公开(公告)号：CN112115830A

公开(公告)日：2020-12-22

申请号：CN202010945655.1

申请日：2020-09-10

Applicant: 同济大学

Inventor： 赵生捷 ,  王德祯 ,  张林 ,  张荣庆 ,  肖京 ,  马慧生 ,  吕征南

IPC: G06K9/00 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明涉及一种基于比特域特征提取的目标分布式融合识别方法，用于边缘设备和边缘域融合中心中，方法包括以下步骤：1)从多种边缘设备中获取感知信号；2)获取预先构建并训练好的深度神经网络，根据预设的部署规则，拆分深度神经网络，并部署到多种边缘设备和边缘域融合中心中，获得分布式神经网络架构；边缘设备中部署的深度神经网络通过对输出信号进行比特域特征提取，生成比特域特征向量，从而进行数据传输3)载入感知信号，获取目标识别结果。与现有技术相比，本发明可在边缘设备上对目标信号进行预处理，并得到量化压缩后的比特域特征，进行数据传输，缓解云中心的计算存储压力和网络带宽压力，并提高目标识别过程的响应速度。

公开(公告)号：CN112115830B

公开(公告)日：2023-06-02

申请号：CN202010945655.1

申请日：2020-09-10

Applicant: 同济大学

Inventor： 赵生捷 ,  王德祯 ,  张林 ,  张荣庆 ,  肖京 ,  马慧生 ,  吕征南

IPC: G06F18/213 ,  G06F18/25 ,  G06N3/0464 ,  G06N3/047 ,  G06N3/08

Abstract: 本发明涉及一种基于比特域特征提取的目标分布式融合识别方法，用于边缘设备和边缘域融合中心中，方法包括以下步骤：1)从多种边缘设备中获取感知信号；2)获取预先构建并训练好的深度神经网络，根据预设的部署规则，拆分深度神经网络，并部署到多种边缘设备和边缘域融合中心中，获得分布式神经网络架构；边缘设备中部署的深度神经网络通过对输出信号进行比特域特征提取，生成比特域特征向量，从而进行数据传输3)载入感知信号，获取目标识别结果。与现有技术相比，本发明可在边缘设备上对目标信号进行预处理，并得到量化压缩后的比特域特征，进行数据传输，缓解云中心的计算存储压力和网络带宽压力，并提高目标识别过程的响应速度。

公开(公告)号：CN112163316A

公开(公告)日：2021-01-01

申请号：CN202010893005.7

申请日：2020-08-31

Applicant: 同济大学

Inventor： 赵生捷 ,  刘诗洋 ,  张林 ,  张荣庆 ,  吕征南 ,  马慧生 ,  李凡

IPC: G06F30/20 ,  G06N3/04 ,  G06N3/08 ,  E21D9/11

Abstract: 本发明涉及一种基于深度学习的硬岩隧道掘进机的掘进参数预测方法，具体包括以下步骤：S1.获取传感器连续记录的掘进数据，划分出原始掘进段进行优化，获得目标掘进段组，并将目标掘进段组划分为训练样本集和测试样本集；S2.构建卷积神经网络模型，将训练样本集输入卷积神经网络模型进行深度学习，获取初步预测模型；S3.获取测试样本集，输入初步预测模型进行测试，根据测试结果调整初步预测模型的超参数；S4.重复步骤S3，记录每次调整超参数后模型的预测误差，当预测误差小于设定阈值时，将当前模型作为最终预测模型输出。与现有技术相比，本发明具有提高掘进机的刀盘转速和推进速度的预测精度、避免经济损失和工期延误等优点。