-
公开(公告)号：CN113469415A
公开(公告)日：2021-10-01
申请号：CN202110631952.3
申请日：2021-06-07
Applicant: 湖北工业大学
Abstract: 本发明提供了一种网络流量预测方法和计算机设备，网络流量预测方法应用于预测模型，预测模型包括：图卷积‑自注意力模块、全连接层和激活层，网络流量预测方法包括：获取网络流量，确定预处理流量组；将预处理流量组输入图卷积‑自注意力模块得到目标流量特征组；将目标流量特征组输入全连接层得到融合流量特征；基于激活层和融合流量特征确定预测结果。本发明中的图卷积‑自注意力模块，可以提取复杂多变的网络流量数据的空间特征，计算网络流量特征权重，解决网络流量不同数据之间的相互影响力不同的问题，较大地提升网络流量预测的准确率，也就是说，通过图卷积‑自注意力模块可以对非线性的复杂动态网络流量进行预测，并且准确率高。
-
公开(公告)号：CN115051929B
公开(公告)日：2023-05-26
申请号：CN202210698538.9
申请日：2022-06-20
Applicant: 湖北工业大学
IPC: H04L41/147 , H04L43/08 , G06N3/0464 , G06N3/0895
Abstract: 本发明公开了一种基于自监督目标感知神经网络的网络故障预测方法及装置，其中的预测方法包括如下步骤：S1将网络故障数据进行预处理操作，收集网络故障诊断所需要的数据；S2.构建基于自监督目标感知神经网络模型，此模型包括会话图构建模块(会话图构建模块包含嵌入层、原始图与对比图的信息)、图卷积模块、自适应聚合模块、自监督学习模块以及预测模块，将时间序列数据输入此基于自监督目标感知图神经网络模型，对网络故障数据中的故障进行预测。旨在解决传统的预测方法因网络数据的稀疏性、随机性以至于对故障的预测不准确，设计模型更具有泛化能力，所以需要提出一个能够精确预测网络故障的方案。
-
公开(公告)号：CN115051929A
公开(公告)日：2022-09-13
申请号：CN202210698538.9
申请日：2022-06-20
Applicant: 湖北工业大学
IPC: H04L41/147 , H04L43/08 , G06N3/08 , G06N3/04
Abstract: 本发明公开了一种基于自监督目标感知神经网络的网络故障预测方法及装置，其中的预测方法包括如下步骤：S1将网络故障数据进行预处理操作，收集网络故障诊断所需要的数据；S2.构建基于自监督目标感知神经网络模型，此模型包括会话图构建模块(会话图构建模块包含嵌入层、原始图与对比图的信息)、图卷积模块、自适应聚合模块、自监督学习模块以及预测模块，将时间序列数据输入此基于自监督目标感知图神经网络模型，对网络故障数据中的故障进行预测。旨在解决传统的预测方法因网络数据的稀疏性、随机性以至于对故障的预测不准确，设计模型更具有泛化能力，所以需要提出一个能够精确预测网络故障的方案。
-
公开(公告)号：CN114679568A
公开(公告)日：2022-06-28
申请号：CN202210235936.7
申请日：2022-03-10
Applicant: 湖北工业大学
Abstract: 本发明公开了一种新型航道船舶监控预警系统，所述方法及系统由六个模块组成，分别是采集模块，中转模块，管理模块，处理模块，展示模块，存储模块，利用新型基于时空特征的新型像素投票的全景图像分割技术，不仅能够快速有效地对复杂航道情况进行分割处理，而且保证了结果的准确性。本发明提供的方法及系统适用于各类型复杂航道监控。实现所需成本小，应用范围广，可解决目前世界航道监控领域的主流问题。
-
公开(公告)号：CN114495054A
公开(公告)日：2022-05-13
申请号：CN202210019892.4
申请日：2022-01-10
Applicant: 湖北工业大学
Abstract: 本发明提出一种基于YOLOv4的轻量化交通标志检测方法。引入多幅交通标志图像构建交通标志数据集，人工标志数据集中每幅图像中多个交通标志目标真实边框，计算真实边框的宽度、高度、中心点坐标，以及边框内交通标志类别；引入基于YOLOv4的轻量化交通标志检测网络，将数据集中的每幅图像输入基于YOLOv4的轻量化交通标志检测网络，结合每幅图像的交通标志目标真实边框的宽度、高度以及中心点坐标构建损失函数模型，通过梯度下降法得到训练后的基于YOLOv4的轻量化交通标志检测网络；将交通标志图像输入优化后基于YOLOv4的轻量化交通标志检测网络，得到图像的预测边框、目标类别。本发明能够检测复杂道路中不同交通标志，辅助司机驾驶、无人驾驶，提高行驶安全性。
-
Patent Agency Ranking
公开(公告)号：CN112910695A
公开(公告)日：2021-06-04
申请号：CN202110088723.1
申请日：2021-01-22
Applicant: 湖北工业大学
Abstract: 本发明公开了一种全局注意力时域卷积网络的网络故障预测方法，包括以下步骤：1、收集网络故障数据，将网络故障数量转化为时间序列的形式，对序列化之后的样本划分为训练集和测试集；2、构建全局注意力时域卷积网络模型；3、利用训练集对构建的网络模型进行训练；4、使用测试集进行预测测试，得到全局注意力时域卷积网络的预测模型，将预测模型得出的结果用于预测网络故障。本发明的解决了传统的网络故障以下问题：网络故障的复杂性导致了直接挖掘故障之间关系的片面性，网络故障的随机性导致忽视某些故障，以及对于不同程度的网络故障的一个判断，然后决定故障的检修顺序。
-
公开(公告)号：CN119359549A
公开(公告)日：2025-01-24
申请号：CN202411349824.X
申请日：2024-09-26
Applicant: 湖北工业大学
IPC: G06T3/4061 , G06T3/4046 , G06N3/0455 , G06N3/0464
Abstract: 本发明公开了一种基于深度同步光谱解混网络的光谱超分辨率重建方法和系统。本发明构建的深度同步光谱解混网络，通过耦合高光谱图像和多光谱图像在地物端元的联系，来挖掘非成对高光谱的地物端元信息，具体结构包含五个模块：高光谱编码器模块、光谱下采样模块、多光谱判别器模块、多光谱编码器模块和高光谱解码器模块。本发明方法利用非成对高光谱图像和待超分多光谱图像之间的地物端元同质性，耦合高光谱图像和多光谱图像的端元之间的关联，以进行协同光谱解混，促使网络学习出正确的地物端元信息。
-
公开(公告)号：CN118861514A
公开(公告)日：2024-10-29
申请号：CN202410863045.5
申请日：2024-06-29
Applicant: 湖北工业大学
IPC: G06F18/10 , G06F18/213 , G06F18/214 , G06F18/241 , G06N3/084 , G06N3/006 , G06F17/10
Abstract: 本发明提供一种基于杂种优势理论工业制造数据特征选择方法及系统，涉及机器学习领域，包括以下步骤：数据准备，进行预处理；设置算法相关参数，利用反向学习初始化种群；计算平衡因子，决定白鲸进入探索阶段或开发阶段，更新个体位置信息；计算鲸落概率，调节运动轨迹；当前的迭代次数达到预定迭代条件时，则进行最优邻域搜索；计算所有白鲸的目标函数值，进行非支配排序，选择第一非支配前沿的个体更新外部存档；输出非支配解集。本发明将特征选择建模为多目标优化问题，以数据分类性能和特征子集所占比例为目标函数，利用基于杂种优势理论改进的白鲸优化算法，获得一组最优特征子集来满足机器学习分类器的要求。
-
公开(公告)号：CN114495054B
公开(公告)日：2024-08-09
申请号：CN202210019892.4
申请日：2022-01-10
Applicant: 湖北工业大学
IPC: G06V20/58 , G06N3/0464 , G06N3/084 , G06V10/25 , G06V10/774 , G06V10/82
Abstract: 本发明提出一种基于YOLOv4的轻量化交通标志检测方法。引入多幅交通标志图像构建交通标志数据集，人工标志数据集中每幅图像中多个交通标志目标真实边框，计算真实边框的宽度、高度、中心点坐标，以及边框内交通标志类别；引入基于YOLOv4的轻量化交通标志检测网络，将数据集中的每幅图像输入基于YOLOv4的轻量化交通标志检测网络，结合每幅图像的交通标志目标真实边框的宽度、高度以及中心点坐标构建损失函数模型，通过梯度下降法得到训练后的基于YOLOv4的轻量化交通标志检测网络；将交通标志图像输入优化后基于YOLOv4的轻量化交通标志检测网络，得到图像的预测边框、目标类别。本发明能够检测复杂道路中不同交通标志，辅助司机驾驶、无人驾驶，提高行驶安全性。
-
公开(公告)号：CN115019039B
公开(公告)日：2024-04-16
申请号：CN202210582668.6
申请日：2022-05-26
Applicant: 湖北工业大学
IPC: G06V10/26 , G06N3/0464 , G06N3/0895 , G06V10/764 , G06V10/774 , G06V10/80 , G06V10/82
Abstract: 本发明公开了一种结合自监督和全局信息增强的实例分割方法及系统，其中的构建方法首先通过基于ResNet网络和FPN模块的特征提取网络来得到特征金字塔以及进行特征图融合；然后采用基于Fastformer的全局信息增强网络来对特征图进行像素之间的交互关系进行建模，提取全局信息；接着通过预测网络进行实例分割，其中，类别预测网络用于对感兴趣的实例进行多标签分类，掩码预测网络用于对实例所在区域进行像素值分类，生成实例掩码；此外还加入了一个自监督学习网络，用于对图中实例之间进行对比学习，加强模型对图片的理解能力以增强泛化性。本发明的方法能够解决对遮挡以及不完整物体检测性能不高的问题，同时加强模型的泛化能力，提高在噪声较多的场景中的分割性能。
-
-
-
-
-
-
-
-
-
Search Results
36
records
(took 0.022 seconds)
