-
公开(公告)号：CN115766478A
公开(公告)日：2023-03-07
申请号：CN202211374256.X
申请日：2022-11-03
Applicant: 河南大学
IPC: H04L41/142 , H04W28/08 , H04L67/10
Abstract: 本发明涉及电数字数据处理技术领域，具体涉及一种空地协同边缘计算服务器的卸载方法；该方法包括：构建边缘计算场景，边缘计算场景中包括一组移动设备以及一组无人机，每个移动设备不断产生计算任务；获取移动设备在选择本地计算任务时的完成时间以及能耗成本，以得到第一成本；获取移动设备在接收卸载请求时的卸载完成时间和能量消耗；基于卸载完成时间以及能量消耗得到第二成本；获取当前移动设备的剩余电量、计算任务的截止时间以及本地计算能力，以得到当前移动设备的优先级；以第一成本、第二成本以及每个移动设备的优先级构建总成本模型，基于总成本模型确定卸载策略，最终卸载策略的效果较好且总成本低。
-
公开(公告)号：CN115547040A
公开(公告)日：2022-12-30
申请号：CN202211137976.4
申请日：2022-09-19
Applicant: 河南大学
Abstract: 本发明提出了一种安全势场下基于informer神经网络的驾驶行为预测方法，包括对运动数据集中的数据进行预处理得到轨迹序列特征；将轨迹序列特征编码为潜在时空表示；将潜在时空表示输入到informer神经网络中，预测目标车辆未来的驾驶意图和驾驶轨迹；分别建立跟驰情况下和换道情况下的安全势场模型，计算安全势场范围；构建安全势场范围约束、预测的驾驶意图和驾驶轨迹的联合损失函数，利用Adam优化器优化得到预测模型；使用测试集对预测模型进行预测。本发明将安全势场模型和informer模型有机地结合在了一起，能够实现周围车辆的意图预测和多通道轨迹预测，在驾驶行为预测的实时性、准确性和安全性方面具有卓越的性能。
-
公开(公告)号：CN112241814B
公开(公告)日：2022-12-02
申请号：CN202011127925.4
申请日：2020-10-20
Applicant: 河南大学
Abstract: 本发明提供一种基于强化时空图神经网络的交通预测方法，基于序列到序列模型的交通预测框架，对道路网络的时间相关性、空间相关性进行建模，根据道路网络上下游关系将整个路网构建成一个有向加权图，通过扩散图卷积网络来捕获路网的空间相关性，提取路网的空间相关性特征，将带有空间相关性特征的时间序列输入到递归神经网络中捕获路网的时间相关性，然后通过强化学习中的actor‑critic算法在解码的过程中对预测结果进行优化，将每个时间片捕获的路网关系拓扑图看作智能体中的actor，将递归神经网络看作actor选择下一个动作的随机策略，并用critic对它选择的动作进行评判，并反馈一个优势函数，actor根据反馈的优势函数来更新策略参数，相比传统方法大大提高了预测精度。
-
公开(公告)号：CN112257850B
公开(公告)日：2022-10-28
申请号：CN202011157093.0
申请日：2020-10-26
Applicant: 河南大学
Abstract: 本发明首先提取目标车辆的历史轨迹数据、目标车辆的周围车辆的历史轨迹数据并构建生成对抗网络模型，将提取后的轨迹数据按照时间序列依次输入生成网络中得到预测轨迹值，将预测轨迹值与真实轨迹值交替输入到判别网络中判别预测轨迹值与真实轨迹值的差异，得出判别概率，将判别概率输入到生成网络与判别网络中，得到两个网络的损失值，反向更新判别网络和生成网络的参数，直到判别网络输出的判别概率接近1，则生成对抗网络模型训练成熟，并在生成网络模型中加入注意力机制，通过使解码器在解码的每一时刻都考虑编码器的隐藏状态信息，计算与当前预测时刻隐藏状态的相关性，得到与当前预测时刻隐层状态最相关的输入编码，提高预测轨迹的准确性。
-
公开(公告)号：CN112073964B
公开(公告)日：2021-11-19
申请号：CN202011155667.0
申请日：2020-10-26
Applicant: 河南大学
Abstract: 本发明的目的是设计一种基于椭圆曲线加密的无人机与基站通信身份认证方法，包括：系统进行初始化阶段，可信中心生成系统参数并广播给无人机网络中；无人机机群内各个无人机由可信中心认证对其进行注册；路面基站与无人机发起认证请求；认证成功后路面基站向无人机发送指令包，无人机接收指令并执行指令任务。该认证方法主要依据椭圆曲线密码学理论，基于椭圆曲线离散对数难题（ECDLP）保证了通信数据的难破解性；该无人机与路面基站进行身份认证的流程有效保护了路面基站和无人机的通信安全，保证了路面基站和无人机身份隐私，可以有效预防重放攻击，中间人攻击，防止恶意攻击造成无人机执行恶意任务，保证了无人机的通信安全。
-
Patent Agency Ranking
公开(公告)号：CN113029182A
公开(公告)日：2021-06-25
申请号：CN202110441165.2
申请日：2021-04-23
Applicant: 河南大学
IPC: G01C21/34
Abstract: 本发明的目的是提供一种考虑无线充电和动态能耗的电动汽车路径规划方法，首先利用蒙特卡洛法确定电动汽车的起点和终点，加载交通路网信息、无线充电道路信息、各路段的平均通行速度、不同交通状况下的能耗信息；系统自动检测电动汽车的荷电状态。然后根据起点和终点使用Dijkstra算法规划出最小能耗路径并计算出考虑无线充电下的最小能耗；接着根据电动汽车的荷电状态判断是否需要前往充电站充电，如需充电，根据用户的不同需求，建立不同的优化目标，本发明有效结合无线充电网、道路交通网和充电站，在行驶过程中考虑到电动汽车的动态能耗，根据用户需求完成充电路径规划，提供较好的路径规划解决方案。
-
公开(公告)号：CN112257850A
公开(公告)日：2021-01-22
申请号：CN202011157093.0
申请日：2020-10-26
Applicant: 河南大学
Abstract: 本发明首先提取目标车辆的历史轨迹数据、目标车辆的周围车辆的历史轨迹数据并构建生成对抗网络模型，将提取后的轨迹数据按照时间序列依次输入生成网络中得到预测轨迹值，将预测轨迹值与真实轨迹值交替输入到判别网络中判别预测轨迹值与真实轨迹值的差异，得出判别概率，将判别概率输入到生成网络与判别网络中，得到两个网络的损失值，反向更新判别网络和生成网络的参数，直到判别网络输出的判别概率接近1，则生成对抗网络模型训练成熟，并在生成网络模型中加入注意力机制，通过使解码器在解码的每一时刻都考虑编码器的隐藏状态信息，计算与当前预测时刻隐藏状态的相关性，得到与当前预测时刻隐层状态最相关的输入编码，提高预测轨迹的准确性。
-
公开(公告)号：CN112241814A
公开(公告)日：2021-01-19
申请号：CN202011127925.4
申请日：2020-10-20
Applicant: 河南大学
Abstract: 本发明提供一种基于强化时空图神经网络的交通预测方法，基于序列到序列模型的交通预测框架，对道路网络的时间相关性、空间相关性进行建模，根据道路网络上下游关系将整个路网构建成一个有向加权图，通过扩散图卷积网络来捕获路网的空间相关性，提取路网的空间相关性特征，将带有空间相关性特征的时间序列输入到递归神经网络中捕获路网的时间相关性，然后通过强化学习中的actor‑critic算法在解码的过程中对预测结果进行优化，将每个时间片捕获的路网关系拓扑图看作智能体中的actor，将递归神经网络看作actor选择下一个动作的随机策略，并用critic对它选择的动作进行评判，并反馈一个优势函数，actor根据反馈的优势函数来更新策略参数，相比传统方法大大提高了预测精度。
-
公开(公告)号：CN104318261B
公开(公告)日：2016-04-27
申请号：CN201410607957.2
申请日：2014-11-03
Applicant: 河南大学
Abstract: 本发明公开了一种图嵌入低秩稀疏表示恢复稀疏表示人脸识别方法，属于计算机视觉和模式识别技术领域。本发明包括以下步骤：首先，提出一种图嵌入低秩稀疏表示恢复方法，能够从训练样本数据矩阵恢复出判别力强的干净训练样本数据矩阵，同时得到训练样本数据误差矩阵；然后，以干净训练样本数据矩阵为字典，以训练样本数据误差矩阵为误差字典，采用范数最优化技术求解待识别人脸数据的稀疏表示系数；更进一步，利用待识别人脸数据的稀疏表示系数，对待识别人脸数据进行类关联重构；最后，基于待识别人脸数据的类关联重构误差，完成待识别人脸图像的识别。本发明能够解决训练样本图像和待识别图像都受噪声污染或局部被遮挡情况下的人脸识别问题。
-
公开(公告)号：CN119047618A
公开(公告)日：2024-11-29
申请号：CN202411043207.7
申请日：2024-07-31
Applicant: 河南大学
IPC: G06Q10/04 , G06Q50/40 , G06N3/0464 , G06N3/049 , G06F18/214 , G06N3/0442 , G06N3/045 , G06N3/048 , G06F18/23213 , G06F18/25 , G06F18/22 , G06N3/084 , G08G1/01
Abstract: 本发明提出了一种基于动态因果分析和时空自适应融合图学习的交通预测方法，步骤包括：S1：利用传感器进行交通数据样本的特征，并对交通数据样本的特征进行预处理，得到交通特征数据集；S2：对交通网络进行拓扑结构，并对交通预测任务进行定义；S3：基于交通预测任务定义，通过门控扩张时间卷积模块捕获历史交通数据长范围的时间依赖特征；S4：基于交通特征数据集，利用混合图学习模块进行空间特征融合；S5：基于时间与空间特征，利用时空自适应模块捕获节点级的时空自适应趋势，得到STAM模块的输出；S6：通过跳跃连接以将STAM模块的输出连接到输出层生成预测结果。本发明更好地捕捉了交通节点之间的深层时空特征，提高了模型的可解释性和准确性。
-
-
-
-
-
-
-
-
-
Search Results
37
records
(took 0.024 seconds)
