一种基于深度学习和边缘计算的视觉行车测距算法

    公开(公告)号:CN111292366A

    公开(公告)日:2020-06-16

    申请号:CN202010094884.7

    申请日:2020-02-17

    Applicant: 华侨大学

    Abstract: 本发明涉及智能汽车的自动驾驶领域,尤其涉及一种基于深度学习和边缘计算的视觉行车测距算法,包括以下步骤:S1、构建带行车测距数据集并进行标注;S2、利用构建的标准数据集,生成适用于行车测距的深度模型;S3、联合边缘设备和传感设备自动对网络进行分割加速推断;S4、用测试数据集进行实验,预测行车距离,本发明使用单目摄像头采集行车数据集,节省了成本。且通过多种数据增强的方法对数据集进行了有效扩充,不仅增加了数据量,有效避免了网络过拟合,提高了行车测距的准确率。

    一种水声网络中基于时域干扰对齐的多信道传输调度方法

    公开(公告)号:CN111294137A

    公开(公告)日:2020-06-16

    申请号:CN202010094873.9

    申请日:2020-02-17

    Applicant: 华侨大学

    Abstract: 本发明提供一种水声网络中基于时域干扰对齐的多信道传输调度方法,包括以下步骤:S1网络拓扑结构表示,本发明采用分时隙的模型,将整个消息传输过程划为若干个长度为τ的时隙,节点之间的传输延迟指消息在两个节点间传输所需的时间,本发明用传输延迟矩阵表示网络拓扑结构,矩阵中的元素表示节点间传输消息所需时隙个数;S2传输调度初始化,用三维矩阵存储节点的状态,确定节点的传输时隙,选择的传输信道以及目的节点;S3最优传输决策搜索,寻找最优调度问题可看作一个序贯决策问题,使用动态规划可解决此问题。在多信道网络模型中,多个节点可在一个时隙内同时传输消息,减少了数据冲突,增加了网络吞吐量。

    一种基于核心点保留的DBSCAN的异常数据识别检测方法

    公开(公告)号:CN110942099A

    公开(公告)日:2020-03-31

    申请号:CN201911196658.3

    申请日:2019-11-29

    Applicant: 华侨大学

    Abstract: 本发明公开了一种基于核心点保留的DBSCAN的异常数据识别检测方法,包括以下步骤:S1:将数据集随机划分成训练集和测试集;S2:构建训练集的近邻矩阵Croe-M和逆近邻矩阵Croe-MR,采用逆近邻矩阵Croe-MR作为判定核心点的依据;本发明涉及异常识别检测方法技术领域。该基于核心点保留的DBSCAN的异常数据识别检测方法通过重新定义了“密度”,利用“密度”对训练集进行聚类并打上标签,由此,再利用标签,对剩余测试集中的数据进行分类;通过随机抽样来划分训练集和测试集,提高了该检测方法的拓展性;同时,仅采用核心点建立模型,有效降低噪声点,尤其是边缘点对分类结果的影响;通过“密度”定义,能够好代表样本点在数据集类别中的权重,拥有更好的分类效果。

Patent Agency Ranking