-
公开(公告)号：CN105069774B
公开(公告)日：2017-11-10
申请号：CN201510375307.4
申请日：2015-06-30
Applicant: 长安大学
Abstract: 本发明公开了一种基于多示例学习与图割优化的目标分割方法：步骤1：对训练图像采用多示例学习的方法进行显著模型建模，并利用显著模型对测试图像中的包和示例进行预测，得到测试图像的显著性检测结果；步骤2：将测试图像的显著性检测结果引入图割框架，依据示例特征矢量与示例包的标记对图割框架进行优化，求解图割优化的次优解，得到目标的精确分割。本发明采用多示例学习的方法建立显著性检测模型，使其适合特定种类的图像，并将显著性检测的结果用于基于图论的图像分割方法中以指导图像分割，对图割模型框架环节进行了优化，并采用凝聚层次聚类算法求解，使得分割结果能更好地符合语义感知的输出，得到精确的目标分割结果。
-
公开(公告)号：CN101982919B
公开(公告)日：2012-12-05
申请号：CN201010531805.0
申请日：2010-11-04
Applicant: 长安大学
IPC: H02J7/34 , H02J9/06 , H02J7/00 , B60R16/033
Abstract: 本发明公开了一种危险品在途监测的车载传感器电源，包括安装在车内的蓄电池、锂电池和电源变换器，所述的电源变换器由电压监测及双电源切换模块、充/放电逻辑判断切换模块、充放电保护模块、充电恒流变换输出电路、5V/8A电压转换模块和12V/1A电压转换模块组成，其中，充放电保护模块由锂电池过放判断及通断模块和锂电池过充判断及通断模块组成；具有两路隔离输出、双电源智能切换功能、硬件电源保护功能、抗电磁干扰和支持宽温工作，能够满足24V电气系统车辆的各类5V、12V车载传感器需求，进行安全、稳定和高效供电。本发明提高了车载传感器的可靠性，保证在工程车辆电源波动和熄火的情况下传感器及其数据采集系统的稳定工作。
-
公开(公告)号：CN101419456A
公开(公告)日：2009-04-29
申请号：CN200810232426.4
申请日：2008-11-25
Applicant: 长安大学
IPC: G05B19/418
Abstract: 本发明公开了一种基于台架的路面附着系数模拟器控制系统，PC机通过所安装的CAN卡以及通信线缆连接到下位机电路板上的CAN收发器，该收发器和CAN控制器连接，总控单片机通过CAN控制器、CAN收发器与PC机通信，总控单片机通过串口通信线路与PWM单片机相连，PWM单片机连接到MOSFET驱动器为其提供PWM控制信号，MOSFET驱动器连接到MOSFET管控制其输出电流大小，MOSFET管的输出连接到扭矩控制器为其提供驱动电流。本发明可用于控制汽车ABS检测系统对汽车在各种路面上行驶时路面附着系数的模拟，能够应用于汽车制造、维修企业及车辆检测中心等车辆检测等应工程用领域内。
-
公开(公告)号：CN112036001B
公开(公告)日：2024-04-23
申请号：CN202010625061.2
申请日：2020-07-01
Applicant: 长安大学
Abstract: 本发明公开了自动驾驶测试场景构建方法、装置、设备及可读存储介质，从真实交通场景中进行基元场景提取建立基元场景描述模型，从基元场景描述变量分布区间内选取描述变量取值，基于重要性抽样的蒙特卡洛方法对描述变量依据描述变量分布进行随机取样生成测试基元场景；根据测试任务中测试场景要素的参数测试基元场景按照重新组合的方法生成测试场景，本发明能够直接模拟实际复杂系统，有效解决复杂系统简化导致的结果失真问题，避免高维问题数值解误差随维数增加而迅速增加的维数灾难问题；采用高风险场景强化生成方法，用较小的计算开销生成较多的高风险场景，有效的增加生成场景中高风险场景的数量，降低低风险场景的数量，提高测试的效率。
-
公开(公告)号：CN117607827A
公开(公告)日：2024-02-27
申请号：CN202311437673.9
申请日：2023-10-31
Applicant: 长安大学
Abstract: 本发明公开了一种基于复数理论的激光点云描述符构建方法及系统，确定点云信息的有效测量范围，根据点云信息的有效测量范围构建描述符分割结构：根据描述符分割结构确定每个分割区域中的环境特征，取环境特征满足设定要求的环境表示能力特征对构建的描述符分割结构进行表示；将构建的描述符分割结构和每个分割区域中的环境特征进行合并形成紧凑的复数描述符，本发明考虑激光雷达低分辨率导致的测量误差，对原始点云空间进行不规则分割，提高分割每部分所提取信息的可靠性。本发明考虑单一信息环境表达能力较差的问题，提取任意每一区域两种具有代表性的特征，提高了环境表达能力。
-
Patent Agency Ranking
公开(公告)号：CN113139446B
公开(公告)日：2024-02-06
申请号：CN202110391084.6
申请日：2021-04-12
Applicant: 长安大学
IPC: G06V20/56 , G06V10/26 , G06V10/40 , G06V10/764 , G06V10/82 , G06N3/0442 , G06N3/0455 , G06N3/0495 , G06N3/082
Abstract: 本发明公开了一种端到端自动驾驶行为决策方法、系统及终端设备，属于自动驾驶领域。通过嵌入注意力机制的卷积神经网络提取场景空间位置特征，构建空间特征提取网络，准确解析场景目标空间特征及语义信息；通过嵌入时间注意力机制的长短期记忆网络编码‑解码结构捕捉场景时间上下文特征，构建时间特征提取网络，理解记忆场景时间序列信息；本发明综合场景空间信息与时间序列信息，同时结合注意力机制为关键视觉区域和运动序列赋予较高权重，使得预测过程更符合人类驾驶员的驾驶习惯，预测结果更加准确。(56)对比文件杜圣东;李天瑞;杨燕;王浩;谢鹏;洪西进.一种基于序列到序列时空注意力学习的交通流预测模型.计算机研究与发展.2020,(第08期),全文.王军;鹿姝;李云伟.融合注意力机制和连接时序分类的多模态手语识别.信号处理.2020,(第09期),全文.胡学敏;童秀迟;郭琳;张若晗;孔力.基于深度视觉注意神经网络的端到端自动驾驶模型.计算机应用.2020,(第07期),全文.
-
公开(公告)号：CN117056845A
公开(公告)日：2023-11-14
申请号：CN202311083571.1
申请日：2023-08-25
Applicant: 长安大学
IPC: G06F18/2433 , G06F18/2411 , G06N3/0442 , G06N3/0455 , G06N3/08 , G06N20/10
Abstract: 本发明公开了一种自动驾驶汽车异常检测方法及系统，采用自动驾驶车辆正常行驶状态下的系统运行数据信息训练深度神经网络异常检测模型得到训练好的异常检测模型；利用异常检测模型对自动驾驶车辆的实时数据进行检测得到自动驾驶车辆的检测结果，本发明能够有效支持工程师或相关领域专家调查黑箱异常检测模型预测的异常。除了有助于节省时间和维护成本外，它还实现了模型的透明性，从而促进工程师或相关领域专家信任所提出的异常检测模型。能够很好的展现对模型输出有重要影响的特征，以及展现这些特征单一地对模型输出产生的影响，进而提升领域专家对深度学习模型决策的理解，更为重要的是加快了领域专家对异常的定位和故障的诊断。
-
公开(公告)号：CN114495527B
公开(公告)日：2023-10-27
申请号：CN202210169762.9
申请日：2022-02-23
Applicant: 长安大学
Abstract: 本发明公开了一种混合交通环境下网联交叉口车路协同优化方法及系统，对交通信号和车辆轨迹进行异步分层优化设计，采用分层解耦式的交通优化模型：网联交通信号灯获取车辆状态信息，结合交通流模型、车辆运动学模型，以最小化交叉口交通延误为优化目标，优化交通信号配时；车辆结合交通信号配时、车辆能耗模型与车辆运动学模型，以车辆燃油经济性为优化目标，通过优化车辆加速度，调整车辆行驶轨迹。本发明旨在解决交通信号与车辆轨迹优化模型待优化变量多，难以实时求解的问题，从而提升车辆通行效率，最小化燃油消耗。
-
公开(公告)号：CN115063975B
公开(公告)日：2023-07-11
申请号：CN202210648480.7
申请日：2022-06-09
Applicant: 长安大学
IPC: G08G1/01 , G06N3/0464 , G06N3/08
Abstract: 本发明属于交通控制技术领域，公开了一种短时交通流数据预测方法、系统、计算机设备及存储介质，包括：获取待预测区域以及待预测区域各相关区域的历史交通流数据；根据待预测区域的历史交通流数据，得到待预测区域当前时段的周期性交通流数据，以及结合待预测区域各相关区域的历史交通流数据，通过预设的时空特征选择方法，得到待预测区域的最优相关历史交通流数据；获取待预测区域当前时段的外部特征影响因素数据，并将待预测区域当前时段的外部特征影响因素数据、当前时段的周期性交通流数据及最优相关历史交通流数据输入预设的交通流预测模型，得到待预测区域的交通流数据短时预测值，有效提升了短时交通流数据预测的准确性。
-
公开(公告)号：CN111325403B
公开(公告)日：2023-07-11
申请号：CN202010121710.5
申请日：2020-02-26
Applicant: 长安大学
IPC: G06Q10/04 , G06Q10/20 , G06N3/0442 , G06N3/08
Abstract: 本发明提供了一种公路隧道机电设备剩余寿命预测方法，该方法采用外部环境参数建立环境因素误差辨识模型，对公路隧道机电设备的内部状态参数进行补偿，获得补偿后的内部状态参数；以补偿后的内部状态参数和公路隧道机电设备故障率作为分析对象，通过核主成分分析获得特征向量；将特征向量作为长短期记忆网络的输入量，将公路隧道机电设备剩余寿命作为长短期记忆网络的输出量，对长短期记忆网络进行训练，获得公路隧道机电设备寿命预测模型；采用公路隧道机电设备寿命预测模型对公路隧道机电设备的寿命进行预测。本发明的方法提高了剩余寿命预测模型中输入量的精准性，从而提高了采用该模型进行剩余寿命预测时所获得的剩余寿命的精准性。
-
-
-
-
-
-
-
-
-
Search Results
126
records
(took 0.031 seconds)
