-
公开(公告)号：CN110222518B
公开(公告)日：2021-09-17
申请号：CN201910461987.X
申请日：2019-05-30
Applicant: 北京工业大学
Abstract: 本发明公开了基于区块链的可信权能访问控制方法，该方法基于分布式环境中的数据系统实现，该系统由前端web页面与区块链两部分组成。由于区块链的特性使其存储性能较弱，本平台只存储了数据访问地址，而不提供数据存储功能。前端由Vue框架以及调用区块链接口的Web3.Js组成，区块链平台使用了以太坊平台，在以太坊平台上使用了solidity语言编写智能合约的逻辑，因为Solidity语言实现图灵完备的智能合约编程，本方法基于以太坊平台部署的私有链。本方法通过权能交换操作上链解决用户间在交换数据后可能产生分歧和冲突，迅速定位问题所在并提供客观、真实有效的证明；大大降低管理成本和维护成本，同时也避免了中心化管理带来的易受攻击及隐私泄漏等风险。
-
公开(公告)号：CN113264059A
公开(公告)日：2021-08-17
申请号：CN202110533119.5
申请日：2021-05-17
Applicant: 北京工业大学
IPC: B60W50/00 , B60W40/09 , B60W30/18 , B60W30/12 , B60W30/165
Abstract: 本发明公开了支持多驾驶行为的基于深度强化学习的无人车运动决策控制方法，将驾驶行为分为“关键动作的决策”与“关键动作的执行”，实现支持多种驾驶行为的决策控制，避免对相同任务的重复建模，极大的降低了模型的复杂性。同时，引入深度强化学习算法，其采用智能体与环境交互学习的方式，避免了数据难以获取的问题和繁杂的数据预处理工作。该方案解决了面向多驾驶行为的运动决策控制问题以及基于学习的端到端运动决策控制模型支持多驾驶行为的问题，让无人车能够根据相应的上层行为指令完成不同驾驶行为，实现车辆的自主行驶。
-
公开(公告)号：CN112686272A
公开(公告)日：2021-04-20
申请号：CN202011512328.3
申请日：2020-12-19
Applicant: 北京工业大学
Abstract: 本发明公开了基于深度学习的手写体乐谱谱线删除方法，本发明模型训练所用数据集为ICDAR/GREC 2013手写体五线谱谱线删除比赛数据集，并且对该数据集进行数据增强，本发明使用了3种不同的数据增强方法。本发明的手写体乐谱谱线删除深度卷积神经网络模型，将含有乐谱图像输入的模型，模型的直接输出不含谱线的乐谱图像的结果图。本方法引入了旋转，谱线间断，谱线加粗3种额外噪声来模拟自然场景下的乐谱，提升了模型的泛化能力。提出了手写体乐谱谱线删除模型，实现了99.3％的删除准确率，在实时性上完成一张1024*2048大小的乐谱图像仅需14.85秒，相较于前文所提模型在实时性上大幅提高。
-
公开(公告)号：CN120030598A
公开(公告)日：2025-05-23
申请号：CN202510208021.0
申请日：2025-02-25
Applicant: 北京工业大学
IPC: G06F21/62 , G06F16/27 , G06Q30/018 , G06F21/32 , G06F16/23
Abstract: 本发明公开了一种基于区块链的隐私保护的产品供应链碳数据溯源方法，属于区块链应用领域。该方法包括：依据ISO 14067产品碳足迹核算标准与行业实践，构建产品供应链碳数据溯源信息模型，各企业根据溯源信息模型所定义的内容，采集碳数据并结构化存储至私有云中；基于区块链、零知识证明、承诺方案和RSA累加器构建产品供应链模型，实现碳数据数字指纹的链上存证与信息整合；基于RSA累加器和RBAC技术实现溯源权限验证与访问控制，并利用存证的数字指纹实现溯源信息真实性验证。本发明能有效解决在复杂产品供应链场景下，碳数据的结构化管理与信息整合难点，同时有效解决企业隐私保护和溯源信息真实性的问题，并能够根据数据隐私要求实现碳数据的访问控制。
-
公开(公告)号：CN119992512A
公开(公告)日：2025-05-13
申请号：CN202510067757.0
申请日：2025-01-16
Applicant: 北京工业大学
IPC: G06V20/58 , G06V10/62 , G06V10/26 , G06V10/52 , G06V10/764 , G06V10/762 , G06V10/80 , G06V10/82 , G06N3/045 , G06N3/09
Abstract: 本发明公开了一种融合时空聚类和语义分割的农机田路轨迹分类方法，同时满足实际农机作业场景下对农田轨迹和道路轨迹分类精度和运算效率的要求。该方法主要包括三个阶段：第一，轨迹预处理。使用空值填充、属性过滤、速度清洗和线性插值四种预处理操作剔除异常轨迹点，并补全缺失的轨迹。第二，轨迹聚类。采用基于轨迹位置、时序和方向信息的时空近邻轨迹段聚类方法在去除长距离道路行驶轨迹的基础上，形成轨迹组。第三，轨迹分割。结合通道与空间混合注意力机制和焦点损失函数，构建基于U‑Net的轨迹图分割模型，实现对每个轨迹组中贴近农田地块的道路行驶轨迹、漂移轨迹和农田轨迹的分割。实验表明，本发明提供的方法在真实农机作业场景数据集中具有最高的分类精度，且平均推理时间优于最新的分类方法中精度最高的方法。
-
Patent Agency Ranking
公开(公告)号：CN114397642B
公开(公告)日：2024-10-29
申请号：CN202210038266.X
申请日：2022-01-13
Applicant: 北京工业大学
Abstract: 本发明提供一种基于图优化的三维激光雷达与IMU外参标定方法，涉及多传感器标定技术领域，包括：获取设备中激光雷达和IMU的测量数据；对IMU的测量数据进行预积分，计算IMU残差；将激光雷达的测量数据经IMU坐标系投影至世界坐标系，获得点云图，计算激光雷达点与点云图中对应特征线及特征面的距离残差；基于图模型、IMU残差、距离残差获取初始目标函数及初始优化增量方程；设定恒定帧滑动窗口，获取边缘化增量优化方程，计算边缘化残差项；基于图模型、IMU残差、距离残差、边缘化残差项获取目标函数，计算激光雷达与IMU的外参标定。本发明通过恒定帧滑动窗口实时获取传感器设备的最新状态，实现外参实时标定。
-
公开(公告)号：CN113837166B
公开(公告)日：2024-03-12
申请号：CN202110958619.3
申请日：2021-08-20
Applicant: 北京工业大学
IPC: G06V10/22 , G06V30/14 , G06V30/148 , G06V10/82 , G06N3/0464 , G06N3/08 , G06T5/70 , G06T7/11
Abstract: 本发明公开了一种基于深度学习的指针式仪表自动读数方法，训练基于Yolov4的目标检测模型，对表盘进行检测。选用网络层次较深的卷积神经网络，以获取更深层次的特征，使得定位更加准确。训练基于Unet的语义分割模型，分割指针。回顾前人对指针表自动读数的研究，发现其中大多数都是使用传统的计算机视觉方法来定位指针，获取指针的角度。本发明应用四种深度学习模型，以提高自然条件下的指针表读数精度。在对收集的5000张自然条件下拍摄的指针表图像进行读数后，本方法的错误率仅为1.57％，能够胜任在自然场景如燃气站、油田等场地等自动读数工作。
-
公开(公告)号：CN116167084A
公开(公告)日：2023-05-26
申请号：CN202310176259.0
申请日：2023-02-24
Applicant: 北京工业大学
IPC: G06F21/62 , H04L9/40 , G06N3/0455 , G06N3/08
Abstract: 本发明公开了一种基于混合策略的联邦学习模型训练隐私保护方法及系统，将混淆自编码器网络结合到联邦学习参与方本地模型训练过程中，对数据标签进行混淆映射，以此切断梯度信息与数据信息间的关系，阻止攻击方利用梯度信息重构出用户原始数据；将本地化差分隐私机制结合到联邦学习的参数传递过程中，对梯度参数添加满足(ε，δ)‑本地化差分隐私的高斯噪声，以此对梯度信息进行扰动，同时在中心服务器聚合过程中通过随机化机制近似平均聚合，隐藏单个参与方贡献，以此阻止攻击方进行的推理攻击。本发明能够构建一个隐私安全的联邦学习系统，抵御联邦学习模型训练过程中梯度泄漏导致的各种隐私风险，同时在模型性能和隐私安全间达到了更好的平衡。
-
公开(公告)号：CN116127853A
公开(公告)日：2023-05-16
申请号：CN202310197273.9
申请日：2023-03-03
Applicant: 北京工业大学
Abstract: 本发明公开了融合时序信息的基于DDPG的无人驾驶超车决策方法。本发明通过获取多个连续时刻的状态，如车辆速度、车轮转速、距离邻近其它车辆位置和车道线距离检测等状态信息，处理生成一个多维状态输入矩阵。然后将该状态矩阵输入到超车决策控制模型中，直接输出车辆的动作控制信号，如油门、刹车和转向角度，从而控制车辆完成超车驾驶行为。超车模型的神经网络结构基于Actor‑Critic架构，其中神经网络输入的多维状态矩阵融入了时间序列驾驶状态信息，通过时间衰减因子权重系数来控制不同时刻的状态空间所占的比重。最后通过在TORCS(TheOpenRacingCarSimulator)平台上的仿真实验表明，融合时序信息的超车模型能够控制无人车安全、精准地完成超车任务。
-
公开(公告)号：CN113264059B
公开(公告)日：2022-10-11
申请号：CN202110533119.5
申请日：2021-05-17
Applicant: 北京工业大学
Abstract: 本发明公开了支持多驾驶行为的基于深度强化学习的无人车运动决策控制方法，将驾驶行为分为“关键动作的决策”与“关键动作的执行”，实现支持多种驾驶行为的决策控制，避免对相同任务的重复建模，极大的降低了模型的复杂性。同时，引入深度强化学习算法，其采用智能体与环境交互学习的方式，避免了数据难以获取的问题和繁杂的数据预处理工作。该方案解决了面向多驾驶行为的运动决策控制问题以及基于学习的端到端运动决策控制模型支持多驾驶行为的问题，让无人车能够根据相应的上层行为指令完成不同驾驶行为，实现车辆的自主行驶。
-
-
-
-
-
-
-
-
-
Search Results
54
records
(took 0.025 seconds)
