-
公开(公告)号：CN112652167A
公开(公告)日：2021-04-13
申请号：CN202011472425.4
申请日：2020-12-15
Applicant: 东北大学
Abstract: 一种基于多图卷积神经网络的交通速度预测方法，按以下步骤依次进行：1、获取传感器在交通路网中的部署位置，并匹配到真实的交通路网当中；2、将每个传感器位置视为一个节点，计算任意两个节点之间的距离，与设定的阈值做比较，构建交通结构图，用邻接矩阵表示；3、获取传感器对应的路段的交通速度时间序列数据；4、根据速度时间序列数据计算不同路段的交通速度相似性，得到相应的相似性分数，与设定的阈值做比较，构建交通相似性图，用邻接矩阵表示；5、将交通速度时间序列数据、及上述两个邻接矩阵输入到多图卷积神经网络中进行训练，得到未来每个传感器上交通速度的预测结果。
-
公开(公告)号：CN112541131A
公开(公告)日：2021-03-23
申请号：CN202011416979.2
申请日：2020-12-07
Applicant: 东北大学
IPC: G06F16/9536 , G06Q50/00 , G06N3/04
Abstract: 本发明公开一种基于邻居用户的多个兴趣影响的推荐方法，属于基于用户兴趣的推荐方法技术领域。根据社交关系图对每个用户的邻居进行随机采样得到K个兴趣感知图；在每个兴趣感知图上分别进行图卷积操作，聚合单个兴趣在用户之间的相互影响；在用户项目交互图上通过图卷积操作，聚合用户交互过的项目信息以及项目被交互过的用户信息；将上面两个聚合步骤得到的结果进行元素拼接，得到第一个卷积层的结果；迭代多次前述图卷积操作；将多个卷积层的结果进行注意力融合，得到用户和项目的最终嵌入向量，并通过向量內积得到用户可能与项目产生交互的概率，进而得到推荐列表。该方法可使推荐系统能够充分利用社交网络带来的影响，提升推荐效果。
-
公开(公告)号：CN112419317A
公开(公告)日：2021-02-26
申请号：CN202011472443.2
申请日：2020-12-15
Applicant: 东北大学
Abstract: 一种基于自编码网络的视觉回环检测方法，包括：1、获取一张图像；2、计算该图像的记忆性得分，与设定的记忆性得分阈值进行比较，确定是否保留该图像，确定关键帧；3、将筛选出的关键帧输入到已经训练好的卷积自编码网络中，获取降噪后的GIST全局特征f；4、从特征数据库中取出一个特征fpre，计算fpre与f这俩特征向量的余弦相似度，与设定相似度的阈值为进行比较，确定该帧是否为候选帧，进行回环验证；5、在回环验证阶段，在完成空间一致性验证前提下，进行时间一致性验证，连续运动过程中一张图像满足回环条件，成为回环候选帧，则在某个时间范围内，获取的关键帧必须都成为候选帧，满足上述条件才可最终确定回环的出现。
-
公开(公告)号：CN112325897A
公开(公告)日：2021-02-05
申请号：CN202011304737.4
申请日：2020-11-19
Applicant: 东北大学
IPC: G01C21/34
Abstract: 本发明公开一种基于启发式深度强化学习的路径规划方法，属于路径规划技术领域。该方法包括：使用栅格化方法对地图环境进行建模；对环境进行特征提取，建立价值地图；利用Actor Critic强化学习算法进行训练；采用经典启发式算法A*作为强化学习的启发式函数，建立启发式信息；设计注意力机制平衡特征提取模块和启发式模块的权重；使用分层强化学习进行任务划分。本发明的优点为：收敛速度快、稳定性强；路径规划效果更为准确；适应复杂的未知环境；将模块封装成强化学习系统便于算法调用与改进。
-
公开(公告)号：CN108717712A
公开(公告)日：2018-10-30
申请号：CN201810532344.5
申请日：2018-05-29
Applicant: 东北大学
Abstract: 本发明涉及一种基于地平面假设的视觉惯导SLAM方法，从图像中提取特征点进行IMU预积分，建立相机投影模型，并进行相机内参标定、IMU和相机之间的外参标定；系统初始化，将视觉观测到的点云和相机位姿对齐到IMU预积分上，恢复地面方程和相机位姿；对地面初始化得到地面方程，确定当前相机位姿下的地面方程，并反投影到图像坐标系上，获取更加准确的地面区域；基于状态估计，推导出各传感器观测模型，将相机观测、IMU观测和地面特征观测融合在一起做状态估计，使用图优化模型来做状态估计，使用稀疏图优化和梯度下降法来实现整个优化。本发明相较之前的算法有较大的精度上的提升，可在全局限制相机位姿的估计，使得准确度大大提升。
-
Patent Agency Ranking
公开(公告)号：CN105551073B
公开(公告)日：2018-08-03
申请号：CN201511024521.1
申请日：2015-12-30
Applicant: 东北大学
IPC: G06T13/40
Abstract: 本发明提供种三维人体模型的骨骼绑定方法,包括:获取三维人体模型的几何数据;为每个皮肤控制点分别建立筛选域,计算筛选数据填充至筛选域中;对各筛选域中的筛选数据进行筛选,筛选出各筛选域中影响到皮肤控制点的骨骼线段;计算得出每个皮肤控制点分配给各个骨骼线段的权重数值;根据骨骼线段对于皮肤控制点的影响程度完成三维人体模型的骨骼绑定。本发明仅根据皮肤控制点与骨骼信息进行骨骼绑定,能使用更少的基础数据进行绑定,降低人工所需参与,与现有技术中需大量人工校对和调试相比,更加简捷方便。根据骨骼线段穿过的皮肤层数来进行皮肤控制点与骨骼之间的映射,能够更加精确地确定每块骨骼实际影响范围,绑定错误概率大大降低。
-
公开(公告)号：CN105281959B
公开(公告)日：2018-05-04
申请号：CN201510741904.4
申请日：2015-11-04
Applicant: 东北大学
IPC: H04L12/24
Abstract: 本发明公开一种基于隐马尔可夫模型的移动通信用户流失预测方法，属于数据业务领域。采集移动用户的通信记录数据；数据预处理；建立隐马尔可夫模型；对观测状态节点对应的数据进行处理；利用前T个月已知的观测状态节点的趋势状态数据，计算第T月隐状态节点的概率分布，再进行归一化，利用第T月隐状态节点的概率分布计算隐状态节点的状态之间的概率转移得到移动用户第T+1月的流失概率；各步骤均是在hadoop大数据平台上完成。本发明在大数据Hadoop分布式平台上对通信数据进行分析并预测，充分利用大数据的优势，对移动通信用户的所有数据进行分析，提升了预测移动通信用户流失的准确性和高效性。
-
公开(公告)号：CN105513136A
公开(公告)日：2016-04-20
申请号：CN201510868466.8
申请日：2015-11-30
Applicant: 东北大学
IPC: G06T17/30
CPC classification number: G06T17/30 , G06T2200/04
Abstract: 本发明提供一种基于水平集中心聚类的3D角色模型骨架提取方法，包括以下步骤：利用高度函数作为Morse函数对3D角色模型进行切割处理，得到切割后的交点集合；将切割后的交点集合根据交点之间的连通性来进行聚类，聚类成若干子水平集；将面积大于水平集面积阈值且似圆性大于似圆性阈值的水平集筛选出来；将筛选之后的水平集利用水平集的中心进行聚类，从而将水平集分割为3D角色模型的双臂、双腿以及躯干；将得到的骨架线嵌入到3D角色模型中。本发明能够通过自动为三维动画模型进行骨架的提取，骨架提取所采用的水平集聚类方法，相比于传统的距离变换法，通过使用切割模型，划分模型部位，分别计算各部分关节等方法，其平均所消耗的时间更少，误差更小。
-
公开(公告)号：CN105469406A
公开(公告)日：2016-04-06
申请号：CN201510853813.X
申请日：2015-11-30
Applicant: 东北大学
IPC: G06T7/00
CPC classification number: G06T2207/20124
Abstract: 本发明提供一种基于包围盒与空间划分的虚拟物体碰撞检测方法，包括以下步骤：对两个不规则的虚拟物体进行虚拟物体碰撞预检测；对待检测区域进行区域分割；在待检测区域划分好的各个子区域中进行相交测试；利用代表移动中的虚拟物体的点向量集合以及代表当前不需要装配的虚拟物体的三角面，进行虚拟物体碰撞检测：若相交，则两个虚拟物体发生碰撞，否则不发生碰撞。本发明利用虚拟物体的空间相关性来缩小空间的碰撞检测范围来减少时间消耗，同时也大大提升了方法的检测效率和碰撞检测的几何精度。采用将包围盒还原成三角面以及点的方式减少碰撞检测误判的发生。将碰撞检测过程细化到三角面和点之间的干涉，分步检测的方式将大大提高检测效率。
-
公开(公告)号：CN105469144A
公开(公告)日：2016-04-06
申请号：CN201510809789.X
申请日：2015-11-19
Applicant: 东北大学
Abstract: 一种基于粒子分类与BP神经网络的移动通信用户流失预测方法，包括采集移动用户的通信记录数据；数据预处理，得到所需的样本数据集；建立BP神经网络结构；基于改进的粒子群优化算法PSO初始化所述BP神经网络的权值矩阵和阈值矩阵；对具有最好适应度的粒子对应的BP神经网络进行训练，得到移动通信用户流失模型；利用移动通信用户流失模型进行移动通信用户流失预测。本发明结合应用粒子分类优化算法(PCO)和适应度计算(PFC)两个过程对BP神经网络的权值矩阵和阈值矩阵进行初始化，使BP神经网络的权值矩阵和阈值矩阵更接近全局最优，从而提高BP神经网络对移动用户流失预测的准确率。
-
-
-
-
-
-
-
-
-
Search Results
80
records
(took 0.024 seconds)
