-
公开(公告)号：CN119472660A
公开(公告)日：2025-02-18
申请号：CN202411555155.1
申请日：2024-11-04
Applicant: 中国科学院重庆绿色智能技术研究院
IPC: G05D1/43 , G05D109/30
Abstract: 本发明为一种无人作业船的精准移动校正控制系统及方法，属于无人船只领域。该系统由作业船船体以及安装在船体上的加速度传感器、水平仪、中央处理单元构成；该方法包含以下步骤：S1：初始化；S2：接收客户端指令进行作业；S3：通过安装的加速度传感器、水平仪和压力传感器实时感知船体状态；S4：根据经验公式和感知的船体状态对船体进行受力分析，计算出水泵的理论动作；S5：利用KNN网络选出符合误差限要求的候选经验池；S6：利用DQN网络计算出最优动作；S7：按照最优动作给水泵发送对应的控制指令并执行；S8：重复步骤S3～步骤S7，直到作业完成。本发明能够有效减少动作解空间，降低求解的复杂度并提高控制精度，提高无人作业船复杂环境的适应性。
-
公开(公告)号：CN105023071A
公开(公告)日：2015-11-04
申请号：CN201510500644.1
申请日：2015-08-14
Applicant: 中国科学院重庆绿色智能技术研究院
CPC classification number: Y02A20/16
Abstract: 本发明涉及一种基于高斯云变换和模糊时间序列的水质预测方法，属于人工智能、水环境监测技术领域。该方法主要包括以下步骤：步骤1)通过高斯云变换将水质参数的历史观测值离散化到不同的粒度层次；步骤2)计算水质参数历史数据近似周期长度；步骤3)根据近似周期长度构建训练集；步骤4)运用模糊时间序列模型计算预测值。本发明提供的一种基于高斯云变换和模糊时间序列的水质预测方法，能够利用高斯云变换和模糊时间序列预测，有效的处理具有不确定性特征的水质数据集，预测结果具有更好的鲁棒性；通过融合水质数据近似周期，利用水质数据本身的内在特征，去除噪声数据，避免噪声数据影响预测精度，保证模型对数据有较高的自适应性。
-
公开(公告)号：CN104008212A
公开(公告)日：2014-08-27
申请号：CN201410285834.1
申请日：2014-06-23
Applicant: 中国科学院重庆绿色智能技术研究院
IPC: G06F17/30
CPC classification number: G06F17/3087 , G06F17/30321 , G06F17/3048
Abstract: 本发明提供一种地理位置信息相关联的物联网时间序列数据存取方法，属于计算机大数据存储领域。该方法包括：1)将最新一次数据信息存储至最新数据缓存表；2)确定基点时间，并生成时间索引表主键；3)在对应数据行的列族中保存增量时间、geohash编码及实际数据至时间索引表；4)根据geohash编码生成基点空间与基点时间组合构成的时空索引表的主键；5)在对应数据行的列族中保存增量时间、增量空间、设备ID及实际数据至时空索引表；6)查询数据信息。本发明可以实现与地理位置信息相关联的物联网时间序列数据的快速存储和查询，有效的应对海量的、与地理位置信息相关联的物联网时间序列数据管理的系统需求。
-
公开(公告)号：CN119495019A
公开(公告)日：2025-02-21
申请号：CN202411556520.0
申请日：2024-11-04
Applicant: 中国科学院重庆绿色智能技术研究院
Abstract: 本发明涉及一种融合水下视频的多尺度协同的藻华评估方法，属于图像识别领域。该方法包含以下步骤，S1：水下、水面、高空图像的采集；S2：水质数据和气象数据的采集；S3：在时间和空间上对数据进行对齐；S4：利用图像分割技术对图像进行二值掩码分割；S5：将图像的二值掩码向量化后与水质数据和气象数据进行concat拼接作为输入；S6：利用改进的Transformer模型预测；S7：利用加权求和法对图像的二值掩码进行融合，得到监测区域的藻华区域二值掩码和融合藻华覆盖比例。本发明方法能够实现多个时刻的监测区域的藻华区域二值掩码和融合藻华覆盖比例的计算和预测，有利于对藻华现象进行动态的准确的评估。
-
公开(公告)号：CN116566651A
公开(公告)日：2023-08-08
申请号：CN202310357459.6
申请日：2023-03-29
Applicant: 中国科学院重庆绿色智能技术研究院
IPC: H04L9/40 , G06F18/2433 , G06F18/214 , G06N3/0455 , G06N3/0464 , G06N3/045 , G06N3/084
Abstract: 本发明为基于降噪自编码的多重网络异常识别方法，属于大数据、信息安全领域。该方法包含以下步骤：S1：对网络流量数据进行采样，得到输入数据矩阵；S2：将输入数据矩阵分块；S3：利用降噪自编码网络中编码器的Dropout层分别对每一个子矩阵按概率进行降噪处理，然后编码得到整体样本；S4：随机抽取子矩阵，并利用编码网络中的编码器对其编码处理后得到局部样本；S5：利用历史数据进行训练和测试；S6：利用训练好的网络分别生成整体样本和局部样本作为输入，利用分类器判断数据是否为异常数据。本发明方法针对每个分块在统计意义上给予特定的降噪概率和随机采样概率，有利于提高入侵检测的准确性。
-
Patent Agency Ranking
公开(公告)号：CN111008237B
公开(公告)日：2023-06-23
申请号：CN201910925275.9
申请日：2019-09-27
Applicant: 重庆渝高科技产业(集团)股份有限公司 , 中国科学院重庆绿色智能技术研究院
IPC: G06F16/26 , G06F3/0488 , G06F16/29
Abstract: 本发明提供了一种大数据平台指挥中心，包括：数据显示端和交互触摸控制端；数据显示端用于进行建筑工程大数据和三维全景地图模型的显示，且建筑工程大数据叠加显示在三维全景地图模型之上；交互触摸控制端用于在显示界面进行建筑工程大数据和三维全景地图模型的显示，且建筑工程大数据叠加显示在三维全景地图模型之上；并在显示界面接收到触控操作后，执行触控操作对应的操作，并控制数据显示端的显示数据与交互触摸控制端的显示数据进行联动显示，使得数据显示端和交互触摸控制端的显示数据保持同步。
-
公开(公告)号：CN111488948B
公开(公告)日：2021-07-20
申请号：CN202010358369.5
申请日：2020-04-29
Applicant: 中国科学院重庆绿色智能技术研究院 , 重庆大学
Abstract: 本发明涉及一种抖动环境下稀疏样本的标记方法，属于图像识别技术领域。该方法包括：S1：采用去抖动算法给输入的视频文件去抖动；S2：利用改进的Mask fast RCNN模型识别稀疏样本；S3：构建智能标记系统，对识别出的稀疏样本进行人工标记；S4：更新训练集：将标记好的数据返回至训练数据集中，用于下一轮改进的Mask fast RCNN模型的训练。本发明针对人烟稀少环境的监控视频中有效样本稀疏的问题，并考虑抖动环境带来的视频不稳定难点，能够对特定目标进行标记，提高视频的有效性。
-
公开(公告)号：CN109886165A
公开(公告)日：2019-06-14
申请号：CN201910096638.2
申请日：2019-01-23
Applicant: 中国科学院重庆绿色智能技术研究院
Abstract: 本发明为一种基于运动目标检测的动作视频提取和分类方法，属于大数据人工智能深度学习领域。该方法包含以下步骤：S1：采集多种场景，不同质量的运动视频，建立运动视频数据库，并对运动视频数据库中人体动作进行分类和标注，建立运动动作库；S2：利用深度学习技术，建立基于视频图像的运动目标的检测模型；S3：利用运动动作库对运动目标检测模型进行训练；S4：将用户实时拍摄视频作为运动目标检测模型的输入，判断人体动作类别，并结合用户需求，判断是否需要对该动作视频进行提取并保存。本发明方法能够自动、准确、快速的完成运动类别和运动起始时刻的判断，能够实时的适应不同场景下视频提取和分类任务。
-
公开(公告)号：CN106202310A
公开(公告)日：2016-12-07
申请号：CN201610512308.3
申请日：2016-07-01
Applicant: 中国科学院重庆绿色智能技术研究院
IPC: G06F17/30
CPC classification number: G06F16/2465 , G06F16/217
Abstract: 本发明提供一种建立数据挖掘自动回馈系统的方法，用于解决目前数据挖掘实现过程中需要不断人工反馈调优的问题。该方法建立的数据挖掘自动回馈系统，包括数据分割模块、结果评价模块、参数调整模块；三大模块协同工作形成反馈，自动调整、优化数据挖掘算法的参数，比以往进行数据挖掘更节约人力成本。通过参数自动调整算法高效地、精准地自动调整算法参数，有效的提高参数调整效率，减少自动化过程中过多的遍历参数取值范围造成的实际浪费。
-
公开(公告)号：CN115509789A
公开(公告)日：2022-12-23
申请号：CN202211214987.8
申请日：2022-09-30
Applicant: 中国科学院重庆绿色智能技术研究院 , 重庆大学
Abstract: 本发明涉及故障预测技术领域，具体为一种基于组件调用分析的计算系统故障预测方法和系统，包括：获取待预测组件的关联组件集合，采集其中每个组件的监测数据，进行处理，形成加权时序数据矩阵；根据关联组件集合，获取调用关系序列数据向量；获取采集监测数据的时刻开始预设时间间隔内的故障状态数据；根据加权时序数据矩阵、调用关系序列数据向量和故障状态数据，获取输入输出数据组；提取加权时序数据矩阵和调用关系序列数据向量的特征，进行融合，建立与实时故障状态数据的对应关系，形成分类预测模型；对分类预测模型进行训练优化，输出满足预设预测精度的分类预测模型。本方案能融合组件动态调用关系，以提高故障预测精度。
-
-
-
-
-
-
-
-
-
Search Results
42
records
(took 0.042 seconds)
