公开(公告)号：CN119558458A

公开(公告)日：2025-03-04

申请号：CN202411597658.5

申请日：2024-11-11

Applicant: 桂林理工大学

Inventor： 刘亚荣 ,  周雪松 ,  谢晓兰 ,  孟媛 ,  支正新 ,  冷冬 ,  刘宇航

IPC: G06Q10/04 ,  G06Q50/40 ,  G06F18/241 ,  G06F18/10 ,  G06N3/042 ,  G06N3/0442

Abstract: 本发明公开了一种基于神经网络的船舶交通流量预测方法及电子设备，属于交通流量预测领域。该方法包括：获取数据；构建图结构；构建交通流量预测模型，通过所述交通流量预测模型预测未来的交通流量状态；交通流量预测模型包括：图神经网络、高阶传感网络以及序列到序列模型，训练图神经网络提取空间特征；用循环神经网络的捕获时间依赖；用序列到序列模型生成预测结果。本发明通过将图神经网络、循环神经网络和序列到序列模型相结合，实现了空间特征、时间依赖和预测结果生成的全面优化，通过多模型融合的策略显著提升预测的综合能力。

公开(公告)号：CN119418045A

公开(公告)日：2025-02-11

申请号：CN202411436906.8

申请日：2024-10-15

Applicant: 桂林理工大学

Inventor： 刘亚荣 ,  陈思帆 ,  谢晓兰 ,  孟媛 ,  蒋明

IPC: G06V10/26 ,  G06V10/764 ,  G06V10/82 ,  G06V10/80 ,  G06V10/44 ,  G06V10/42 ,  G06T7/10 ,  G06N3/0464 ,  G06N3/0499 ,  G06N3/08

Abstract: 本发明公开了一种点云分类分割方法，特别涉及一种基于自适应卷积和自注意力的点云分类分割方法，包括以下步骤：步骤S1，读取三维点云数据，对点云数据进行采样与预处理，将预处理后的点云数据输入到模型中；步骤S2，将三维点云数据输入到自适应残差卷积模块，进行特征提取；步骤S3，对步骤S2获得的多个局部特征，对特征进行合并，然后经过多层感知机，最后经过自注意力模块，得到高级特征；步骤S4，将高级特征分别再进行最大池化操作和平均池化操作后进行拼接，得到高维特征，然后输入到全连接层进行降维，输出三维点云数据的分类和分割结果。

公开(公告)号：CN119130295A

公开(公告)日：2024-12-13

申请号：CN202411214448.3

申请日：2024-08-31

Applicant: 桂林理工大学

Inventor： 谢晓兰 ,  宋嘉昊 ,  邓哲琪 ,  刘亚荣 ,  董路熙

IPC: G06Q10/083 ,  G06K17/00

Abstract: 本发明涉及物流管理技术领域，特别涉及一种基于三维码的AGV运输方法和AGV运输系统。通过将二维码与射频码关联和集成到同一个物理标签上，扫描二维码与射频码获得统一的三维码。由于扫描获得的二维码与射频码需要验证匹配后才能形成相应的三维码，当三维码扫描模块获取的射频码并非货物对应的射频码，与扫描获得的二维码无法匹配，会重新要求扫描以获得正确的二维码与射频码，从而获得相应的三维码，利用所述三维码存储和验证货物信息，能有效的避免了二维码存储的信息容量有限，并且容易被篡改或者伪造的问题，且也避免了射频码在复杂的仓库环境中会受到电磁、多路径等因素干扰的问题。

公开(公告)号：CN117973603A

公开(公告)日：2024-05-03

申请号：CN202410089806.6

申请日：2024-01-22

Applicant: 桂林理工大学

Inventor： 谢晓兰 ,  宋元奇 ,  刘亚荣

IPC: G06Q10/04 ,  G06Q50/02 ,  G06Q10/0639 ,  G06N3/0442 ,  G06N3/044 ,  G06N3/048 ,  G06N3/08

Abstract: 本发明提供一种草原放牧预测方法、装置、系统以及存储介质，属于农业管理技术领域，方法包括：导入原始放牧数据，对原始放牧数据的预处理得到预处理后放牧数据；从预处理后放牧数据中筛选出目标放牧数据；构建预测模型，通过预测模型对目标放牧数据的预测得到目标土壤湿度；对目标放牧数据以及目标土壤湿度的评价分析得到草原放牧预测结果。本发明综合考虑了多种影响指标，为草原提供了有效合理的放牧策略预测，提高了草原放牧预测的准确率，使草原放牧策略更加科学合理。

公开(公告)号：CN116684880A

公开(公告)日：2023-09-01

申请号：CN202310617505.1

申请日：2023-05-29

Applicant: 桂林理工大学

Inventor： 刘亚荣 ,  吴雪涛 ,  谢晓兰

IPC: H04W12/125 ,  H04W84/18

Abstract: 本发明公开了一种针对LoRaWAN的集成攻击方法。首先，建立了集成攻击模型，包括LoRaWAN终端设备、两个重放干扰设备、LoRa网关、LoRa网络服务器和LoRa应用服务器；然后配置必须的参数使终端设备进行入网激活，完成正常的数据通信；再者通过重放干扰设备实现以重放和干扰攻击为基础，且适用于LoRaWAN这种单跳网络的虫洞攻击，通信过程中，捕获篡改或延时重放LoRaWAN数据包，甚至执行ADR欺骗，最终实现对终端设备的能量消耗攻击。这种以能量消耗为目的的集成攻击方式不会立即中断终端设备与网关的通信，而是逐步耗尽节点的能量，具有结构简单、使用方便、隐蔽性强的优点。

公开(公告)号：CN110610747B

公开(公告)日：2023-08-18

申请号：CN201910957280.8

申请日：2019-10-10

Applicant: 桂林理工大学

Inventor： 谢晓兰 ,  邱梦楠 ,  刘亚荣 ,  郭强

IPC: G16C20/70 ,  G16C20/90 ,  G06Q50/20

Abstract: 本发明公开了一种基于深度学习的微型化学实验方法，包括：输入要合成的物质的数据；在与绿色化学配套的大数据平台中获取所述要合成的物质的历史大数据；在所述大数据平台中提取所述要合成的物质的特征信息；依据所述特征信息，在所述大数据平台中寻找与所述要合成的物质的特征信息相关的试剂；应用计算机仿真技术模拟所述试剂合成；结合所述合成的动态演化规律得到实时数据的性能评估指标；将所述性能评估指标存储到所述大数据平台中，同时反馈给用户。本发明将深度学习应用于微型化学实验中，为今后微型化学实验的发展提供技术支持。本发明解决了传统的人工手动实验方法耗时长、效率低的问题，提高了微型化学实验的完成效率。

公开(公告)号：CN108732095B

公开(公告)日：2023-08-11

申请号：CN201810376892.3

申请日：2018-04-25

Applicant: 桂林理工大学

Inventor： 刘亚荣 ,  熊传信 ,  谢晓兰 ,  杨晓斐 ,  施晓东

IPC: G01N21/01

Abstract: 本发明公开了一种发射光谱摄谱仪中的固体粉末进样方法，设置一种发射光谱摄谱仪中的固体粉末进样装置，包括玻璃棒、软磁圈、玻璃漏斗、圆形磁石、减速电机、振动支架、振动器、减振弹簧、振动底座。工作时，振动器带动玻璃漏斗振动，减速电机通过圆形磁石和软磁圈带动玻璃棒低速转动。将样品倒入玻璃漏斗中，玻璃棒低速转动，玻璃棒下端的锥形进样头通过自身的小凹槽使固体粉末样品均匀从玻璃漏斗中流入到测量仪器中，测量完成后，提起玻璃棒，对锥形进样头进行清洁，同时打扫并吹干净玻璃漏斗中的残留样品，重新将玻璃棒插入到玻璃棒导圈中，接通电源即可进行下一个样品的进样。本发明具有结构简单，进样匀速、易于清洁及不易沾污等优点。

公开(公告)号：CN116542708A

公开(公告)日：2023-08-04

申请号：CN202310464216.2

申请日：2023-04-26

Applicant: 桂林理工大学

Inventor： 董路熙 ,  谢晓兰 ,  刘亚荣

IPC: G06Q30/0204 ,  G06Q30/0202 ,  G06N3/084 ,  G06N3/092 ,  G06F18/22 ,  G06F18/23 ,  G06F16/9535 ,  G06F16/9537

Abstract: 本发明公开了一种智能优质商业门店规模推荐及其分级评分方法，该方法包括如下步骤：根据采集到的多源数据建立商业选址多维特征的耦合矩阵，分析商业选址潜在有价值信息与全要素特征之间的关联关系和复杂影响，根据影响选址的多维特征耦合矩阵及其优先级权重，建立基于深度加强学习的智能优质商业门店规模推荐及其分级评分模型，据此对商业选址及其门店规模进行智能优先推荐，实现自动高效的商业选址。本发明之目的在于提供一种智能优质商业门店规模推荐及其分级评分方法，以解决传统调研方法费时费力、成效低等问题，提高商业选址的准确性和可靠性，快速高效地扩大商业店铺的选址规模，为商业选址提供较为可靠的参考依据。

公开(公告)号：CN115934324A

公开(公告)日：2023-04-07

申请号：CN202211545035.4

申请日：2022-12-04

Applicant: 桂林理工大学

Inventor： 谢晓兰 ,  杨哲兴 ,  徐克顺 ,  刘亚荣

IPC: G06F9/50 ,  G06F17/10 ,  G06N3/006

Abstract: 本发明公开了一种基于变分模态和ISSA‑LSSVM的云中心资源负载预测方法。首先获取原始云资源负载数据样本，并对数据进行预处理。然后，采用变分模态算法将原始云资源负载数据分解成多个相对平稳的模态分量。接着提出一种ISSA算法，利用ISSA对LSSVM模型中核函数宽度σ和惩罚因子c进行优化，建立ISSA‑LSSVM模型，且分别对各模态分量进行预测。最后叠加各模态分量的预测值，输出最终的云资源负载预测结果。本发明方法能够有效解决传统预测模型在面对非线性云资源负载数据时预测精度不高的问题，能更加精准地预测云资源负载的变化趋势，对于提高云资源的优化效率，保障云服务质量有着积极意义。

公开(公告)号：CN113222096B

公开(公告)日：2022-11-11

申请号：CN202110485843.5

申请日：2021-04-30

Applicant: 桂林理工大学

Inventor： 谢晓兰 ,  张启明 ,  翟青海 ,  刘亚荣

IPC: G06F9/00 ,  G06N3/00 ,  G06F9/54 ,  G06F9/455

Abstract: 本发明提出了一种面向云计算任务调度的改进粒子群算法。包括4个步骤：首先对粒子采用自然数编码，以任务完成总时间作为适应度函数，将粒子与任务调度相关联，然后改进动态惯性权值策略，平衡全局和局部搜索能力，接着更新粒子位置和速度，规范取值范围，最后加入混沌扰动策略使算法尽可能寻找更优解，从而提高算法后期收敛精度。与标准粒子群算法相比，本发明所述算法在云计算任务调度中具有很强的全局开发能力，在算法的前期不断探索全局最优解，且在后期也具有良好的局部探索能力。同时，由于加入了混沌扰动策略，不断地随机改变粒子的位置信息，使得算法能够尽可能跳出局部最优解，从而最终收敛的结果更好。