-
公开(公告)号：CN107274432B
公开(公告)日：2019-07-26
申请号：CN201710434834.7
申请日：2017-06-10
Applicant: 北京航空航天大学
Abstract: 本发明涉及一种基于视觉显著性和深度自编码的公共场景智能视频监控方法，包括：对视频进行单帧分解，使用视觉显著性提取运动信息，然后计算相邻帧运动物体的光流，之后的检测过程分为训练和测试两个过程，在训练中，以训练样本的光流作为自编码的输入，通过最小化损失函数来训练整个自编码网络，在测试阶段，分别以训练和测试样本的光流作为输入，提取训练好的自编码网络中的编码器，通过降维提取输入的特征，然后可视化降维后的结果，使用超球体表示训练样本的可视化范围，在输入测试样本时，使用同样的方法可视化，若样本可视化的结果落入超球体范围内，则判定样本正常；反之，落在超球体范围之外，判定样本异常，由此实现视频的智能监控。
-
公开(公告)号：CN118747659A
公开(公告)日：2024-10-08
申请号：CN202410944625.7
申请日：2024-07-15
Applicant: 北京航空航天大学
IPC: G06Q30/0202 , G06Q30/0201 , G06N3/0442 , G06N3/045
Abstract: 本发明公开了一种基于多维时序分解增强的社会时间序列数据预测方法，包括以下步骤：获取目标商品的历史价格数据，价格数据按照时间顺序排列形成价格时间序列；采用Prophet模型对价格时间序列进行处理，获得多变量序列；在原始时间尺度下，采用注意力机制为不同变量设置不同的权重，获得原始时间尺度下的优化多变量序列；改变采样的时间尺度，获取不同时间尺度下的优化多变量序列；将不同时间尺度下的优化多变量序列融合，获得综合多尺度序列；采用长短期记忆网络对综合多尺度序列进行处理，获得预测价格。本发明公开的方法，克服了Prophet模型在处理高频数据时的短板，实现了更精确、更稳健的时间序列预测结果。
-
公开(公告)号：CN117253111A
公开(公告)日：2023-12-19
申请号：CN202311151700.6
申请日：2023-09-07
Applicant: 北京航空航天大学 , 中国人民解放军国防科技大学
IPC: G06V10/778 , G06V10/82 , G06V10/774 , G06V10/764 , G06N3/0499 , G06N3/082
Abstract: 本发明公开了一种基于分类层统一化和改进EWC的类增量持续学习方法，通过训练集对神经网络进行训练，获得辨识模型，通过辨识模型辨识图片中事物的类别，所述训练包括旧任务训练和至少一次新任务训练，在新任务再训练过程中，以旧任务的模型参数为基点，限制参数的偏移。本发明公开的基于分类层统一化和改进EWC的类增量持续学习方法，解决了新类别偏向问题，提升了模型的平均准确度。
-
公开(公告)号：CN116129338B
公开(公告)日：2023-06-30
申请号：CN202310416964.3
申请日：2023-04-19
Applicant: 北京航空航天大学 , 中国信息通信研究院 , 中国科学院数学与系统科学研究院
IPC: G06V20/50 , G01C21/20 , G06V10/80 , G06V10/82 , G06N3/045 , G06N3/0464 , G06N3/047 , G06N3/048 , G06N3/092
Abstract: 本发明涉及一种基于因果干预的决策方法，属于机器动作决策技术领域。本发明利用环境的观测信息和待寻找目标的目标信息，得到不同的表征作为因果注意力机制模块的输入，输入到果注意力机制的样本内注意力机制和跨样本注意力机制两个子模块中获得决策指令。本发明使用因果注意力机制作为因果干预的实现，能够很好的解决传统的决策方法存在受到混淆因子影响的问题。本发明的决策方法收敛速度快、准确率高以及在未知环境下决策成功率高。
-
公开(公告)号：CN115771624B
公开(公告)日：2023-05-26
申请号：CN202310101472.5
申请日：2023-02-13
Applicant: 北京航空航天大学 , 中国科学院数学与系统科学研究院
IPC: B64G1/24
Abstract: 本发明涉及卫星控制领域，具体为一种基于强化学习的自适应卫星姿轨控制方法，针对实际卫星编队，以虚拟领导卫星作为基准建立虚拟领导卫星轨道动力学模型，结合姿态运动方程得到基于MRPs描述的卫星姿态动力学拉格朗日表示；得到各卫星姿轨耦合的六自由度动态模型；随后得到卫星姿态动力学控制模型；结合卫星参考信号的动态描述后，定义卫星子系统的价值函数并得到哈密顿函数，通过设计异策略强化学习最优姿态控制算法，得到最优控制策略，并按照相同的方法得到最优控制策略。本方法采用神经网络对直接对非线性模型的最优控制策略进行估计，对卫星部分参数未知情况下具有良好的自适应性，对每个推力器设计出了最优控制。
-
公开(公告)号：CN111651916B
公开(公告)日：2022-09-09
申请号：CN202010415084.0
申请日：2020-05-15
Applicant: 北京航空航天大学
Abstract: 本发明公开了一种基于深度学习的材料性能预测方法，通过建立有限元模型和深度学习模型，使用有限元模型的结果来训练深度学习模型，获得材料性能预测模型。本发明所述的基于深度学习的材料性能预测方法，能够快速、准确的完成材料性能的预测。
-
公开(公告)号：CN114461078B
公开(公告)日：2022-07-15
申请号：CN202210376694.3
申请日：2022-04-12
Applicant: 北京航空航天大学
Abstract: 本发明公开了一种基于人工智能的人机交互方法，包括以下步骤：建立识别模型；将视频输入识别模型，对视频识别，获得视频中人物的动态手势；所述识别模型包括空间通道子模型和时间通道子模型，空间通道子模型处理针对视频帧的空间信息，时间通道子模型处理针对视频片段时序信息、运动特征的信息。本发明公开的基于人工智能的人机交互方法，具有识别精度高、帧率高、速度快等诸多优点。
-
公开(公告)号：CN114047691A
公开(公告)日：2022-02-15
申请号：CN202210023265.8
申请日：2022-01-10
Applicant: 杭州海康威视数字技术股份有限公司 , 北京航空航天大学
IPC: G05B11/42
Abstract: 本申请实施例提供了自适应学习率协同优化的目标识别方法、装置及电子设备。在本实施例中，借鉴PID的设计思想，在深度学习常用的梯度下降算法比如Adam算法等中引入微分控制环节，实现自适应调整模型参数的学习率，加速神经网络模型中模型参数的收敛，避免神经网络模型训练过程中的损失震荡，最终实现了自适应学习率协同优化的目标识别。进一步地，在本实施例中，通过对自适应调整后的学习率进行裁剪，可解决后期因为出现极端学习率而造成模型不收敛或找不到良好的全局最优解的问题。
-
公开(公告)号：CN111899816A
公开(公告)日：2020-11-06
申请号：CN202010693602.5
申请日：2020-07-17
Applicant: 北京航空航天大学
Abstract: 本发明公开了一种基于人工智能数据分析的热电材料性能预测方法，通过对材料数据库中化合物和晶体的特征进行数字描述，获得学习样本，使用学习样本训练模型，实现对热电材料性能的预测。本发明所述的基于人工智能数据分析的热电材料性能预测方法，能够快速、准确的完成基于人工智能数据分析的热电材料性能预测。
-
公开(公告)号：CN111651916A
公开(公告)日：2020-09-11
申请号：CN202010415084.0
申请日：2020-05-15
Applicant: 北京航空航天大学
Abstract: 本发明公开了一种基于深度学习的材料性能预测方法，通过建立有限元模型和深度学习模型，使用有限元模型的结果来训练深度学习模型，获得材料性能预测模型。本发明所述的基于深度学习的材料性能预测方法，能够快速、准确的完成材料性能的预测。
