公开(公告)号：CN117824684A

公开(公告)日：2024-04-05

申请号：CN202311581067.4

申请日：2023-11-24

Applicant: 河南大学

Inventor： 党兰学 ,  侯彦娥 ,  王聪冉 ,  孔云峰 ,  李莘莘 ,  王玉璟 ,  韩道军 ,  谢毅

IPC: G01C21/34

Abstract: 本发明公开一种支持不同充电策略的电动车辆路径规划方法，包括：使用扫描算法生成初始解；考虑车辆固定成本、距离成本、能耗成本和顾客时间窗惩罚，构建了综合的目标函数；通过伪随机状态转移规则和最优充电站插入准则引导每只蚂蚁的搜索；对在阈值范围的迭代最优蚂蚁进行局部搜索，利用变邻域下降算法进一步优化迭代最优蚂蚁；利用充电站调整策略寻找更好的充电方案并更新迭代最优蚂蚁；更新全局最优解；动态选择全局最优解或迭代最优解更新信息素矩阵；利用全局最优解更新信息素最大最小值；最后，迭代结束后，输出规划好的路径。该方法能有效地实现完全充电策略和部分充电策略下车辆路径规划，从而降低运营成本。

公开(公告)号：CN116645607A

公开(公告)日：2023-08-25

申请号：CN202310616882.3

申请日：2023-05-29

Applicant: 河南大学

Inventor： 侯彦娥 ,  杨康 ,  党兰学 ,  葛强 ,  周黎鸣 ,  韩道军 ,  孔云峰 ,  刘扬

IPC: G06V20/10 ,  G06V10/764 ,  G06V10/82 ,  G06N3/0464 ,  G06V10/80 ,  G06N3/084

Abstract: 本发明属于遥感场景分类技术领域，公开一种基于上下文注意力的遥感场景分类方法，本发明使用了浅层特征与深层特征相结合的方式，利用浅层特征定位局部关键信息，本发明的分类模型使用ResNet34作为主干网络提取多层特征，通过自顶向下连接的连续三个上下文空间注意力模块和上下文通道注意力模块，提取浅层特征的局部关键信息，通过自底向上的连接方式融合多层特征，此外，使用三元损失函数结合中心损失函数控制类内和类间距离，一方面使上下文注意力模块对关键信息定位更准确，另一方面提升分类模型对易混淆图像的识别。本发明提出的分类模型对局部关键区域的定位更加准确，并对易混淆遥感图像识别更准确。

公开(公告)号：CN116257782A

公开(公告)日：2023-06-13

申请号：CN202310229392.8

申请日：2023-03-10

Applicant: 河南大学

Inventor： 侯彦娥 ,  王春雨 ,  党兰学 ,  葛强 ,  刘扬 ,  左宪禹 ,  韩宏宇 ,  谢毅

IPC: G06F18/24 ,  G06F18/22 ,  G06F18/214 ,  G06F18/25 ,  G06N3/0464 ,  G06N3/048 ,  G06N3/08

Abstract: 本发明公开一种基于注意力机制的多通道卷积与门控循环单元的文本情感分析方法，包括：步骤1：对获得的文本数据进行预处理，将预处理后的数据作为模型的输入；步骤2：使用不同大小的滑动窗口来提取浅层的文本信息，使用融合Concatenate操作将文本特征信息合并；步骤3：分别使用残差单元和门控循环单元对文本的抽象特征进行提取，并使用连接操作将提取到的特征信息进行合并；步骤4：引入注意力机制，对句子中的单词给予不同的权重，使用批标准化处理和全连接层最终完成分类。本发明利用一维卷积结合残差单元和门控循环单元连接以及注意力机制完成文本分类，提高了文本分类精度。

公开(公告)号：CN112966598B

公开(公告)日：2022-08-30

申请号：CN202110241601.1

申请日：2021-03-04

Applicant: 河南大学

Inventor： 党兰学 ,  庞沛东 ,  侯彦娥 ,  左宪禹 ,  葛强 ,  刘扬 ,  林英豪 ,  谢毅

IPC: G06V20/10 ,  G06V10/774 ,  G06V10/764 ,  G06V10/80 ,  G06V10/82 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种双路径小卷积网络的高光谱图像分类方法，包括使用两个1×1小卷积堆叠构成复合层，并采用两个复合层构建双路径小卷积特征提取模块，双路径小卷积特征提取模块设置有用于特征提取的残差路径和稠密路径，通过残差路径和稠密路径将一个复合层的最后一层输出划分为两组特征图，并使用融合Concatenate操作将两组特征图合并，作为下一复合层特征提取的输入，基于双路径小卷积特征提取模块构建双路径小卷积网络分类模型，双路径小卷积网络分类模型包括数据预处理，光谱特征提取和空‑谱特征融合，通过双路径小卷积网络分类模型使用1×1卷积结合全局平均池化层完成最终分类。本发明在能够提高影像分类精度的同时兼顾简化网络复杂度。

公开(公告)号：CN114819387A

公开(公告)日：2022-07-29

申请号：CN202210536528.5

申请日：2022-05-17

Applicant: 河南大学

Inventor： 侯彦娥 ,  谷文博 ,  党兰学 ,  葛强 ,  何雯雯 ,  左宪禹 ,  刘冰冰

IPC: G06Q10/04 ,  G06Q10/06 ,  G06Q30/02 ,  G06Q30/06

Abstract: 本发明提供一种基于深度强化学习的时序推荐方法及系统。该方法包括：根据用户在t时刻的项目集It以及用户信息，生成t时刻的用户状态st；将用户状态st作为训练好的Actor模型的输入信息，得到用户状态st下的推荐动作at；将推荐动作at推荐给用户，并获得对应的用户反馈信息rt；根据用户反馈信息rt得到t+1时刻的用户状态st+1和项目集It+1，并将t时刻对应的推荐动作集合(st,at,rt,st+1)存储到经验池M以对经验池M进行更新；将用户状态st和推荐动作at作为训练好的Critic模型的输入信息，得到用户状态st下的Q函数值，根据Q函数值和用户反馈信息rt计算得到损失函数值；根据Q函数值和损失函数值，以最新的经验池M作为训练数据更新Actor模型的网络参数和Critic模型的网络参数。