-
公开(公告)号：CN119051882B
公开(公告)日：2025-01-10
申请号：CN202410917168.2
申请日：2024-07-10
Applicant: 重庆大学
Abstract: 本发明提供了一种基于深度学习的智能网联汽车车载网络异常检测方法。该方法包括：获取车载网络中每个ECU在时间步长t之前预设时间窗口内的消息时间序列；获取车载网络在时间步长t之前预设时间窗口内的网络状态时间序列；输入消息时间序列至LSTM预测网络获得消息时间序列对应的ECU在时间步长t的预测消息；输入网络状态时间序列至ConvLSTM预测网络获得车载网络在时间步长t的预测网络状态；融合预测网络状态和所有ECU的预测消息，获得时间步长t的融合网络状态；基于融合网络状态和实际网络状态计算预测误差；输入预测误差至高斯朴素贝叶斯分类器，获得步长t的异常检测结果。本发明能够提高车载网络异常检测的准确性。
-
公开(公告)号：CN119051882A
公开(公告)日：2024-11-29
申请号：CN202410917168.2
申请日：2024-07-10
Applicant: 重庆大学
Abstract: 本发明提供了一种基于深度学习的智能网联汽车车载网络异常检测方法。该方法包括：获取车载网络中每个ECU在时间步长t之前预设时间窗口内的消息时间序列；获取车载网络在时间步长t之前预设时间窗口内的网络状态时间序列；输入消息时间序列至LSTM预测网络获得消息时间序列对应的ECU在时间步长t的预测消息；输入网络状态时间序列至ConvLSTM预测网络获得车载网络在时间步长t的预测网络状态；融合预测网络状态和所有ECU的预测消息，获得时间步长t的融合网络状态；基于融合网络状态和实际网络状态计算预测误差；输入预测误差至高斯朴素贝叶斯分类器，获得步长t的异常检测结果。本发明能够提高车载网络异常检测的准确性。
-
公开(公告)号：CN119027899A
公开(公告)日：2024-11-26
申请号：CN202410915014.X
申请日：2024-07-09
Applicant: 重庆大学
Abstract: 本发明公开了一种基于变形注意力BEV特征融合的三维检测方法，包括获取检测环境区域的图像数据及对应的点云数据；采用卷积神经网络对所述图像数据进行特征提取，获得二维图像特征；采用体素化特征提取网络对所述点云数据进行体素化处理，获得点体素特征；将所述二维图像特征和点体素特征输入至特征融合模块进行特征融合处理，得到检测环境区域的BEV特征；将所述检测环境区域的BEV特征与历史数据的BEV特征通过时间融合模块进行时间融合处理，得到融合BEV特征；基于所述融合BEV特征，对检测环境区域进行三维目标检测。本发明还提供了相应的存储介质。本发明充分利用了自动驾驶多模态数据在融合过程中进行优势互补，提高了感知检测精度以及泛化力。
-
公开(公告)号：CN117151465A
公开(公告)日：2023-12-01
申请号：CN202311099701.0
申请日：2023-08-29
Applicant: 重庆大学
IPC: G06Q10/0635 , G06F18/25 , G06F17/18
Abstract: 本发明提供智能网联汽车电机系统故障模式影响分析方法及系统。包括：获取E位专家分别对N种故障模式的3个风险因子的原始评估等级；确定每种故障模式每个风险因子的融合评估值；利用3个风险因子的融合评估值确定每种故障模式的风险优先数；对风险优先数进行排序；基于第n种故障模式第j个风险因子的原始评估相差等级对每位专家的评估等级进行相应扩级处理，获得专家重构评估值概率分配；对E位专家的专家重构评估值概率分配进行数据融合重构处理，获得第j个风险因子的融合评估值。基于原始评估相差等级进行相应扩级处理，获得专家重构评估值概率分配，降低证据冲突程度，解决重复值过多问题，提升智能网联汽车电机系统故障模式分析的准确性。
-
-
-
Search Results
14
records
(took 0.017 seconds)
