-
公开(公告)号：CN118643858A
公开(公告)日：2024-09-13
申请号：CN202410574776.8
申请日：2024-05-10
Applicant: 南京邮电大学
IPC: G06N3/006 , G01C21/20 , G06N3/0442 , G06N3/092 , G06F18/2321
Abstract: 本发明公开了数模混动的无人集群类脑群智协同导航方法，该方法包括：步骤1：建立无人智能体集群的运动模型和感知模型；步骤2：利用动态窗口算法构建基于数学模型方法的导航算法；步骤3：结合长短期记忆网络，构造具有时序关联性的双延迟深度确定性梯度网络；步骤4：获取无人集群各智能体最近的障碍物坐标，对坐标集合进行密度聚类；步骤5：根据局部信息地图计算障碍物密度ρobs，结合智能体Si与障碍物的最近距离，计算动态融合权重#imgabs0#步骤6：根据动态融合权重#imgabs1#对智能体Si的决策速度进行基于数学模型方法和深度强化学习的混动融合。本发明根据环境复杂度完成两种导航算法的动态融合，进一步增强基于深度强化学习的导航算法的性能。
-
公开(公告)号：CN118608559A
公开(公告)日：2024-09-06
申请号：CN202410574822.4
申请日：2024-05-10
Applicant: 南京邮电大学
Abstract: 本发明公开了分布式启发的无人集群类脑群智融合搜索围捕方法，该方法包括：步骤1：基于Yolov5网络完成单体目标检测，并结合DeepSort算法，预测出下一帧目标出现的位置；步骤2：根据距离差和面积差映射出智能体在物理空间的导航终点坐标#imgabs0#步骤3：构建扩散收缩协调的混沌映射算法，将导航终点坐标的更新映射到分布均匀的混沌空间；步骤4：根据所有智能体的目标检测置信度决策信息与区域位置信息，融合生成搜索空间#imgabs1#的全局搜索信息#imgabs2#步骤5：根据智能体全局搜索信息，融合多智能体系统中的各类传感数据，估算目标位置信息；步骤6：根据智能体的实时位置和障碍物位置。本发明围捕效率高，能够精确更新智能体的围捕终点，完成对运动目标的包围任务。
-
公开(公告)号：CN114782621B
公开(公告)日：2024-07-02
申请号：CN202210312695.1
申请日：2022-03-28
Applicant: 南京邮电大学
Abstract: 本发明公开了基于协同对抗的人体三维姿态点群智重建方法，首先在同一高度的两个不同位置摄像头a、b进行室内人体监控，使用Yolov5进行人体识别；采用Mediapipe框架进行人体姿态检测，并输出二维人体姿态骨骼关键点模型图；其次建立由摄像头a为主视角的三维坐标轴，根据摄像头投影矩阵将二维的骨骼关键点坐标投影到三维坐标轴内，根据骨骼关键点的编号连接三维人体骨骼关键点，获得三维人体骨骼关键点模型；最后采用基于群体智能的对抗网络进行三维人体模型图的校准。本发明能够将二维人体骨骼关键点在保留其特征的情况下由二维平面投影到三维平面，改进了二维人体关键点检测时人体特征信息不足与三维关键点检测时需要的计算机算力过高的问题。
-
公开(公告)号：CN118259229A
公开(公告)日：2024-06-28
申请号：CN202410370939.0
申请日：2024-03-28
Applicant: 南京邮电大学
Abstract: 本发明公开了一种传输场景自适应的模型迁移融合定位方法，包括：首先在标准定位场景下构建待定位点处标准RSRP模型，同时训练贝叶斯非线性回归定位模型，利用该模型输入待定位点RSRP值即可得到待定位点位置坐标；然后在新的定位场景下对标准RSRP模型进行修正，根据修正后的模型得出该场景下待定位点处RSRP值，并将其输入至贝叶斯非线性回归定位模型中得到待定位点定位结果，同时利用信号到达时间TOA定位模型进行该场景待定位点位置预测，得出定位结果；最后构建不同场景下三角形定位模型评价函数，结合定位系统稳定性系数得到贝叶斯非线性回归定位模型可信度，基于该可信度，对两个模型定位结果进行场景自适应融合，融合结果即为待定位点预测位置坐标。
-
公开(公告)号：CN114513746B
公开(公告)日：2024-04-26
申请号：CN202111550033.X
申请日：2021-12-17
Applicant: 南京邮电大学
Abstract: 本发明提供了融合三重视觉匹配模型和多基站回归模型的室内定位方法，首先，基站采集室内不同参考点的多角度图像，RSS与位置信息，将采集的图像和参考点位置数据上传到云端；其次，在RSS数据处理后，各基站在本地服务器训练RSS‑距离的回归模型，云端利用多角度图像以及参考点位置构建图像‑位置指纹库；最后，通过三重视觉匹配模型与多基站回归模型进行定位融合，获得最终定位结果。本发明能够采用多基站RSS‑距离模型以及多角度视觉采集数据来更好的表征室内环境，此外采用多基站RSS‑距离回归模型，三重视觉匹配模型实现融合定位，改进了单定位方法，单指纹匹配的精度不足问题，有非常广阔的应用场景。
-
Patent Agency Ranking
公开(公告)号：CN117528542A
公开(公告)日：2024-02-06
申请号：CN202311440238.1
申请日：2023-11-01
Applicant: 南京邮电大学
IPC: H04W16/14 , H04W4/24 , H04W72/0453 , H04W72/541 , H04W72/51
Abstract: 本发明公开了一种基于Stackelberg博弈的基站与多无人机频谱共享租赁方法，包括：基站将频谱租借给无人机；基站根据无人机自身的距离、干扰等条件设定相应的交易成本；基站与无人机先进行第一层博弈，通过建立的数学模型基于Stackelberg博弈得出能使双方都获得最大效用的频谱单价和频谱租赁量；多个无人机间进行第二层拍卖博弈，角逐出赢家与基站进行频谱交易；无人机根据自身使用的频谱资源向基站支付费用。本发明提高了频谱利用率和基站的收入，同时无人机也从租赁的频谱资源中获得了效用，使无人机找到最优的频谱资源、定价方案，以此最大化基站和无人机的收益。
-
公开(公告)号：CN117119597A
公开(公告)日：2023-11-24
申请号：CN202311088650.1
申请日：2023-08-25
Applicant: 南京邮电大学
IPC: H04W72/0457 , H04W4/30
Abstract: 本发明公开了一种面向物联网终端协作学习的资源分配方法、装置、介质及设备，所述方法包括：获取分布式联邦学习全局模型的无线网络，所述无线网络中有1台边缘服务器和多个物联网终端；利用预设的分簇算法将物联网终端分簇，得到分簇结果；基于分簇结果，根据物联网终端的本地数据样本数量，分配簇中每个物联网终端CPU和GPU的工作频率；基于分簇结果，根据无线网络的总带宽和每个物联网终端的实时信道状况，为簇中每个物联网终端动态分配带宽。本发明能够改善无线联邦学习中由于计算资源和网络带宽资源受限导致的训练进程中能量消耗过高的情况。
-
公开(公告)号：CN116935058A
公开(公告)日：2023-10-24
申请号：CN202310690452.6
申请日：2023-06-09
Applicant: 南京邮电大学
IPC: G06V10/40 , G06V10/80 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/092 , G06N3/098 , G06N3/048 , G06N3/084 , G06N20/00
Abstract: 本发明公开了一种基于分布式强化学习的无人集群协同群智目标搜索方法，获取无人集群中各智能体的局部状态特征，同时将预置的先验知识根据局部状态特征进行深度转换，分别计算无人集群基于预置特征匹配的权重、基于置信度的权重、基于环境动态性的权重和基于距离成本的权重，融合生成无人集群的全局状态特征；对无人集群进行分布式强化学习，完成协同群智搜索，并根据搜索结果完成无人集群智能体数量的动态更新，降低搜索成本。本发明充分考虑到了无人集群间局部状态特征的相互影响，计算四维权重，完成分布式协同；同时动态更新无人集群的规模，提高搜索效率。
-
公开(公告)号：CN113627472B
公开(公告)日：2023-10-13
申请号：CN202110756284.7
申请日：2021-07-05
Applicant: 南京邮电大学
IPC: G06V10/764 , G06V10/774 , G06V20/13 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于分层深度学习模型的智慧园林食叶害虫识别方法，包括：获取用于食叶害虫识别的图像数据集，利用Retinex图像增强算法对获取的图像进行预处理，并分成训练集、验证集和测试集；构建分层深度学习模型，其包括两层，第一层具体为在已有的YOLO网络的特征提取模块头部嵌入残差可变形卷积模块；第二层具体为在已有的Faster R‑CNN网络中加入全局激活区域生成网络以及局部激活区域生成网络；利用训练集对分层深度学习模型进行训练，利用验证集对分层深度学习模块进行验证，得到训练好的分层深度学习模型；将测试集输入训练好的分层深度学习模型中，得到食叶害虫识别结果。本发明方法能够实现更为及时和有效的害虫防治工作。
-
公开(公告)号：CN116822335A
公开(公告)日：2023-09-29
申请号：CN202310634420.4
申请日：2023-05-31
Applicant: 南京邮电大学
Abstract: 本发明公开了一种基于斯塔克伯格博弈的设备调度方法，包括：1)由BS担任领导者，移动设备作为追随者对领导者的策略做出反馈，建立两者的效益函数，基于斯塔克伯格博弈设计BS和移动设备间的调度选择问题。2)移动设备集合接受来自特定BS的全局模型，通过无线网络协同执行联邦学习算法。3)利用来自BS的全局模型权重向量和移动设备的本地模型权重向量之间的差异，采用梯度下降法进行本地迭代更新。4)上传移动设备本地最优解到BS进行全局聚合，并向移动设备集合广播下一轮全局模型，用于下一轮联邦学习训练，直到全局模型达到预定精度为止。本方法通过斯塔克博格博弈提升了BS和移动设备的整体效益。
-
-
-
-
-
-
-
-
-
Search Results
386
records
(took 0.085 seconds)
