-
公开(公告)号：CN103778587B
公开(公告)日：2017-02-01
申请号：CN201210399215.6
申请日：2012-10-18
Applicant: 同济大学
Abstract: 本发明涉及一种基于车联网大规模网络的进程演化理论模型的构造方法，该方法包括以下步骤：1)获取车联网开环跨域网络中的实体概念数据、相关性质数据和行为特征数据；2)采用基于时间-空间约束序列模式的挖掘方法对上述数据进行挖掘，并得到它们间的关联关系；3)利用本体建模和网络微积分理论使车联网开环跨域网络演化成一个可互联互通的网络理论模型。与现有技术相比，本发明具有适用于车联网大规模开环跨域的复杂形态特点、有效解决大规模开环跨域系统互联互通问题等优点。
-
公开(公告)号：CN103795611B
公开(公告)日：2016-11-30
申请号：CN201410019462.8
申请日：2014-01-16
Applicant: 同济大学
IPC: H04L12/58
Abstract: 一种基于非时间逆序的微博优先处理方法，实施步骤为：（1）当用户设置关注好友的优先级后，用户就会首先看到最关心的好友的微博，最不关心的好友最后才看到；（2）如果存在以#标记的表达事件的微博，首先显示这样的微博，再显示其他微博；（3）按照好友昵称的字典序显示好友最新发布所有的微博，同一个好友的微博仍然按照时间逆序显示。将与某一个好友或事件相关的微博聚合在一起按照非时间逆序显示给用户，增加用户浏览微博的专注度和便利性。让用户首先看到最关心的用户的微博状态，最不关心的好友微博显示在最末，这样更加符合用户关注外界环境变化的习惯，也有效渐少恶意广告微博等垃圾信息对用户的骚扰。
-
公开(公告)号：CN102223209B
公开(公告)日：2013-06-26
申请号：CN201110190043.7
申请日：2011-07-07
Applicant: 同济大学
Abstract: 本发明涉及一种基于网络编码的分组验证方法，主要是将同构Hash函数应用到网络编码中，且只在源端与接收端之间交换对称密钥，然后逐个分组进行验证，针对每个分组，首先源端将对应所选定的分组的同构hash值逐个发送给接收端，接收端接收到该同构hash值后，使用预先交换过的对称密钥对该同构hash值进行加密处理，并将其以应答的方式返回给源端，源端使用每个接收端交换的对称密钥对以应答方式得到的经加密处理的同构hash值进行验证，以验证该同构hash值是否合格，若是，则使用该分组开始发送正常的网络编码的真正的数据，若否，则确定所述待验证分组被污染攻击，并将其丢弃，由此以及时发现网络编码中的污染攻击，并予以有效规避。
-
公开(公告)号：CN102158484A
公开(公告)日：2011-08-17
申请号：CN201110064816.7
申请日：2011-03-17
Applicant: 同济大学
Abstract: 本发明揭示了一种移动社交网络中动态拼车系统及拼车方法，所述系统包括：服务器、客户端、网络数据传输模块、用户界面模块；所述网络数据传输模块包括第一通讯单元、第二通讯单元，第一通讯单元用以实现客户端节点与节点之间的通讯，第二通讯单元用以实现节点与后台服务器之间的通讯。本发明提出的移动社交网络中动态拼车系统及其拼车方法，可提高拼车的便捷性。本发明提供在移动环境下的拼车服务，充分利用现有的无线网络技术，使得在无AP的情况下也能运行此系统；采用Adhoc网络与Internet网络相结合的方式，使得拼车的服务丰富多彩；提出了移动用户之间的评分机制，并解决移动社交网络中联合欺诈问题。
-
公开(公告)号：CN117334043B
公开(公告)日：2025-01-14
申请号：CN202311273726.8
申请日：2023-09-28
Applicant: 同济大学
IPC: G08G1/01 , G06Q10/0639 , G08G1/052
Abstract: 本发明涉及智能交通领域，提出了基于神经注意受控微分方程的城市交通路网韧性评估方法，包含三个步骤：步骤1：基于原始交通速度数据进行功能性指标预测；步骤2：基于原始交通速度数据进行结构性指标计算；步骤3：融合功能及结构指标构建综合评价指标体系，并结合多指标韧性评估算法实现城市交通路网韧性评估。本发明继承了神经受控微分方程训练时高效的内存利用率、处理缺失观测值的鲁棒性，又展示了处理长时间突变抖动信号的特殊优势，对时序数据趋势特征尤为敏感，能够胜任于建模动态长时间交通速度数据预测。此外，所设计的综合韧性评价指标体系及多指标韧性评估算法能够实现城市交通路网韧性的精准评估。
-
Patent Agency Ranking
公开(公告)号：CN118941687A
公开(公告)日：2024-11-12
申请号：CN202411049269.9
申请日：2024-08-01
Applicant: 同济大学
IPC: G06T15/00 , G06N3/0499 , G06N3/0895 , G06T19/20 , G06T17/00 , G06T7/80 , G06T7/90 , G06V10/764
Abstract: 本发明提供了一种基于体素辐射场的通用壳状压缩方法，包括步骤：步骤1建模体素辐射场与模型链路；使用体密度网格、外观网格以及浅层神经辐射场对场景进行建模，训练以及优化所建模网络的详细模型链路；步骤2表面体素定位；使用训练过程中的预测深度对物体表面周围体素进行定位，为步骤3的体素压缩提供引导；步骤3深度引导的壳状压缩；基于步骤2中构建的深度伪标签对体素网格进行约束，促进体素网格将物体形状建模为内外皆空的壳状；步骤4自适应动态剪枝；对前面步骤中优化好的体素网格进行剪枝，以增加模型内存效率，设计了一种方法使得剪枝的阈值τ标准能够在不同场景之间自适应的变化。
-
公开(公告)号：CN118470201A
公开(公告)日：2024-08-09
申请号：CN202410597892.1
申请日：2024-05-14
Applicant: 同济大学
IPC: G06T17/00 , G06T15/00 , G06V10/80 , G06V10/774 , G06F30/20 , G06N3/0464 , G06N3/0499
Abstract: 本发明涉及三维重建领域，提出了一种基于少视角协作的可泛化神经辐射场的设计方法,包括步骤：构建神经辐射场；跨视角特征体的协作融合：射线的正则化；体渲染与训练。相较于现有方法，本发明能够捕获更丰富和更广义的场景表示，从而实现高质量的新视图合成。此外，本发明设计的神经辐射场具有良好的可泛化性，可以有效的应用于未知场景的高质量新视角重建，甚至在优于部分逐个场景优化的神经辐射场方法的同时显著降低了计算成本。
-
公开(公告)号：CN117994980A
公开(公告)日：2024-05-07
申请号：CN202410062779.3
申请日：2024-01-16
Applicant: 同济大学
IPC: G08G1/01 , G06F18/27 , G06N3/0442 , G06N3/084 , G08G1/00
Abstract: 本发明属于无人驾驶领域，提出了基于轨迹预测的无人驾驶车群形成方法，包括：步骤1.相关定义；步骤2.基于多头注意力机制的无人驾驶车辆轨迹预测；步骤3.基于轨迹预测的无人驾驶车群形成方法。本发明给出了基于帕累托最优理论的无人驾驶邻居车辆集合提取方法；基于多头注意力机制提出了无人驾驶车辆轨迹预测算法；给出了引领节点选举算法；提出了用来度量车群稳定性的轨迹分离度，在此基础上，提出了基于轨迹预测的无人驾驶车群形成方法；给出了平均车群轨迹分离度、节点参与率、通信传输成本、节点生存时间、车群生存时间等评价指标，构建仿真实验对提出的无人驾驶车群进行了有效性和稳定性验证。
-
公开(公告)号：CN109840720B
公开(公告)日：2023-04-07
申请号：CN201910155584.2
申请日：2019-03-01
Applicant: 同济大学
IPC: G06Q10/0631 , G06Q50/00 , H04W4/40
Abstract: 车联网社区动态演化方法，具体包括如下步骤：步骤1.相关性质定义；步骤2.车联网社区的动态演化方法。步骤2.1基于点增量的社区变化；步骤2.2基于边增量的社区变化；步骤2.3基于权值增量的社区变化；步骤2.3基于社区增量的动态演化算法。在研究社区向心力和社区离心力的前提下，探测点增量、边增量以及权值增量对社区演化的影响，确立社区增量的演化机制，再以社区增量为基础进而研究大规模社区的演化机制，从而为车联网通达性研究提供了重要的理论基础。
-
公开(公告)号：CN113033899B
公开(公告)日：2023-03-17
申请号：CN202110331661.2
申请日：2021-03-29
Applicant: 同济大学
IPC: G06Q10/04 , G06F18/2321 , G06F18/214 , G06F18/211 , G06N3/0442 , G06N3/084
Abstract: 本发明涉及一种无人驾驶邻近车辆轨迹预测方法，本发明涉及无人驾驶领域。本发明给出了无人驾驶邻近车辆轨迹的预测方法。首先，通过LK‑DBSCAN(Limit‑K DBSCAN)算法提取出视频数据和点云数据中无人驾驶邻近车辆周围车辆集合以及路况信息，采用特征工程构造潜在的存在影响力的特征，增强数据特征对复杂道路情况的表达能力；然后使用长短期记忆神经网络LSTM对车辆的实时行为进行预测；最后，结合LSTM预测的车辆行为与车辆的历史行为数据，通过B‑LSTM(Behavior‑based LSTM)对车辆的轨迹进行预测。解决上述问题，可以提升无人驾驶车辆行为预测的准确率，减少轨迹预测的误差，从而位无人驾驶车辆运行行为决策提供准确性和效率。
-
-
-
-
-
-
-
-
-
Search Results
179
records
(took 0.025 seconds)
