降低管理成本并持续提升整个生产系统的运转效率。
-
公开(公告)号：CN118656699A
公开(公告)日：2024-09-17
申请号：CN202410753953.9
申请日：2024-06-12
Applicant: 河南科技大学
IPC: G06F18/241 , G06F18/2433 , G06F18/25 , G06F18/213 , G06N3/0442 , G06N3/0464 , G06N3/098 , G06N3/0985
Abstract: 本发明公开了一种基于联邦学习的FLVC异常用电检测方法，属于智能电网领域，包括每个参与的客户端从服务器端接收初始模型；每个客户端均使用本地数据集通过FLVC训练模块训练FLVC模型，对训练后的FLVC模型进行成本估计，再进行优化，并将优化后的FLVC模型参数发送给服务器端进行模型参数聚合；聚合后得到全局模型，全局模型更新后发送给本地参与的客户端；直到FLVC模型收敛或达到预定的迭代次数，重复以上步骤。本发明采用上述的一种基于联邦学习的FLVC异常用电检测方法，以保护电力数据的隐私为前提，提高异常用电数据检测的准确率，保证智能电网运行的安全性和可靠性。
-
Patent Agency Ranking
公开(公告)号：CN118574182A
公开(公告)日：2024-08-30
申请号：CN202410772475.6
申请日：2024-06-14
Applicant: 河南科技大学
Abstract: 本发明公开一种基于模糊逻辑预测的飞行自组网机会路由决策方法，涉及飞行自组网技术领域。所述方法包括：获取飞行自组网中各节点的基础信息；基于各节点的基础信息，采用高斯马尔可夫模型预测各节点未来的位置；根据各节点未来的位置和基础信息计算出各节点归一化后的位置因子、速度因子以及能量因子并输入至模糊逻辑推理系统中，输出候选转发节点集合；计算候选转发节点集合中各候选转发节点的距离因子、投递概率因子、归一化后的速度因子和能量因子并采用优先级函数计算各候选转发节点的优先级值；确定最大优先级值对应的候选转发节点为转发节点，完成机会路由决策。本发明可有效提高飞行自组网的网络性能和数据传输效率。
-
公开(公告)号：CN118521570A
公开(公告)日：2024-08-20
申请号：CN202410923028.6
申请日：2024-07-10
Applicant: 河南科技大学
Abstract: 本发明涉及深度学习、图像处理技术领域的一种基于双分支逆蒸馏及多输入图像的图像缺陷检测方法，包含以下步骤：S1、构建模型，包含构建教师网络、学生网络，以及具有全局分支和局部分支的双分支瓶颈结构；S2、模型训练；将教师网络输出的多个特征图e分别与学生网络对应的多个特征图d进行蒸馏，蒸馏损失使用余弦距离；S3、模型测试；通过计算逐像素的余弦距离，获得模型第i层的二维异常图，并相加获得最终的异常图M；该图像缺陷检测方法不仅能检测结构缺陷，还能检测逻辑缺陷，并获得更好的检测结果。
-
公开(公告)号：CN118193946A
公开(公告)日：2024-06-14
申请号：CN202410318318.8
申请日：2024-03-20
Applicant: 河南科技大学
IPC: G06F18/10 , G01R22/06 , G06F18/213 , G06N3/0442 , G06N3/0464 , G06N3/09
Abstract: 一种基于智能电网的多变量时间序列异常检测方法，涉及电网异常检测技术领域，包含以下步骤：S1、数据预处理，获取用户用电数据，并将其构建为与时间相关的数据集，通过深度学习模型对该时间序列进行随机掩码，将原始数据中缺失的时间序列补齐；S2、序列分隔，将设置好的带有掩码值的输入序列划分为奇序列和偶序列；S3、多尺度残差卷积，CNN卷积神经网络使用可学习卷积核自动提取不同尺度的特征，以获得更好的表示；S4、基于LSTM的联合重构与预测；S5、异常检测，基于预测和基于重构联合检测；本发明将基于预测掩码的部分和基于重构掩码的部分相结合来得到推理得分，通过是否大于推理得分来鉴别该用户是否为异常用户，有效提高了检测的精度。
-
公开(公告)号：CN117768957A
公开(公告)日：2024-03-26
申请号：CN202311716080.6
申请日：2023-12-14
Applicant: 河南科技大学
IPC: H04W28/084 , H04W28/08 , G06N3/126 , G06N3/006
Abstract: 本发明公开了一种移动场景中时延敏感程序的服务部署方法，包括以下步骤：构建一个移动边缘计算场景的系统模型，获得时隙t的服务部署问题，采用一种基于遗传算法和模拟退火算法的改进算法(SPIGA)对服务部署问题进行求解。本发明通过结合遗传算法和模拟退火算法的优势，首先利用遗传算法的快速收敛特性，找到局部最优解，然后运用模拟退火算法的思想跳出局部最优，寻找全局最优解，通过将边缘计算的服务部署问题转化为0‑1背包问题，获得最高的QoS值，能够在考虑资源和能耗的情况下，实现最优的服务部署，提高系统的服务质量，解决了移动场景中时延敏感程序的服务部署问题。
-
公开(公告)号：CN117241332A
公开(公告)日：2023-12-15
申请号：CN202311255371.X
申请日：2023-09-27
Applicant: 河南科技大学
Abstract: 本发明公开了一种基于移动预测的高动态自组网智能路由决策方法，首先建立节点的移动模型；然后通过GPS获取节点的三维位置坐标，通过自适应扩展卡尔曼滤波进行节点位置预测；预测的结果写入Hello包，动态调整时间间隔，进行邻居发现；最后根据邻居表里的信息，利用Q学习进行路由决策。本发明通过改进扩展卡尔曼滤波进行节点移动位置的预测，减少节点位置更新的延迟，从而提高网络的实时性和稳定性，动态调整Hello包的间隙从而实现灵活地控制通信开销并且能够及时的进行路由发现，通过Q学习不断学习和优化，实时学习和调整路由策略，以适应高动态性的网络环境，能够在高动态移动自组织网络中做出更优的路由决策。
-
-
-
-
-
-
-
-
-
Search Results
121
records
(took 0.035 seconds)
