-
公开(公告)号：CN112927505B
公开(公告)日：2022-08-02
申请号：CN202110119357.1
申请日：2021-01-28
Applicant: 哈尔滨工程大学
IPC: G08G1/01 , G08G1/081 , G08G1/095 , G06K9/62 , G06N3/08 , G16Y10/40 , G16Y40/35 , H04W4/029 , H04W4/40
Abstract: 本发明为了解决现有强化学习算法受限于维度爆炸问题无法直接拓展到大规模真实城市路网场景、以及协作式多智能体强化学习模型的训练效率低下问题，结合车联网通信背景，提出了一种车联网环境下基于多智能体深度强化学习的信号灯自适应控制方法。本发明具体包括4个步骤：基于车联网通信架构—设计CGB‑MATSC模型—在模型上结合DQN算法得到CGB‑MAQL算法—为了加速算法收敛提出了基于多线程的启发式学习机制；本发明用于优化路网范围内所有路口的信号灯控制策略，该模型为智能体规模扩展导致的空间维度爆炸提供了一个高效的解决方案，支持其他强化学习算法的拓展，且在大规模异构路网环境中具有较好的有效性和可拓展性。
-
公开(公告)号：CN109362115B
公开(公告)日：2021-10-01
申请号：CN201811446483.2
申请日：2018-11-29
Applicant: 哈尔滨工程大学
IPC: H04W40/12 , H04W40/20 , H04L12/733 , H04W4/44 , H04W4/46
Abstract: 本发明属于信道传播领域，具体涉及一种适用于城市场景下视距衰落模型的车载网路由方法。该方法包括以下步骤：(1)当车辆在进行信息转发时，判断车辆的转发类型；(2)综合考虑车辆的相对速度，距离因素，视距因素这三种因素；(3)采用模糊控制的方法，运用多因素决策的方法来选择最优的下一跳。综合考虑车辆的视距与非视距的情况，在城市环境下建立合适的信道衰落的传播模型；在道路转发算法中，综合考虑车辆的相对速度，距离因素，视距因素这三种因素，选择出合适的下一跳；在仿真结果的处理上，采用模糊控制的方法将影响转发选择的三个因素作为输入，车辆传输成功率作为输出，运用多因素决策的方法来选择最优的下一跳，完成信息的转发。
-
Patent Agency Ranking
公开(公告)号：CN112561146B
公开(公告)日：2023-04-18
申请号：CN202011425721.9
申请日：2020-12-08
Applicant: 哈尔滨工程大学
IPC: G06Q10/04 , G06F18/214 , G08G1/01 , G06T7/90 , G06N3/0464 , G06N3/0442
Abstract: 本发明是一种基于模糊逻辑和深度LSTM的大规模实时交通流预测方法。本发明涉及城市智能交通管理技术领域，选取城市路网场景，进行实时交通流拥塞程度信息的彩色图像采集；根据采集的彩色图像，获取多个路口的拥堵程度，用于数据训练集，通过模糊机制构成FDFP的数据感知端；建立深层LSTM神经网络，对数据训练集进行深度学习，构建FDFP的预测端；从服务器端获取的实时交通信息输入FDFP模型中，得到实时的多个路口的未来确定时间范围内的流量预测，对各路口实际实时交通情况对不同模型的预测效果进行评估。
-
公开(公告)号：CN112561146A
公开(公告)日：2021-03-26
申请号：CN202011425721.9
申请日：2020-12-08
Applicant: 哈尔滨工程大学
Abstract: 本发明是一种基于模糊逻辑和深度LSTM的大规模实时交通流预测方法。本发明涉及城市智能交通管理技术领域，选取城市路网场景，进行实时交通流拥塞程度信息的彩色图像采集；根据采集的彩色图像，获取多个路口的拥堵程度，用于数据训练集，通过模糊机制构成FDFP的数据感知端；建立深层LSTM神经网络，对数据训练集进行深度学习，构建FDFP的预测端；从服务器端获取的实时交通信息输入FDFP模型中，得到实时的多个路口的未来确定时间范围内的流量预测，对各路口实际实时交通情况对不同模型的预测效果进行评估。
-
公开(公告)号：CN112953862A
公开(公告)日：2021-06-11
申请号：CN202110169476.8
申请日：2021-02-07
Applicant: 哈尔滨工程大学
Abstract: 本发明是一种基于深度学习的高速铁路场景信道估计方法。本发明涉及预测或优化技术领域；采用大量的数据样本对CLSTMA网络进行训练，使学习网络自主学习信道响应数据；搭建基于自注意力机制的CNN‑LSTM网络结构，采用自注意力机制对所述预测的序列分配不同的权重，与当前输入值以及目标值显著参数分配权重；采用ADAM算法更新网络的参数集，通过训练自适应的更新学习率，降低网络的损失值。本发明的信道估计方法具有较强的性能，在同等信噪比环境下，较单一的神经网络以及传统的时域、频域信道估计方法相比，该发明与有更好的预测性能。
-
公开(公告)号：CN112927505A
公开(公告)日：2021-06-08
申请号：CN202110119357.1
申请日：2021-01-28
Applicant: 哈尔滨工程大学
IPC: G08G1/01 , G08G1/081 , G08G1/095 , G06K9/62 , G06N3/08 , G16Y10/40 , G16Y40/35 , H04W4/029 , H04W4/40
Abstract: 本发明为了解决现有强化学习算法受限于维度爆炸问题无法直接拓展到大规模真实城市路网场景、以及协作式多智能体强化学习模型的训练效率低下问题，结合车联网通信背景，提出了一种车联网环境下基于多智能体深度强化学习的信号灯自适应控制方法。本发明具体包括4个步骤：基于车联网通信架构‑‑‑设计CGB‑MATSC模型‑‑‑在模型上结合DQN算法得到CGB‑MAQL算法‑‑‑为了加速算法收敛提出了基于多线程的启发式学习机制；本发明用于优化路网范围内所有路口的信号灯控制策略，该模型为智能体规模扩展导致的空间维度爆炸提供了一个高效的解决方案，支持其他强化学习算法的拓展，且在大规模异构路网环境中具有较好的有效性和可拓展性。
-
公开(公告)号：CN109362115A
公开(公告)日：2019-02-19
申请号：CN201811446483.2
申请日：2018-11-29
Applicant: 哈尔滨工程大学
IPC: H04W40/12 , H04W40/20 , H04L12/733 , H04W4/44 , H04W4/46
Abstract: 本发明属于信道传播领域，具体涉及一种适用于城市场景下视距衰落模型的车载网路由方法。该方法包括以下步骤：(1)当车辆在进行信息转发时，判断车辆的转发类型；(2)综合考虑车辆的相对速度，距离因素，视距因素这三种因素；(3)采用模糊控制的方法，运用多因素决策的方法来选择最优的下一跳。综合考虑车辆的视距与非视距的情况，在城市环境下建立合适的信道衰落的传播模型；在道路转发算法中，综合考虑车辆的相对速度，距离因素，视距因素这三种因素，选择出合适的下一跳；在仿真结果的处理上，采用模糊控制的方法将影响转发选择的三个因素作为输入，车辆传输成功率作为输出，运用多因素决策的方法来选择最优的下一跳，完成信息的转发。
-
-
-
-
-
-
Search Results
7
records
(took 0.018 seconds)
