-
公开(公告)号：CN112508060A
公开(公告)日：2021-03-16
申请号：CN202011298247.8
申请日：2020-11-18
Applicant: 哈尔滨工业大学(深圳)
Abstract: 本发明涉及一种基于图卷积神经网络的滑坡体状态判断方法及系统，利用包括降雨量、地表位移、深部位移、土壤含水率、次声在内的多种类型监测数据，综合判断滑坡体状态。本发明方法主要包括特征提取、特征融合与特征分类三部分，在特征提取中，将五种类型检测数据经过预处理后，分别输入到不同的图卷积神经网络中进行训练，得到五组对应的特征向量；在特征融合中，将特征提取输出的五组特征向量进行融合，得到可以表征滑坡体整体状态的特征向量，在特征分类中，根据特征融合输出的整体特征向量计算出该滑坡体处于每种状态下的概率，进而给出滑坡体的状态判断。本发明所述方法能准确、快速地判断出滑坡体的状态。
-
公开(公告)号：CN112508060B
公开(公告)日：2023-08-08
申请号：CN202011298247.8
申请日：2020-11-18
Applicant: 哈尔滨工业大学(深圳)
IPC: G06F18/24 , G06F18/214 , G06F18/25 , G06N3/0464 , G01D21/02
Abstract: 本发明涉及一种基于图卷积神经网络的滑坡体状态判断方法及系统，利用包括降雨量、地表位移、深部位移、土壤含水率、次声在内的多种类型监测数据，综合判断滑坡体状态。本发明方法主要包括特征提取、特征融合与特征分类三部分，在特征提取中，将五种类型检测数据经过预处理后，分别输入到不同的图卷积神经网络中进行训练，得到五组对应的特征向量；在特征融合中，将特征提取输出的五组特征向量进行融合，得到可以表征滑坡体整体状态的特征向量，在特征分类中，根据特征融合输出的整体特征向量计算出该滑坡体处于每种状态下的概率，进而给出滑坡体的状态判断。本发明所述方法能准确、快速地判断出滑坡体的状态。
-
公开(公告)号：CN114090651B
公开(公告)日：2023-04-18
申请号：CN202111328844.5
申请日：2021-11-10
Applicant: 哈尔滨工业大学(深圳)
IPC: G06F16/2458 , G06F16/29 , G06N3/042 , G06N3/0464 , G06N3/0895 , G06Q50/26
Abstract: 本发明提供了一种基于双通道图神经网络自编码器的交通流异常数据判断方法，包括依次执行以下步骤：数据预处理步骤：根据交通传感器所在道路的交通情况和历史采集数据分别计算出拓扑邻接矩阵和特征邻接矩阵，作为线下训练步骤和线上监测步骤的双通道图神经网络的输入，另外将不同交通传感器的历史数据使用滑动窗口切割成相同时间长度的时间窗，生成特征矩阵后输入给线下训练步骤使用；线下训练步骤；线上监测步骤。本发明的有益效果是：通过本发明交通流异常数据判断方法，不仅可以同时捕捉到同一传感器不同时间数据间的时间依赖性和不同传感器的非欧式空间的空间依赖性，还能更有效地提取到交通流数据的多重深层次特征，另外，可解决交通场景下训练阶段异常样本缺少的问题。
-
公开(公告)号：CN114090651A
公开(公告)日：2022-02-25
申请号：CN202111328844.5
申请日：2021-11-10
Applicant: 哈尔滨工业大学(深圳)
IPC: G06F16/2458 , G06F16/29 , G06N3/04 , G06N3/08 , G06Q50/26
Abstract: 本发明提供了一种基于双通道图神经网络自编码器的交通流异常数据判断方法，包括依次执行以下步骤：数据预处理步骤：根据交通传感器所在道路的交通情况和历史采集数据分别计算出拓扑邻接矩阵和特征邻接矩阵，作为线下训练步骤和线上监测部步骤的双通道图卷积神经的输入，另外将不同交通传感器的历史数据使用滑动窗口切割成相同时间长度的时间窗，生成特征矩阵后输入给线下训练步骤使用；线下训练步骤；线上监测步骤。本发明的有益效果是：通过本发明交通流异常数据判断方法，不仅可以同时捕捉到同一传感器不同时间数据间的时间依赖性和不同传感器的非欧式空间的空间依赖性，还能更有效地提取到交通流数据的多重深层次特征，另外，可解决交通场景下训练阶段异常样本缺少的问题。
-
-
-
Search Results
4
records
(took 0.102 seconds)
