-
公开(公告)号：CN114444615B
公开(公告)日：2023-04-07
申请号：CN202210134971.X
申请日：2022-02-14
Applicant: 烟台大学
IPC: G06F18/2415 , G06N3/0464 , G06N3/08 , G06Q10/10
Abstract: 本发明公开了一种基于工业类PaaS平台的贝叶斯分类识别系统及识别方法，所述识别系统的特征在于：包括IaaS基础设施服务层、G‑PaaS图神经网络处理层、O‑PaaS对接服务层和SaaS系统应用层。所述识别方法的特征在于G‑PaaS图神经网络处理层通过点云特征生成方法、点云特征学习方法、点云结构估计方法和点云模型分类方法对工件数据进行计算分类；本发明通过在G‑PaaS贝叶斯图神经网络处理层中利用带有注意力机制和图结构估计的图神经网络来处理工件点云数据，大大提高了工件点云模型的识别分类准确度。
-
公开(公告)号：CN114550118A
公开(公告)日：2022-05-27
申请号：CN202210167488.1
申请日：2022-02-23
Applicant: 烟台大学
IPC: G06V20/56 , G06V10/764 , G06F17/16 , E01C23/22
Abstract: 一种基于视频图像驱动的高速公路全自动智能划线方法，对摄像头进行标定，通过摄像头获得前方道路图像；建立道路路面置信区间分类器，实现道路路面区域有效分割，获得粗略二值道路路面检测结果；进行精细化处理，提出帧间关联的精细化道路检测算法，获得精细化二值道路路面检测结果；对获得的精细化二值道路路面检测结果逆变换到原图像中，获得带道路路面检测结果的RGB三通道图像；对道路图像通过逆透视变换方法获得俯视图方向的道路图像，获得两近似平行边界的道路图像；对路面检测结果边缘对应的范围确定为道路边界，并对道路边界进行划线；根据一侧标线，依次将其他的车道线划好；本发明具有效率高的特点。
-
公开(公告)号：CN114444615A
公开(公告)日：2022-05-06
申请号：CN202210134971.X
申请日：2022-02-14
Applicant: 烟台大学
Abstract: 本发明公开了一种基于工业类PaaS平台的贝叶斯分类识别系统及识别方法，所述识别系统的特征在于：包括IaaS基础设施服务层、G‑PaaS图神经网络处理层、O‑PaaS对接服务层和SaaS系统应用层。所述识别方法的特征在于G‑PaaS图神经网络处理层通过点云特征生成方法、点云特征学习方法、点云结构估计方法和点云模型分类方法对工件数据进行计算分类；本发明通过在G‑PaaS贝叶斯图神经网络处理层中利用带有注意力机制和图结构估计的图神经网络来处理工件点云数据，大大提高了工件点云模型的识别分类准确度。
-
公开(公告)号：CN114743079B
公开(公告)日：2025-05-06
申请号：CN202210405709.4
申请日：2022-04-18
Applicant: 烟台大学
Abstract: 本发明公开了一种稀疏雷达和双目立体图像融合的3D目标检测方法及装置，方法包括：对立体图像和稀疏LiDAR深度图分别进行特征编码后，基于注意力融合模块，将两条路径的特征信息进行融合，所述融合是从LiDAR深度图到立体图像；基于立体区域提取网络输出相应的左右感兴趣区域，将融合后的左右特征图一起输入到立体回归网络分支和深度预测分支，用于对3D边界框的位置、尺寸和方向进行预测。装置包括：处理器和存储器。本发明将立体相机与4激光束LiDAR传感器信息进行融合来达到现有先进水平，并以端到端的形式进行高速度检测。
-
公开(公告)号：CN119646593B
公开(公告)日：2025-04-22
申请号：CN202510151938.1
申请日：2025-02-12
Applicant: 烟台大学
IPC: G06F18/24 , G06F18/25 , G06F18/213 , G06N3/0455 , G06N3/0464
Abstract: 本发明属于数据处理技术领域，具体涉及不确定模态下的多模态意图识别方法、系统、装置、介质，为了应对文本模态质量的不确定问题，将文本特征与共性特征进行多头注意力处理，以此生成动态文本权重并作用于文本模态，从而动态优化文本模态；为了解决不确定模态带来的信息不足问题，利用余弦相似度函数计算具有最高优先级的模态与全模态样本数据集中相应模态的相似度，得到相似的全模态样本，并拼接形成目标增强特征，随后经交叉注意力处理对目标增强特征与融合特征进行深度关联学习，从而增强融合特征的质量。
-
Patent Agency Ranking
公开(公告)号：CN118644415B
公开(公告)日：2025-03-25
申请号：CN202411124002.1
申请日：2024-08-16
Applicant: 烟台大学
IPC: G06T5/70 , G06T5/60 , G06T5/10 , G06V10/40 , G06N3/0455
Abstract: 本发明涉及生成式人工智能和雷达图像处理技术领域，尤其是涉及一种扩散模型和低秩矩阵分解的雷达杂波抑制方法及系统。方法，包括获取雷达信号数据；对雷达信号数据进行预处理和数值填充；利用扩散模型对雷达信号进行扩散过程模拟，并对雷达信号进行特征提取，得到雷达信号的杂波图像；通过自编码器将杂波图像进行降维到潜在空间，得到噪声图像对噪声图依次进行正向扩散和逆向扩散生成无杂波雷达图像；本发明通过低秩矩阵分解能够有效分离雷达图像中的目标信号和杂波成分。低秩成分主要代表目标信号，而稀疏成分则捕捉到杂波和噪声。通过这种分离，可以更准确地识别和处理目标信息。
-
公开(公告)号：CN118861961B
公开(公告)日：2025-02-28
申请号：CN202411354085.3
申请日：2024-09-27
Applicant: 烟台大学
IPC: G06F18/2433 , G06F18/2131 , G06F18/2135 , G06F18/213 , G06N3/0455 , G06N3/0442 , G06N3/048 , G06N3/084
Abstract: 本发明涉及数据处理技术领域，尤其是涉及一种基于LSTM‑VAE网络的电网数据异常检测方法及系统。方法包括获取智能电网数据；构建长短时记忆网络和VAE的LSTM‑VAE网络模型；利用智能电网数据对LSTM‑VAE网络模型进行网络训练；利用训练好的模型进行电网异常检测。本发明结合LSTM和VAE的优势，LSTM能够有效处理电网数据的时序性，捕捉故障前后不同时间点数据的变化趋势和规律；VAE则通过学习数据的潜在分布，更好地重构数据和检测异常。两者结合可以更准确地识别电网数据中的异常情况。
-
公开(公告)号：CN119474768A
公开(公告)日：2025-02-18
申请号：CN202510066065.4
申请日：2025-01-16
Applicant: 烟台大学
IPC: G06F18/20 , G06N3/0475 , G06N3/094 , G06N3/0442 , G06N3/042 , G06F18/213 , G06F18/25 , G06F18/15 , G06N3/0464 , G06N3/0455
Abstract: 本发明涉及海洋环境预测技术领域，尤其是涉及一种基于数字孪生的海洋环境多模态融合预测方法及系统。方法，包括基于动态多模态图神经网络捕捉海洋环境的多模态数据的时空关联特征；利用多尺度门控单元对时空关联特征进行多尺度特征融合，得到综合特征表示；利用混合时序预测框架对综合特征表示进行预测，得到初步海洋环境预测数据，其中包括短期动态建模和长期趋势建模；利用生成对抗网络对初步海洋环境预测数据进行噪声拟合，生成最终海洋环境预测数据。本发明通过动态多模态数据融合、混合时序预测框架和多尺度门控Tanh单元的创新组合，有效解决了传统海洋环境监测和预测技术中存在的数据融合不足、预测精度有限和动态响应能力较差的问题。
-
公开(公告)号：CN119449467A
公开(公告)日：2025-02-14
申请号：CN202411778751.6
申请日：2024-12-05
Applicant: 烟台大学 , 济南三泽信息安全测评有限公司
Abstract: 本发明涉及联邦学习技术领域，尤其是涉及一种基于Modbus的联邦学习威胁检测方法及系统。方法，包括对获取的二进制网络流量数据进行预处理，得到Json文件数据；对Json文件数据进行特征提取；对联邦学习模型进行初始化，利用提取的特征进行模型训练，得到模型的若干重要参数；通过对模型的若干重要参数进行汇总，得到全局重要参数位置；基于全局重要参数位置对模型进行更新，得到个性化的联邦学习模型；利用个性化的联邦学习模型进行网络威胁检测。该方法能从多个维度表征网络流量，在为联邦学习框架实现多源输入提供支撑的同时，从数据层面提升了网络威胁检测效果。
-
公开(公告)号：CN117851827B
公开(公告)日：2025-01-10
申请号：CN202410056328.9
申请日：2024-01-16
Applicant: 烟台大学
IPC: G06F18/214 , G06F18/241 , G06F18/243 , G06N5/04 , G06N5/046 , G06N3/0464 , G01S7/02 , G06F123/02
Abstract: 本发明公开了低信噪比雷达辐射源信号脉内识别装置及其训练识别方法，雷达辐射源信号脉内识别装置包括数据分块模块；数据分块模块后端设置有深度神经网络模块；深度神经网络模块后端设置有正向推理结果保存模块；正向推理结果保存模块后端设置有融合推理模块；融合推理模块后端设置有反馈训练接入模块；反馈训练接入模块后端连接在深度神经网络模块上；深度神经网络模块后端还设置有分类模型参数保存模块。采用该装置及训练和识别方法不仅可以得到很好的分类模型，还可以得到精确的分类识别结果，可以有效的区分信噪比低的雷达辐射源信号类型。
-
-
-
-
-
-
-
-
-
Search Results
188
records
(took 0.056 seconds)
