-
公开(公告)号：CN110458737B
公开(公告)日：2023-09-26
申请号：CN201910766856.2
申请日：2019-08-20
Applicant: 暨南大学
Abstract: 本发明公开基于神经网络修改高校教务安排的方法、装置、设备及介质,该方法包括:根据用户上传的教务安排约束条件生成教务安排误差计算公式;根据教务安排约束条件和/或根据教务安排误差计算公式计算出的教务安排表的误差训练CPPN神经网络;利用CPPN神经网络计算出教务安排表,并通过教务安排误差计算公式计算出教务安排表的误差;在误差不大于误差阈值的情况下,获取该误差对应的教务安排表。本发明的方法不再需要繁琐的修改过程,让教职工和教务处能够很大程度上地节省修改方案的流程,快速完成排课排考的建议提交和修改过程，提高教务处的办事效率。
-
公开(公告)号：CN113065480B
公开(公告)日：2023-07-07
申请号：CN202110382382.9
申请日：2021-04-09
Applicant: 暨南大学
IPC: G06V30/22 , G06V30/16 , G06V30/162 , G06V30/146 , G06V30/164 , G06V30/18 , G06V30/19 , G06V10/764 , G06V10/34
Abstract: 本申请涉及书法作品风格的识别方法、装置、电子装置和存储介质，其中，该书法作品风格的识别方法包括：通过获取待识别的书法作品图像；对书法作品图像进行预处理，并对预处理后的图像进行书法字定位裁剪，得到至少一幅字图像，其中，预处理包括：中值滤波降噪处理、二值化处理、腐蚀膨胀的形态学图像处理；利用胶囊网络模型处理至少一幅字图像，获得每一幅字图像对应的第一分类标签，其中，胶囊网络模型被训练为用于根据字图像得到与该字图像对应的分类标签；根据第一分类标签确定书法作品图像的风格识别结果。通过本申请，解决了相关技术中书法作品风格的识别准确率低、效率不高的问题，实现了书法作品风格的快速准确识别。
-
公开(公告)号：CN113065480A
公开(公告)日：2021-07-02
申请号：CN202110382382.9
申请日：2021-04-09
Applicant: 暨南大学
IPC: G06K9/00 , G06K9/32 , G06K9/34 , G06K9/62 , G06N3/08 , G06T3/40 , G06T5/00 , G06T5/20 , G06T5/30
Abstract: 本申请涉及书法作品风格的识别方法、装置、电子装置和存储介质，其中，该书法作品风格的识别方法包括：通过获取待识别的书法作品图像；对书法作品图像进行预处理，并对预处理后的图像进行书法字定位裁剪，得到至少一幅字图像，其中，预处理包括：中值滤波降噪处理、二值化处理、腐蚀膨胀的形态学图像处理；利用胶囊网络模型处理至少一幅字图像，获得每一幅字图像对应的第一分类标签，其中，胶囊网络模型被训练为用于根据字图像得到与该字图像对应的分类标签；根据第一分类标签确定书法作品图像的风格识别结果。通过本申请，解决了相关技术中书法作品风格的识别准确率低、效率不高的问题，实现了书法作品风格的快速准确识别。
-
公开(公告)号：CN113010849A
公开(公告)日：2021-06-22
申请号：CN202110208156.9
申请日：2021-02-24
Applicant: 暨南大学
IPC: G06F17/18 , G06F17/16 , G06K9/00 , G01D21/02 , G06F16/901 , G06F16/9035 , G06F16/907 , H04W4/38 , G16Y10/05 , G16Y20/10 , G16Y40/10 , G16Y40/20
Abstract: 本发明提供了一种基于物联网的草场环境评价方法，属于生态环境监测技术领域。本发明提出了基于物联网的草场环境评价方法，草场信息中的各种环境因素对牧民放牧的权重不同，分析对比各因素特征，采用了一种多传感器数据融合算法，对草场环境数据进行分析处理，构建评价矩阵，对草场环境等级作出科学的评价。
-
公开(公告)号：CN112883873A
公开(公告)日：2021-06-01
申请号：CN202110197703.8
申请日：2021-02-22
Applicant: 暨南大学
Abstract: 本申请涉及一种叶部病害的识别方法、装置、电子装置和存储介质，其中，该叶部病害的识别方法包括：通过获取待识别的植物叶片图像；对所述植物叶片图像进行预处理，得到多幅第一叶片图像；利用注意力机制模型处理多幅所述第一叶片图像，获得多幅所述第一叶片图像对应的第一分类标签，其中，所述注意力机制模型被训练为用于根据叶片图像得到与该叶片图像对应的分类标签，所述分类标签包括该叶片图像对应各种叶部病害类别的病害概率；根据所述第一分类标签确定所述植物叶片图像的识别结果。通过本申请，解决了相关技术中叶部病害识别费时费力、时效性低的问题，实现了叶部病害的实时检测识别。
-
Patent Agency Ranking
公开(公告)号：CN111915410B
公开(公告)日：2021-02-26
申请号：CN202010806814.X
申请日：2020-08-12
Applicant: 暨南大学
Abstract: 本发明提供了一种面向高动态生产物流过程的智能管控系统，涉及物流管控技术领域，包括智能对象的生产物流管控平台，所述智能对象的生产物流管控平台，包括应用层；所述应用层包括智能拉单模块、减仓模块、智能调度模块、配料管理模块、统计分析及可视化模块和基础信息管理模块；智能拉单模块用于将客户订单拉入模块订单池中，并依次将订单放入对应的车间订单池中，各车间订单池中的订单按照发货日期先后进行排序，依据产能和相关规则对订单进行合并，生成当日生产计划；本发明提供的智能管控系统解决原有下单模式造成的计划员无法从全局的角度获取销售订单信息进行优化决策，导致联动订单无法被各车间同时生产、下线等问题。
-
公开(公告)号：CN110989945A
公开(公告)日：2020-04-10
申请号：CN201911211473.5
申请日：2019-12-02
Applicant: 暨南大学
Abstract: 本发明公开基于物联网的3D远程打印控制系统及控制方法，该控制系统包括远程控制终端、云服务平台和3D打印机；远程控制终端装载有APP,远程控制终端能通过网络连接云服务平台，云服务平台通过网络连接3D打印机和连接数据库；远程控制终端能通过登录APP访问和连接云服务平台及将待打印3D模型文件加密后传送至云服务平台，远程控制终端能通过云服务平台远程控制3D打印机打印和实时查询3D打印机的打印状态信息；云服务平台能在验证远程控制终端身份后，加密和/或解密由远程控制终端传送的加密的3D模型文件并传送至数据库或3D打印机；3D打印机能下载并打印由云服务平台传送的3D模型文件，和反馈3D打印机的打印状态信息。
-
公开(公告)号：CN117574762B
公开(公告)日：2024-12-10
申请号：CN202311534220.8
申请日：2023-11-17
Applicant: 暨南大学 , 内蒙古科学技术研究院
IPC: G06F30/27 , G01R31/367 , G01R31/378 , G01R31/382 , G06N3/0455 , G06N3/0442 , G06N3/08
Abstract: 本发明公开了一种动力电池数字孪生模型的构建方法，该构建方法包括以下步骤：动力电池多尺度映像模型的构建；数据驱动模型的构建；以动力电池多尺度映像模型为基础，叠加数据驱动模型，构建动力电池数字孪生模型；针对动力电池数字孪生模型的数据进行处理，优化动力电池数字孪生模型；通过针对动力电池服役周期数字孪生模型的精准构建，采用数据驱动方法对实时监测的数据进行信息提取，并将提取的信息数据补充到多尺度映像模型中，优化了初始多尺度映像模型的精度，以及针对动力电池服役周期孪生数据处理方法的研究，通过多尺度数字孪生模型构件加上孪生数据的优化处理，使得动力电池孪生数据得到高精度表达。
-
公开(公告)号：CN117669984B
公开(公告)日：2024-11-05
申请号：CN202311750332.7
申请日：2023-12-18
Applicant: 暨南大学 , 广东云熵科技有限公司
IPC: G06Q10/0631 , G06N5/02 , G06N3/092 , G06F18/241
Abstract: 本发明提出了基于数字孪生及知识图谱的强化学习的车间调度方法，包括：建立数据接收与存储结构收集多模态数据，根据多模态数据生成标签和元数据，并利用图模型的连接性预测与现有数据相关的标签和元数据；对生成的标签和元数据进行数据质量评估与过滤，所述数据质量评估是根据数据质量评分进行评估；设计多层次车间状态表示并建立车间数字孪生模型；构建知识图谱和可解释强化学习模型；根据可解释强化学习模型生成决策逻辑和解释决策逻辑；根据决策逻辑和车间数字孪生模型搭建实验环境并评估实验性能。本发明综合性地解决了车间调度的效率、成本和解释性问题。
-
公开(公告)号：CN117151425B
公开(公告)日：2024-04-26
申请号：CN202311364387.4
申请日：2023-10-20
Applicant: 暨南大学
IPC: G06Q10/0631 , G06N20/00 , G06Q10/30 , G06Q50/04 , G06Q50/26
Abstract: 本发明提供一种基于RQL算法的选择拆卸规划方法及系统，获取待拆卸产品的数据集，结合Q‑learning算法和Rollout策略迭代采样待拆卸产品的数据集，得到待拆卸产品的优选拆卸序列，本申请的RQL(Rollout‑Q‑learning)算法是基于Rollout策略优化了Q‑learning算法在迭代过程中的动作选择，在每个决策阶段使用Rollout策略对每个可行动作进行有限步数的模拟采样之后，选择在有限步数内估计价值最大的可行动作，从而使Q‑learning算法具备更强的全局搜索能力，最终得到优选拆卸序列，相对于传统的Q‑learning算法，RQL(Rollout‑Q‑learning)算法在拆卸序列规划上有很大的性能提升，同时能够提高拆卸流程的回收效益，尽可能减少EoL产品对环境造成的危害。
-
-
-
-
-
-
-
-
-
Search Results
41
records
(took 0.031 seconds)
