-
公开(公告)号：CN107403160A
公开(公告)日：2017-11-28
申请号：CN201710633554.9
申请日：2017-07-28
Applicant: 中国地质大学(武汉)
CPC classification number: G06K9/00791 , G06K9/6288 , G06N3/0454
Abstract: 本发明提供了一种智能驾驶场景中图像检测方法、设备及其存储设备，所述方法包括步骤：接收原始图像的特征图像并生成遮挡图像；把所述原始图像的特征图像与遮挡图像合成得到遮挡后的特征图像；将遮挡后的特征图像进行预测和分类并得到预测结果；进行网络融合形成目标检测网络；训练目标检测网络得到更好的检测精度。一种存储设备，所述设备存储指令及数据用于实现所述一种智能驾驶场景中图像检测方法。一种智能驾驶场景中图像检测设备，所述设备包括处理器及所述存储设备；所述处理器加载并执行所述存储设备中的指令及数据用于实现所述的一种智能驾驶场景中图像检测方法。本发明通过将对抗网络与卷积神经网络综合到一个网络里进行训练，有效提高了图像检测的精度和鲁棒性。
-
公开(公告)号：CN105574290A
公开(公告)日：2016-05-11
申请号：CN201610030621.3
申请日：2016-01-15
Applicant: 中国地质大学(武汉)
IPC: G06F17/50
CPC classification number: G06F17/5009
Abstract: 本发明公开了一种无线传感网监测数据的空间相关性建模与定量分析方法及系统，该方法包括：从小规模无线传感网中获取N个节点采集到的实际数据序列W＝(x1,x2,…,xN)T，对实际数据序列W进行稀疏变换，并按节点访问的顺利将最远的非零系数对应的距离确定为参数h；根据公式γ(i)，得到h+1个关于参数αi,β,σi的非线性方程组；求解该非线性方程组，得到h+1个参数αi,β；将得到的2h+1个参数αi,β,σi代入模型X(x,y)中，生成与实际数据序列W的空间相关性保持一致的大规模数据集W*。本发明不仅可从少量的无线传感网实际监测数据中快速地抽取参数，高精度地生成与之空间相关性匹配的数据集；而且还可以灵活地控制模型的参数，人工合成具有任意空间相关性强弱的大规模数据集。
-
公开(公告)号：CN107590438A
公开(公告)日：2018-01-16
申请号：CN201710706391.2
申请日：2017-08-16
Applicant: 中国地质大学(武汉)
IPC: G06K9/00
Abstract: 一种智能辅助驾驶方法及系统，通过下述方法得到车道线：首先摄像头所拍摄的车辆行使方向上道路的图像，利用相机内参矩阵对图像的视频帧进行去畸变处理，然后对视频帧的选定待变换区域src进行逆透视变换，对逆透视变换后的视频帧进行阈值分割，分离车道线与背景区域，对阈值分割后的图像的下面部分进行统计，统计出车道线与图像底部的交点，然后以该交点为起点，利用滑动窗口进行搜索，确定车道线对应的m个像素，对m个像素进行曲线方程拟合得到拟合的车道线。本方法及系统能能够将车道线显示于车内显示装置中，且该方法及系统对光照突变、树阴遮挡、路面污渍等众多情况均能准确检测，适用性强、成本低、精度高、实时性以及稳定性较好。
-
公开(公告)号：CN105636094A
公开(公告)日：2016-06-01
申请号：CN201610149609.4
申请日：2016-03-16
Applicant: 中国地质大学(武汉)
Abstract: 本发明公开了一种基于分簇压缩感知的无线传感网预警方法及系统，该方法包括以下步骤：S1、网关根据无线传感网络中每个传感器节点的地理位置和能量消耗模型，计算出最优簇数目和最佳簇头空间分布；S2、获取本簇内的监测数据，并根据阈值转换为二进制读数和二值化位串序列；S3、对其进行稠密随机投影和稀疏随机投影，得到压缩感知序列，并对其进行重构，得到重构序列；S4、根据重构序列的估计值进行判断，统计执行多数表决法的有效邻居节点数；S5、若有效邻居节点数大于设定的阈值，则判断该节点有异常事件发生。本发明能够提高监测方法的实时性和容错性，降低故障节点对检测异常事件可靠性的影响，并可减少数据收集过程中的网络能量消耗。
-
公开(公告)号：CN105553610A
公开(公告)日：2016-05-04
申请号：CN201510905689.7
申请日：2015-12-09
Applicant: 中国地质大学(武汉)
CPC classification number: Y02D70/00 , H04L27/3405 , H04L1/006 , H04L27/3483 , H04W84/18
Abstract: 本发明公开了一种适用于无线传感器网络的三维64QAM网格编码调制方法及系统，该方法包括以下步骤：S1、将一个三维64QAM格型星座图的信号空间对称的分解为8个信号子空间，每个信号子空间均为正方体；S2、根据三维64QAM格型星座图的分解方案，使用8状态64QAM网格编码调制器对信号进行调制。本发明能够增大信号空间中星座点间的自由欧氏距离，从而获得一定的解调增益，该方法相比传统的调制技术具有更低的误码率，为能量敏感的无线传感器网络应用提供更加低功耗和可靠无线通信技术。
-
公开(公告)号：CN105744562B
公开(公告)日：2019-04-02
申请号：CN201610177210.7
申请日：2016-03-25
Applicant: 中国地质大学(武汉)
IPC: H04W28/02 , H04L12/811 , H04L12/801 , H03M7/30
Abstract: 本发明公开了一种基于符号聚合近似的无线传感网数据压缩与重构方法及系统，该方法包括以下步骤：S1、获取无线传感网络每个节点在数据滑动窗口内采集监测数据构成的时间序列，对该序列进行标准化得到标准化序列；S2、对得到的标准化序列进行降维，并对各时序子段的均值进行符号化得到SAX符号序列；S3、对单个节点通过时间相关性来判断是否抑制当前时刻的SAX符号序列发送过程；对不同节点之间通过空间相关性抑制冗余信息的发送；S4、当一个周期内的每个节点都完成了时空相关性抑制过程，而且接收端结束了本轮数据采集，恢复节点未传送的数据。本发明能够大幅度节省无线传感网能量和通信带宽，延长电池供电的无线传感网工作生命周期。
-
公开(公告)号：CN106126896B
公开(公告)日：2019-03-22
申请号：CN201610444160.4
申请日：2016-06-20
Applicant: 中国地质大学(武汉)
IPC: G06F17/50
Abstract: 本发明公开了一种基于经验模态分解和深度学习的混合模型风速预测方法及系统，该方法包括以下步骤:S1、根据经验模态分解对原始风速时间序列进行分解，得到多个本征模态函数；S2、对每个本征模态函数构建各自训练数据集和测试数据集；S3、将训练数据集中各个本征模态函数训练样本送入栈式编码网络进行训练，得到各自的风速预测子模型；S4、将测试数据集送入到各自对应的风速预测子模型进行预测，得到每个风速预测子模型的预测输出值；S5、将每个风速预测子模型的预测输出值进行组合叠加处理，得到最终的整体预测输出值。本发明有效提高预测模型的预测精度和鲁棒性；同时可以获得更高的短期风速预测精度。
-
公开(公告)号：CN105491614A
公开(公告)日：2016-04-13
申请号：CN201610044511.2
申请日：2016-01-22
Applicant: 中国地质大学(武汉)
CPC classification number: Y02D70/122 , H04W24/08 , H04W84/18
Abstract: 本发明公开了一种基于二次混合压缩的无线传感网异常事件检测方法及系统，该方法包括：S1、通过压缩感知方法对原始数据序列进行第一次压缩；通过分段线性拟合方法对压缩序列进行第二次压缩，得到态边缘算子；S2、计算压缩序列中每个数据点边缘幅度和边缘强度，选择边缘点序列中插值误差较小边缘点构成新的边缘点序列；S3、根据边缘点序列获得特征值序列；S4、计算本地可到达密度以及本地异常因子；S5、根据混合压缩后的本地异常因子大小在对应的时间序列区间进行事件检测。本发明提高了无线传感网节点搜索效率和准确定位异常数据的能力，能够更加高效快速地发现异常事件；且提高了异常检测的及时性，大幅度节省了能量和通信带宽。
-
公开(公告)号：CN105791051B
公开(公告)日：2019-06-21
申请号：CN201610179672.2
申请日：2016-03-25
Applicant: 中国地质大学(武汉)
Abstract: 本发明公开了一种基于人工免疫和K均值聚类的无线传感网异常检测方法及系统，该方法包括：S1、获取无线传感网节点采集到的原始监测数据构成时间序列，对其进行归一化处理，压缩降维，并计算压缩序列中各时序子段的均值和方差；S2、计算节点数据与每个簇头间的欧式距离，并采用人工免疫算法为K均值分类找到最优的初始簇头集合；S3、每当有新的数据分配到相应的簇内，对该簇的簇头值进行迭代更新，直到所有簇内的数据个数不再变化；S4、无线传感网根据K均值聚类结果中簇内数据个数进行异常判断。本发明能够准确地发现监测数据中的异常信息，提高无线传感网检测异常事件的及时性和可靠性，大幅度节省无线传感网能量和通信带宽。
-
公开(公告)号：CN107633529A
公开(公告)日：2018-01-26
申请号：CN201710814400.X
申请日：2017-09-11
Applicant: 中国地质大学(武汉)
Abstract: 本发明提供了一种深度卷积神经网单目标跟踪方法、设备及存储设备，所述方法包括步骤：对深度卷积神经网络进行预训练；训练后得到深度卷积神经网络模型参数；根据模型参数得到训练后的深度卷积神经网络；初始化训练后的深度卷积神经网络模型的末端网络层以突出跟踪目标特征；获取训练后并初始化后的深度卷积神经网络模型；通过高斯分布融合光流特征点来简化跟踪目标；将简化的跟踪目标输入训练后并初始化后的深度卷积神经网络模型得到输出结果；训练回归模型用于修正所述输出结果得到修正结果；使用修正结果更新深度卷积神经网络模型参数,得到最新的深度卷积神经网络模型。本发明在保证跟踪精度优势的情况下获得实用的算法处理速度。
