-
公开(公告)号：CN119067206A
公开(公告)日：2024-12-03
申请号：CN202411042729.5
申请日：2024-07-31
Applicant: 重庆大学
IPC: G06N5/02 , G06N5/025 , G06N3/045 , G06N3/042 , G06N3/0464
Abstract: 本发明公开了一种针对汽车系统故障知识图谱的知识嵌入方法，该方法过程分为文本增强型实体嵌入向量层、多尺度特征交互层和动态预测与补全层三个阶段；文本增强型实体嵌入向量层通过利用预训练模型对知识图谱中的实体描述文本进行深层语义信息提取，并引入注意力机制，对文本嵌入向量和图嵌入向量进行融合；多尺度特征交互层通过不同尺度的卷积操作捕获从局部到全局的关系特征，提供多层次的信息解析能力，增加残差路径以促进深层网络中的梯度流动；动态预测与补全层通过概率评分预测函数预测知识图谱中缺失的实体和关系，用以提供补全知识图谱的信息预测依据。本发明方法，有效捕捉了实体和关系的复杂交互，实现了知识图谱的持续学习和完善。
-
公开(公告)号：CN119088700A
公开(公告)日：2024-12-06
申请号：CN202411208369.1
申请日：2024-08-30
Applicant: 重庆大学
IPC: G06F11/36 , G06F18/24 , G06F18/211 , G06F18/213 , G06F18/25 , G06F18/21 , G06N5/022 , G06N5/01 , G06N20/20 , G06F18/243
Abstract: 本发明公开了一种基于动态特征选择与超采样的汽车软件缺陷预测方法，包括：获取汽车软件缺陷的数据集，定义数据集的全特征集；对数据集进行数据预处理后将数据集划分为训练集和测试集；通过粒度决策熵算法动态评估全特征集中每个特征对决策特征的贡献，保留具有高度信息增益的重要特征；通过引入了辅助损失和多样性损失的智能重采样算法为少数类样本生成新样本，增强少数类样本的代表性和多样性；通过训练集训练缺陷预测模型并对测试集进行测试；通过训练好的缺陷预测模型基于汽车软件的特征数据输出相应的缺陷预测结果。本发明能够提高汽车软件缺陷预测的准确性，以及模型在新数据或多类和混合类型数据环境中的泛化能力。
-
公开(公告)号：CN119051882B
公开(公告)日：2025-01-10
申请号：CN202410917168.2
申请日：2024-07-10
Applicant: 重庆大学
Abstract: 本发明提供了一种基于深度学习的智能网联汽车车载网络异常检测方法。该方法包括：获取车载网络中每个ECU在时间步长t之前预设时间窗口内的消息时间序列；获取车载网络在时间步长t之前预设时间窗口内的网络状态时间序列；输入消息时间序列至LSTM预测网络获得消息时间序列对应的ECU在时间步长t的预测消息；输入网络状态时间序列至ConvLSTM预测网络获得车载网络在时间步长t的预测网络状态；融合预测网络状态和所有ECU的预测消息，获得时间步长t的融合网络状态；基于融合网络状态和实际网络状态计算预测误差；输入预测误差至高斯朴素贝叶斯分类器，获得步长t的异常检测结果。本发明能够提高车载网络异常检测的准确性。
-
公开(公告)号：CN119051882A
公开(公告)日：2024-11-29
申请号：CN202410917168.2
申请日：2024-07-10
Applicant: 重庆大学
Abstract: 本发明提供了一种基于深度学习的智能网联汽车车载网络异常检测方法。该方法包括：获取车载网络中每个ECU在时间步长t之前预设时间窗口内的消息时间序列；获取车载网络在时间步长t之前预设时间窗口内的网络状态时间序列；输入消息时间序列至LSTM预测网络获得消息时间序列对应的ECU在时间步长t的预测消息；输入网络状态时间序列至ConvLSTM预测网络获得车载网络在时间步长t的预测网络状态；融合预测网络状态和所有ECU的预测消息，获得时间步长t的融合网络状态；基于融合网络状态和实际网络状态计算预测误差；输入预测误差至高斯朴素贝叶斯分类器，获得步长t的异常检测结果。本发明能够提高车载网络异常检测的准确性。
-
公开(公告)号：CN119027899A
公开(公告)日：2024-11-26
申请号：CN202410915014.X
申请日：2024-07-09
Applicant: 重庆大学
Abstract: 本发明公开了一种基于变形注意力BEV特征融合的三维检测方法，包括获取检测环境区域的图像数据及对应的点云数据；采用卷积神经网络对所述图像数据进行特征提取，获得二维图像特征；采用体素化特征提取网络对所述点云数据进行体素化处理，获得点体素特征；将所述二维图像特征和点体素特征输入至特征融合模块进行特征融合处理，得到检测环境区域的BEV特征；将所述检测环境区域的BEV特征与历史数据的BEV特征通过时间融合模块进行时间融合处理，得到融合BEV特征；基于所述融合BEV特征，对检测环境区域进行三维目标检测。本发明还提供了相应的存储介质。本发明充分利用了自动驾驶多模态数据在融合过程中进行优势互补，提高了感知检测精度以及泛化力。
-
Patent Agency Ranking
公开(公告)号：CN117151465A
公开(公告)日：2023-12-01
申请号：CN202311099701.0
申请日：2023-08-29
Applicant: 重庆大学
IPC: G06Q10/0635 , G06F18/25 , G06F17/18
Abstract: 本发明提供智能网联汽车电机系统故障模式影响分析方法及系统。包括：获取E位专家分别对N种故障模式的3个风险因子的原始评估等级；确定每种故障模式每个风险因子的融合评估值；利用3个风险因子的融合评估值确定每种故障模式的风险优先数；对风险优先数进行排序；基于第n种故障模式第j个风险因子的原始评估相差等级对每位专家的评估等级进行相应扩级处理，获得专家重构评估值概率分配；对E位专家的专家重构评估值概率分配进行数据融合重构处理，获得第j个风险因子的融合评估值。基于原始评估相差等级进行相应扩级处理，获得专家重构评估值概率分配，降低证据冲突程度，解决重复值过多问题，提升智能网联汽车电机系统故障模式分析的准确性。
-
公开(公告)号：CN119046865A
公开(公告)日：2024-11-29
申请号：CN202410945118.5
申请日：2024-07-15
Applicant: 重庆大学
IPC: G06F18/25 , G06F16/901 , G06N3/0464 , G06N3/042 , G06N3/045 , G06F18/213 , G06F18/2131 , G06N3/048 , G06N3/049 , G06N3/08
Abstract: 本发明公开一种储气库生产过程时序数据时空特征智能提取方法，包括以下步骤：1)基于储气库场景，构建带有权重矩阵的储气库检测空间；2)利用堆叠图卷积神经网络对储气库检测空间进行处理，提取储气库检测空间的空间特征；利用时间卷积神经网络对储气库检测空间进行处理，提取储气库检测空间的时间特征；3)利用卷积运算融合储气库检测空间的空间特征和时间特征，得到储气库生产过程时序数据的时空特征。本发明融合了图卷积神经网络(GCN)和时间卷积神经网络(TCN)，能够更好地捕获储气库数据的时空特征，可以提高模型对于空间和时间相关性的理解，进而提高储气库数据准确性。
-
公开(公告)号：CN117151465B
公开(公告)日：2024-08-20
申请号：CN202311099701.0
申请日：2023-08-29
Applicant: 重庆大学
IPC: G06Q10/0635 , G06F18/25 , G06F17/18
Abstract: 本发明提供智能网联汽车电机系统故障模式影响分析方法及系统。包括：获取E位专家分别对N种故障模式的3个风险因子的原始评估等级；确定每种故障模式每个风险因子的融合评估值；利用3个风险因子的融合评估值确定每种故障模式的风险优先数；对风险优先数进行排序；基于第n种故障模式第j个风险因子的原始评估相差等级对每位专家的评估等级进行相应扩级处理，获得专家重构评估值概率分配；对E位专家的专家重构评估值概率分配进行数据融合重构处理，获得第j个风险因子的融合评估值。基于原始评估相差等级进行相应扩级处理，获得专家重构评估值概率分配，降低证据冲突程度，解决重复值过多问题，提升智能网联汽车电机系统故障模式分析的准确性。
-
公开(公告)号：CN118428368A
公开(公告)日：2024-08-02
申请号：CN202410543664.6
申请日：2024-04-30
Applicant: 重庆大学
IPC: G06F40/295 , G06F16/35 , G06F18/214 , G06F16/36 , G06F40/30 , G06N3/0464 , G06N3/09
Abstract: 本发明提供了一种汽车系统故障知识图谱命名实体识别重组方法及系统，该方法包括：获取汽车故障数据集中处理结果字段的原始文本集；去除所述原始文本集中的冗余信息获得预处理文本集；对所述预处理文本集进行语义抽取获得语义位置向量集；利用多策略动态赋权识别模型对每个预处理文本的语义位置向量进行处理，识别出每个预处理文本中的故障部位实体和失效形式实体；对每个预处理文本的故障部位实体和失效形式实体进行重组，将每个重组结果作为汽车系统故障知识图谱的一个命名实体。本发明加快了命名实体识别速度、准确性，完整地提取命名实体，能适用于复杂句子结构的命名实体识别。
-
公开(公告)号：CN118035119A
公开(公告)日：2024-05-14
申请号：CN202410333603.7
申请日：2024-03-22
Applicant: 重庆大学
IPC: G06F11/36 , G06N3/0455 , G06N3/08
Abstract: 本发明提供了一种智能网联汽车软件缺陷预测方法、装置、产品及设备。自编码深度学习模型训练方法包括：获取由非缺陷样本组成的训练集，自编码模型包括：数据分割单元，用于将自编码模型的输入数据分解为有效数据和噪声异常数据；编码器，用于提取有效数据的数据特征；解码器，基于有效数据的数据特征确定有效数据的重构数据；利用训练集根据训练目标损失函数对自编码模型进行训练，将训练完成后的自编码模型作为自编码深度学习模型，其中，训练目标损失函数包括最小化重构误差和噪声异常数据范数项。获得的自编码深度学习模型专注于无缺陷样本的特征提取，有助于解决数据不平衡问题，样本特征提取效果好，提高了汽车软件缺陷预测的准确性。
-
-
-
-
-
-
-
-
-
Search Results
13
records
(took 0.016 seconds)
