-
公开(公告)号：CN111640071A
公开(公告)日：2020-09-08
申请号：CN202010368359.X
申请日：2020-04-30
Applicant: 南京理工大学
Abstract: 本发明公开了一种基于卷积神经网络修复帧差法获取全景前景目标的方法，该方法包括以下步骤：选定需要进行前景目标修复的路段，获取该路段的多向交通路况视频；针对每个交通路况视频，利用帧差法获取该视频时段的前景目标图；针对每个交通路况视频，对视频帧图像进行归一化处理，并将归一化后的图像划分为训练集和测试集；根据训练集图像和测试集图像，利用卷积神经网络对前景目标图进行修复；基于多向交通路况视频，利用图像拼接算法获取所有前景目标图的全景图。本发明方法不仅可以获取清晰的运动目标前景图，而且通过全景图的获取，解决了在自动驾驶中存在的盲区问题。
-
公开(公告)号：CN111639789A
公开(公告)日：2020-09-08
申请号：CN202010366584.X
申请日：2020-04-30
Applicant: 南京理工大学
Abstract: 本发明公开了一种开放海域船舶碰撞风险预测方法，包括以下步骤：选定海域，获取所选海域成对船舶航行历史数据；将数据转换为时间步长固定的数据序列；针对数据序列中每一个时刻的数据，求取该时刻对应的成对船舶的航行数据；将某一时刻对应的航行数据作为卡尔曼滤波算法的先验值，预测下一时刻的航行数据；将下一时刻的航行数据作为风险评估模型的输入参数，获取该时刻的碰撞风险等级；将风险等级作为先验值，预测下一时刻的碰撞风险等级。本发明可以准确的分类相遇船舶的碰撞风险等级，通过对船舶航行数据以及风险等级的最优化估计，能够对接下来的两个时刻进行碰撞风险的预测，提高了船舶在海域航行的安全性。
-
公开(公告)号：CN118247977A
公开(公告)日：2024-06-25
申请号：CN202410237022.3
申请日：2024-03-01
Applicant: 南京理工大学
Abstract: 本发明提供了一种基于图注意力和值分解强化学习的区域交通信号控制方法，通过收集道路车流量信息建立路网仿真模型和图模型，充分利用路网车流量信息的空间特征和时序特征，采用了多头图注意力网络和门控循环单元进行特征提取，融合得到的时空特征作为输入传递给D3QN网络计算当前最优相位，训练过程中使用多智能体共享参数条件下的值分解网络来混合路网所有智能体的状态动作价值，实现全局角度的训练。本发明够增强智能体对路网特征的感知能力，有效利用路网的时间空间信息，从整体上提高对区域交通的控制效果，提高路网交通运行效率。
-
公开(公告)号：CN117218576A
公开(公告)日：2023-12-12
申请号：CN202311121001.7
申请日：2023-08-31
Applicant: 南京理工大学
IPC: G06V20/40 , G01S17/931 , G01S17/86 , G01S17/66 , G06V10/25 , G06V10/82 , G06V10/762
Abstract: 本发明提出了一种基于视频识别的毫米波雷达点云自动标注方法，对雷达和相机进行空间的标定；采集雷达点云与对应的视频数据，同步雷达与视频的起始时间；从雷达与摄像头的同步起始点开始，每次选取两帧雷达数据，采用基于椭圆邻域改进的时序DBSCAN聚类算法，进行雷达目标的分割，获取雷达目标的密度核心点，将雷达目标的密度核心点转换到像素坐标系；将与雷达数据帧同步的视频帧输入到YOLOv7网络中，得到视频目标的语义标签、目标感兴趣区域以及目标中心像素点坐标；对雷达目标密度核心点像素坐标与视频目标中心像素坐标，进行基于目标感兴趣区域的目标关联，完成目标的关联和雷达点云的标注。本发明提高了点云分割的准确度。
-
公开(公告)号：CN116782296A
公开(公告)日：2023-09-19
申请号：CN202310611900.9
申请日：2023-05-29
Applicant: 南京理工大学
IPC: H04W28/08 , H04W4/40 , H04W24/06 , H04W72/0446
Abstract: 本发明公开了一种基于数字孪生的车联网边缘计算卸载多目标决策方法，具体为：输入基于数字孪生的边缘车联网环境，初始化执行者‑评估者网络参数和基于分解的多目标进化算法参数；执行卸载动作，得到奖励向量和完成标志，存入缓存区；根据缓存区数据拟合值函数，基于当前价值函数与折扣回报计算优势估计；运用基于分解的多目标进化算法和奖励向量更新解集和适应度值，返回帕累托最优解作为执行者网络学习参数；以截断法约束策略更新，计算损失函数并更新策略；完成标志为真时，重置边缘车联网环境开始下一回合。本发明适用于在未知动态的边缘车联网环境下通过数字孪生辅助的智能边缘卸载决策实现最小化时延、能耗和云计算成本之间的长期权衡。
-
Patent Agency Ranking
公开(公告)号：CN116758403A
公开(公告)日：2023-09-15
申请号：CN202310229089.8
申请日：2023-03-10
Applicant: 南京理工大学
IPC: G06V10/98 , G06V10/82 , G06N3/08 , G06V10/774 , G06N3/0464
Abstract: 本发明公开了一种基于生成对抗神经网络的航运AIS数据修复方法，根据船舶历史数据，对不同轨迹的船舶进行分类，将分类后的轨迹数据转换为时间步长固定的数据序列，并据此构建缺失数据掩码矩阵；以融合时域卷积网络、双向长短期记忆网络和自注意力机制的自编码器为生成器，以双向长短期记忆网络为鉴别器，构建生成对抗神经网络；利用时间步长固定的数据序列和掩码矩阵训练生成对抗神经网络，得到用于修复船舶数据的数据修复模型；利用数据修复模型修复带有缺失值的船舶数据，并对修复的船舶数据进行区分、单元二次修复与合成，实现船舶轨迹的二次修复。本发明可以捕获船舶数据的深层次特征，提高了船舶数据修复的准确性。
-
公开(公告)号：CN114627646B
公开(公告)日：2023-04-28
申请号：CN202210216986.0
申请日：2022-03-06
Applicant: 南京理工大学
IPC: G08G1/01 , G08G1/017 , G08G1/065 , G06V10/764
Abstract: 本发明公开了一种基于车牌识别数据的路段交通流模式识别方法及系统，确定基础研究路段，统计每辆车的出行链；基于路段的实时流量、驶入场所的车流量、驶出场所的车流量以及区域流量，将全天划分为不同时段并构建特征数据集；利用主成分分析法对特征数据集进行降维；将降维后的数据集分别传入不同的聚类算法，利用轮廓系数和Davies‑Bouldin指数评判出最优算法、最优模式类别数，以及基础研究路段的模式识别结果；利用不同的分类学习器对已经带有标签的基础研究路段进行学习，获得最优分类器，用于新增路段的交通流模式识别。本发明通过交通流模式识别结果能够找出明显地释放或者吸引车辆的路段，这对于整体路网的交通控制都是非常有用的。
-
公开(公告)号：CN114640950A
公开(公告)日：2022-06-17
申请号：CN202210216884.9
申请日：2022-03-06
Applicant: 南京理工大学 , 金岩展云信息技术南京有限公司
Abstract: 本发明提出一种基于Android源生GPS定位API的移动设备定位方法及系统，通过Android API获取原始GPS数据和网络定位数据；基于卡尔曼滤波方法，滤除原始GPS数据和网络定位数据中的噪声、数据跳跃波动以及不平滑的经纬度点迹，并对滤波结果进行插值；根据用户请求进行预测点迹输出、上传和轨迹绘制。本发明使用硬件设备成本低，而且能够较好的满足用户提高定位精度、上传云端和本地轨迹绘制的需求。
-
公开(公告)号：CN111562570A
公开(公告)日：2020-08-21
申请号：CN202010366606.2
申请日：2020-04-30
Applicant: 南京理工大学
IPC: G01S13/58 , G01S13/931
Abstract: 本发明公开了一种基于毫米波雷达的面向自动驾驶的车辆感知方法，该方法包括以下步骤：毫米波雷达发射并接收雷达信号，根据回波信号获取雷达视域内的目标位置信息；根据目标的雷达截面积，筛选出潜在车辆目标；根据回波信号获取筛选的潜在车辆目标的速度信息；利用恒虚警检测算法，排除潜在的假车辆目标；形成车辆目标的初始航迹，通过运动学模型CTRV和无损卡尔曼滤波器实现车辆目标的航迹跟踪。本发明提出的车辆感知方法具有较高的检测精度和跟踪精度，可提高自动驾驶车辆的行驶安全程度。结合实际的雷达检测数据分析，该方法具有较高的应用价值。
-
公开(公告)号：CN110517488A
公开(公告)日：2019-11-29
申请号：CN201910762200.3
申请日：2019-08-19
Applicant: 南京理工大学
Abstract: 本发明设计了一种短时交通流预测方法。本发明结构主要分为三个部分：首先，通过历史平均模型构建日内交通流量趋势，并通过自回归滑动平均模型（ARIMA）拟合实际流量与日内流量趋势之间的剩余部分。然后建立广义自回归条件异方差（GARCH）模型来捕获自回归滑动平均模型残差序列的波动性以增强预测能力；使用长短时记忆神经网络（LSTM）用于捕捉日常交通的长期依赖性和非线性特征；最后，通过深度神经网络（DNN）融合和学习上述特征用于预测。本发明深入挖掘交通流数据的随机性与不确定性，充分考虑交通流数据中的线性和非线性特征，从而有效提高了交通流量数据的预测精度。
-
-
-
-
-
-
-
-
-
Search Results
74
records
(took 0.051 seconds)
