-
公开(公告)号：CN118500424A
公开(公告)日：2024-08-16
申请号：CN202410369214.X
申请日：2024-03-28
Applicant: 南京师范大学
Abstract: 本发明公开了基于联邦图学习的电动汽车充电导航方法及系统，包括：获取目标区域内电力与交通系统中的充电桩特征数据集、电动汽车特征数据集以及道路特征数据集；对所有数据集进行分布式图神经网络训练，分布式图神经网络训练包括，通过GCN建模道路交通拓扑结构的空间依赖性；用层次化方式提取交通流量的特征周期；构建Fed‑GCN模型，以获取时间依赖关系；依据Fed‑GCN模型以及分布式图神经网络训练得到的参数构建电气‑交通耦合模型；依据电气‑交通耦合模型，通过Rainbow算法决策出最优充电桩和路径并反馈。本发明以联邦图学习为支撑，实现了各个平台数据的融合使用，扩充了模型特征，建立了有效的电动汽车充电导航方法。
-
公开(公告)号：CN116630901B
公开(公告)日：2023-09-22
申请号：CN202310905815.3
申请日：2023-07-24
Applicant: 南京师范大学
Abstract: 本发明公开了一种基于潜在图预测无监督学习框架的视觉里程计方法，首先获取当前作业环境的RGB图像，并进行预处理，获得预处理后图像；然后进行改进的潜在图预测处理，通过潜在图预测模型处理后，进行潜在图预测损失优化，得到潜在图预测后图像；再进行图像分层，并逐层执行数据增强和伪标签算法处理，最后通过区域增长算法剔除动态目标的类点云信息，实现潜在图预测无监督学习框架下的视觉里程计。通过在潜在图预测时进行损失优化，对重合节点的嵌入进行了有效度量，通过对图像进行分层后再进行伪标签算法处理，采用了轻量化的分层聚类，使得该算法的抗环境干扰能力强得到了强化，鲁棒性得到了提升，可针对不用目标进行有效精准识别分割。
-
公开(公告)号：CN116630901A
公开(公告)日：2023-08-22
申请号：CN202310905815.3
申请日：2023-07-24
Applicant: 南京师范大学
Abstract: 本发明公开了一种基于潜在图预测无监督学习框架的视觉里程计方法，首先获取当前作业环境的RGB图像，并进行预处理，获得预处理后图像；然后进行改进的潜在图预测处理，通过潜在图预测模型处理后，进行潜在图预测损失优化，得到潜在图预测后图像；再进行图像分层，并逐层执行数据增强和伪标签算法处理，最后通过区域增长算法剔除动态目标的类点云信息，实现潜在图预测无监督学习框架下的视觉里程计。通过在潜在图预测时进行损失优化，对重合节点的嵌入进行了有效度量，通过对图像进行分层后再进行伪标签算法处理，采用了轻量化的分层聚类，使得该算法的抗环境干扰能力强得到了强化，鲁棒性得到了提升，可针对不用目标进行有效精准识别分割。
-
-
Search Results
3
records
(took 0.018 seconds)
