-
公开(公告)号：CN118033586A
公开(公告)日：2024-05-14
申请号：CN202410224543.5
申请日：2024-02-29
Applicant: 南通大学
IPC: G01S7/41 , G06V20/58 , G06V20/56 , G06V10/764 , G06V10/774 , G06V10/82 , G06V10/44 , G06N3/045 , G06N3/0464
Abstract: 本发明公开了一种基于深度卷积模型的雷达距离多普勒图像目标识别方法，其具体步骤包括：利用毫米波雷达采集道路目标数据；对数据进行2D‑FFT处理，得到距离多普勒图；设计动目标显示算法对距离多普勒图中的杂波信号进行抑制；引入注意力机制，将其嵌入到Mask R‑CNN模型中，并实现了多层次的注意力机制；训练所设计的深度卷积神经网络模型；将待检测的距离多普勒图像输入经过训练的深度卷积神经网络模型中，有效实现对目标特征的精准选择与提取，获得待测距离多普勒图像的目标类别判定。通过引入多层次的注意力机制，该模型能够更加准确地捕捉距离多普勒图像中的关键特征，从而显著提高了目标检测的精度和鲁棒性。
-
公开(公告)号：CN117892177A
公开(公告)日：2024-04-16
申请号：CN202410079128.5
申请日：2024-01-19
Applicant: 南通大学
IPC: G06F18/24 , G06N3/045 , G06N3/0464 , G06N3/096 , G06N3/084 , G06F18/213 , G06F18/25 , G06F18/10
Abstract: 本专利涉及一种结合迁移学习与特征金字塔的行人步态识别与分类方法，该方法使用手机惯性导航传感器以及毫米波雷达进行惯性导航数据以及雷达数据的采集。通过搭建卷积神经网络和特征金字塔网络的深度学习神经网络，使用处理后的惯性导航数据以及雷达数据对神经网络进行迁移学习。在网络训练和迁移过程中优化步态数据的识别和分类性能。本发明能够实现在多传感器数据上进行行人步态的准确预测。
-
公开(公告)号：CN117842101A
公开(公告)日：2024-04-09
申请号：CN202410042455.3
申请日：2024-01-10
Applicant: 南通大学
Abstract: 本发明公开了一种自动驾驶汽车车外人机交互显示位置优化方法与系统，包括自动驾驶车辆、eHMI、LiDAR、计算机、摄像头及雷达传感器，该方法的流程为：S1、自动驾驶车辆感知周围环境；S2、自动驾驶车辆通过图像处理形成全局场景；S3、自动驾驶车辆识别周围有可能与其发生冲突风险的其他道路使用者。本发明根据道路使用者的注视方向、头部姿态、身体姿势等识别其视野范围，由此动态优化eHMI的显示位置，以保证eHMI信息能精准地传递给周围的道路使用者，道路使用者可以通过eHMI理解自动驾驶汽车的行为意图，从而做出合理的行为决策。
-
公开(公告)号：CN113381720B
公开(公告)日：2023-12-22
申请号：CN202110740039.7
申请日：2021-06-29
Applicant: 南通大学
Abstract: 本申请公开了一种二维模态兰姆波谐振结构、包含其的兰姆波谐振器及其制备方法，该二维模态兰姆波谐振结构包括压电振动层，位于压电振动层上表面的梳齿电极，及位于压电振动层下表面的底部金属电极；所述压电振动层的两个横向边界均超出底部金属电极的两个横向边界，压电振动层每侧的横向边界超出该侧的底部金属电极的横向边界的距离用外延边界距离d表示，d为2‑2.1倍的电极周期间距p。本申请提供的二维模态兰姆波谐振结构以及包含其的兰姆波谐振器，通过优化设计压电振动层的两个横向边界超出底部金属电极的两个横向边界的距离，有效解耦了主模外其余的兰姆波振动模态，因此有效的抑制杂散模态，提升了谐振器性能。
-
公开(公告)号：CN117215231A
公开(公告)日：2023-12-12
申请号：CN202311142773.9
申请日：2023-09-06
Applicant: 南通大学
IPC: G05B19/042
Abstract: 本发明提供一种应对网络干扰的动态输出反馈汽车队列控制方法，涉及车联网和自动驾驶技术领域，所述控制方法包含以下步骤：基于协同自适应巡航控制系统提出问题，并对所述问题做出必要的假设；建立一组三车协同队列的状态空间模型；建立同时能表征随机发生传感器饱和和随机发生欺骗攻击的模型；设计了动态反馈控制器；提供条件来保证增广系统的稳定性和H无穷性能要求的充分条件；利用矩阵分析技术，求解一组线性矩阵不等式来导出控制器参数；利用三车协同队列模型验证了鲁棒动态输出反馈控制算法的有效性。本申请中基于鲁棒动态输出反馈控制算法，解决了传感器饱和、参数不确定性和欺骗攻击下的新型协同自适应巡航控制系统控制问题。
-
Patent Agency Ranking
公开(公告)号：CN117110887A
公开(公告)日：2023-11-24
申请号：CN202311058524.1
申请日：2023-08-21
Applicant: 南通大学
IPC: G01R31/367 , G01R31/392 , G06F18/25 , G06F18/214 , G06Q10/04 , G06N3/0442 , G06N3/08 , G06F30/27 , G06F119/04
Abstract: 本发明公开一种基于融合LSTM和改进GM(1,N)模型的锂电池剩余寿命在线预测方法，包括以下步骤：S1:离线阶段：基于LSTM模型建立离线阶段预测算法，从已有相关电池充分数据中提取得到间接健康因子序列数据作为模型的输入特征，容量数据作为模型输出特征，对模型进行训练；S2、在线阶段：利用离线阶段训练完成的LSTM模型对初始部分周期容量进行预测，使用预测所得拟合改进GM(1,N)模型，之后通过滚动预测的方式实现剩余寿命的长期精准预测。本发明解决了锂电池容量及内阻等直接性能参数获取难，在线预测可使用数据量少、数据非线性等问题，提高了电池剩余循环寿命估算的准确性。
-
公开(公告)号：CN116559864A
公开(公告)日：2023-08-08
申请号：CN202310532811.5
申请日：2023-05-12
Applicant: 南通大学
IPC: G01S13/88 , G01S13/931 , G01S13/42
Abstract: 本发明公开了一种非机动车道目标识别方法及系统，包括如下步骤：用毫米波雷达采集非机动车道目标互相垂直的两个方向的径向速度；构建目标的微多普勒图像；对微多普勒图像进行抑制固定杂波，对消静止目标和低速目标等处理，提取运动目标信号；根据运动目标信号及其运动姿态分类标签构建数据集，训练卷积神经网络；将新采集的目标的径向速度输入训练好的卷积神经网络中，输出对应的运动姿态。本发明解决了当前数据特征的提取高度依赖于人类经验和领域知识；浅层人工特征训练的模型应用于新数据集时，其性能总是不如原始数据集；单雷达识别范围较窄导致准确率不高；传统的机器学习方法无法在大规模动态数据情况下训练出一个鲁棒的模型等一系列问题。
-
公开(公告)号：CN116366029A
公开(公告)日：2023-06-30
申请号：CN202310237801.9
申请日：2023-03-13
Applicant: 南通大学
Abstract: 本发明提出了一种基于事件触发机制有状态饱和的时滞系统的鲁棒滤波方法，包括以下步骤：步骤1、对传感器网络建立系统模型和测量模型；步骤2、利用事件触发机制，选取合适的测量进入滤波器，得到滤波器实际接收到的测量值；步骤3、利用经过事件触发机制后获得的实际测量值构造滤波器；步骤4、利用随机分析技术和矩阵分析技术，得到滤波误差方差上界的递归形式；步骤5、设计滤波器增益，使每一次得到滤波误差方差的上界最小值。本发明使用事件触发机制，降低了传感器网络中传感器的能量损耗，同时使用随机分析技术和矩阵分析技术处理状态饱和、参数不确定、时滞以及事件触发产生误差带来的影响，减少资源浪费。
-
公开(公告)号：CN114913689B
公开(公告)日：2023-06-16
申请号：CN202210616802.X
申请日：2022-06-01
Applicant: 南通大学
IPC: G08G1/01 , G06N3/0464 , G06N3/08
Abstract: 本发明公开一种基于先验知识时变图卷积网络的交通流预测方法，步骤如下：收集交通流数据，传输至交通大数据集群。对采集的数据进行预处理；生成交通图和特征矩阵，按照记录时间生成时间序列，将其划分为训练集和测试集；生成稳定特征矩阵和动态特征矩阵，利用编码器‑解码器结合自注意力机制将两种矩阵融合为先验知识图矩阵；构建先验知识时变图卷积网络，该网络由动态空间特征提取组件和动态长期时间特征提取组件组成；用训练集训练先验知识时变图卷积网络，并用测试集测试模型的预测精度。本发明通过构建编码器‑解码器结合自注意力机制有效提取传感器多层次的稳定和动态节点特征，提高了传感器节点之间的动态关联特性，实现模型精度的提升。
-
公开(公告)号：CN116226467A
公开(公告)日：2023-06-06
申请号：CN202310297088.7
申请日：2023-03-24
Applicant: 南通大学
IPC: G06F16/901 , G06N3/08 , G06Q50/00 , G06N3/0464
Abstract: 本发明公开一种基于节点结构特征的图卷积神经网络的社区发现方法。首先，将不同类型的节点映射至同一空间，使用GCN模型求得节点特征。然后，从异构性和重叠性两个方面考虑节点的结构特征。接着，对三个角度下的目标节点表征进行堆叠，使用MLP生成最终的目标节点表征。最后，使用k‑means聚类算法，对节点进行社区划分。本发明从异构性和重叠性两个角度，考虑节点结构特征，从节点特征和节点结构特征两个方面，考虑节点表征，为学习节点表征提供了新的角度，提高了节点表征的质量，保证了社区发现的精确性，对个性化推荐、社区欺诈检测等多种领域有着重要意义。
-
-
-
-
-
-
-
-
-
Search Results
315
records
(took 0.027 seconds)
