-
公开(公告)号：CN119247790B
公开(公告)日：2025-04-11
申请号：CN202411770037.2
申请日：2024-12-04
Applicant: 南京信息工程大学
IPC: G05B13/04
Abstract: 本发明提供了基于博弈论的非稳定环境下智能体策略协同方法，包括以下步骤：步骤1，获取智能体状态值和收益；步骤2，根据动态差分规划方法，得到智能体期望收益，并根据马氏性公式，得到智能体最优收益；步骤3，根据当前时刻的状态值和智能体期望收益，获得智能体最期望的动作选择；步骤4，当智能体处于动态环境中时，获取智能体期望收益随时间的变化，并根据变化后的期望收益，获得最优动作选择。本发明方法克服了传统博弈论和强化学习方法在动态不稳定环境下的局限性，为多智能体协同决策提供了一种新的、高效的解决方案。
-
公开(公告)号：CN119723239A
公开(公告)日：2025-03-28
申请号：CN202411752104.8
申请日：2024-12-02
Applicant: 南京信息工程大学
IPC: G06V10/774 , G06V10/764 , G06V10/82 , G06V10/44 , G06V10/80
Abstract: 本发明提供了一种基于动态神经网络的目标检测方法和系统，所述方法首先对YOLOv7模型进行改进，使用多元卷积融合模块来替换骨干网络中的高效层聚合模块，然后在头部网络引入双向特征金字塔。最后，以两个改进后的YOLOv7模型作为基础模型，并结合智能路由器来构建动态目标检测模型。与常规的静态目标检测模型不同，本发明的动态目标检测模型能够根据图片复杂度来自适应的调整网络结构，对于简单的图片使用单一的网络进行检测保证检测的速度，而复杂的图片则经过两个网络处理来提高检测的精度。这种方法相比传统的目标检测方法具有更高的精度和更好的灵活性，能够在不丢失速度的情况下保持较高的精度。
-
公开(公告)号：CN119540725A
公开(公告)日：2025-02-28
申请号：CN202510027737.0
申请日：2025-01-08
Applicant: 南京信息工程大学
IPC: G06V10/82 , G06N3/0464 , G06N3/084 , G06V10/20 , G06V10/40 , G06V10/764 , G06V10/766 , G06V10/80
Abstract: 本发明提供了一种基于YOLOv11改进的下水道内部缺陷检测方法和系统，所述方法通过自适应特征融合模块实现多层次特征的动态加权融合，增强模型对小目标和复杂背景的检测能力；通过SENet注意力机制提高通道特征的选择性，降低背景干扰；引入MPDIoU损失函数改进边界框回归损失。改进的模型在裂痕、障碍物、腐蚀、变形等下水道缺陷的检测任务中性能显著优于原始YOLOv11，特别是在mAP50（平均精度）、Box精度（P）和召回率（R）等关键指标上均有显著提升。该发明可实现对下水道内部多类型缺陷的高效、精准检测，为下水道维护与管理提供了更优的解决方案。
-
公开(公告)号：CN118917353B
公开(公告)日：2025-01-28
申请号：CN202411379555.1
申请日：2024-09-30
Applicant: 南京信息工程大学
Abstract: 本发明提供了基于性能层级代理辅助的演化神经架构搜索方法和系统，所述方法从图的角度探索神经网络架构的有效表示，采用图神经网络提取网络架构的特征。为了降低演化神经架构搜索的高昂的资源消耗问题，提出预测架构性能层级的代理模型。通过代理模型对架构性能层级的预测，演化神经架构搜索可以充分探索搜索空间，搜索到高性能的网络架构。本发明设计了基于简单路径的交叉算子，尽可能保留父架构中的有效数据处理路径，确保子架构继承父代的优良特性，从而提高性能稳定性。本发明的代理辅助演化神经架构搜索框架可以在任务数据集上以较低的代价搜索到高性能的神经网络架构，为神经网络架构的自动化设计和优化提供了崭新的视角和高效率的方法。
-
公开(公告)号：CN119247790A
公开(公告)日：2025-01-03
申请号：CN202411770037.2
申请日：2024-12-04
Applicant: 南京信息工程大学
IPC: G05B13/04
Abstract: 本发明提供了基于博弈论的非稳定环境下智能体策略协同方法，包括以下步骤：步骤1，获取智能体状态值和收益；步骤2，根据动态差分规划方法，得到智能体期望收益，并根据马氏性公式，得到智能体最优收益；步骤3，根据当前时刻的状态值和智能体期望收益，获得智能体最期望的动作选择；步骤4，当智能体处于动态环境中时，获取智能体期望收益随时间的变化，并根据变化后的期望收益，获得最优动作选择。本发明方法克服了传统博弈论和强化学习方法在动态不稳定环境下的局限性，为多智能体协同决策提供了一种新的、高效的解决方案。
-
Patent Agency Ranking
公开(公告)号：CN119180305A
公开(公告)日：2024-12-24
申请号：CN202411700143.3
申请日：2024-11-26
Applicant: 南京信息工程大学
Abstract: 本发明提出基于梯度相似性超网的多目标神经架构搜索方法和系统，所述方法包括：构建一个超网，通过训练生成共享权重。训练过程中，采用梯度范数重要性采样策略，动态优化路径和数据的采样概率，优先选择对权重更新影响较大的架构和数据，以提高效率。针对多目标优化中的梯度冲突，引入PCGrad投影法，计算梯度相似性动态主导方向选择和梯度投影，减少冲突并稳定优化过程。超网训练后，初始化种群继承共享权重，在目标数据集上获得性能，并通过进化算法进行非支配排序和优化，以确保在精度、浮点计算次数和参数量等目标上实现均衡表现。本发明在保证多目标均衡优化的前提下，有效降低了计算成本，提升了神经网络架构搜索的效率和性能。
-
公开(公告)号：CN118821905A
公开(公告)日：2024-10-22
申请号：CN202411300567.0
申请日：2024-09-18
Applicant: 南京信息工程大学
IPC: G06N3/094 , G06N3/0464 , G06N3/006 , G06F18/2411
Abstract: 本发明提供了代理模型辅助的演化生成对抗网络架构搜索方法和系统，所述方法对生成对抗神经网络中的生成器网络架构进行编码，并对网络架构进行演化搜索。通过初始化若干网络架构并进行训练，构建数据集并训练基于两两比较关系的代理模型。然后，使用代理模型协助进行生成对抗神经网络的演化搜索过程，从而避免了部分架构的训练过程，并直接对神经架构进行非支配排序。最后，在全局最优解中挑选出适合任务需求的网络架构。与传统演化生成对抗网络架构搜索，本发明的代理模型辅助的演化生成对抗网络架构搜索具有稳定、快速的优点。这种方法相比传统的优化方法具有更高的效率和更好的搜索性能，能够更快地找到适合任务的最优神经网络架构。
-
公开(公告)号：CN118397322A
公开(公告)日：2024-07-26
申请号：CN202410141745.3
申请日：2024-01-31
Applicant: 南京信息工程大学
IPC: G06V10/764 , G06V20/10 , G06V10/82 , G06V10/774 , G06V10/74 , G06N3/086 , G06N3/084 , G06N3/126
Abstract: 本发明公开了一种基于种群相似度引导的地下城市管道图像分类方法，包括：获获取地下城市管道图像数据集，对地下城市管道图像数据集进行预处理获得地下城市管道训练数据集和地下城市管道验证数据集；将地下城市管道训练数据集导入基于神经网络的个体网络搜索空间进行训练，获得种群中的各个个体权重，并基于地下城市管道验证数据集对种群中的各个个体权重进行预测，获得各个个体在地下城市管道验证数据集上的预测分布向量和各个个体的适应度；根据个体在地下城市管道验证数据集上的预测分布向量，计算种群中各个个体之间的宏观网络相似度；通过基于神经网络的个体网络搜索空间，获得种群中相邻个体在地下城市管道验证数据集上之间的微观单元相似度；选择出适应度高于其它的若干个体；根据宏观网络相似度和微观单元相似度获得种群相似矩阵并导入适应度高的若干个体计算出相似度最高个体，以及采用二元锦标赛算法从中选择父集；通过单点交叉算子对父集进行选择获得子集；判断及确定父集和子集中适应度最高个体并输出最高个体，作为地下城市管道图像分类的最优神经网络架构；本发明从全局和局部两方面加强探索能力，精准地提升管道图像分类的计算性能。
-
公开(公告)号：CN118377933A
公开(公告)日：2024-07-23
申请号：CN202410802106.7
申请日：2024-06-20
Applicant: 南京信息工程大学
IPC: G06F16/783 , G06V20/40 , G06V20/62 , G06V10/74 , G06V10/80
Abstract: 本发明提供了基于文本生成图像技术的文本视频检索优化方法，本发明利用Stable Diffusion文本生成图像模型，通过对数据集中的文本信息进行图像生成，将生成的图像信息作为视频帧加入训练集，从而有效扩充数据规模。本发明还将考虑将关键帧信息反向生成文本信息，进一步丰富文本数据集。基于扩充的数据集，本发明将设计新的损失函数，综合考虑视频的细粒度与粗粒度特征，优化文本视频检索模型的训练过程，提升检索效果。本发明通过Stable Diffusion驱动的数据增强及优化的损失函数设计，能够有效解决现有文本视频检索研究中的数据缺乏和模型训练不充分等问题，为多媒体内容分析和检索应用提供新的技术支撑。
-
公开(公告)号：CN115906959A
公开(公告)日：2023-04-04
申请号：CN202211548944.3
申请日：2022-12-05
Applicant: 南京信息工程大学
IPC: G06N3/0499 , G06N3/048 , G06F18/214 , G06N3/084
Abstract: 本发明公开了基于DE‑BP算法的神经网络模型的参数训练方法，包括：对待分类样本数据集进行预处理，按比例划分为训练集和测试集，根据预处理后待分类样本数据构建前馈神经网络模型；利用样本训练集对每个编码后的个体在前馈神经网络模型向前传播过程中训练，计算前馈神经网络模型的预期值和真实值之间的误差，将误差作为个体的适应度值；利用样本训练集训练前馈神经网络模型，分别利用DE算法和BP算法训练编码后的种群，获得种群最优个体；利用带有最优参数的前馈神经网络模型对样本测试集进行测试，得到最佳的分类精度。本发明基于DE‑BP算法对前馈神经网络模型进行训练，解决了BP算法在搜索时容易陷入局部最优点的缺陷，提高神经网络训练的效率。
-
-
-
-
-
-
-
-
-
Search Results
66
records
(took 0.039 seconds)
