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

Inventor： 杨正益 ,  刘炼 ,  刘轩 ,  张秋婧 ,  冯羽佳 ,  牟镜吉 ,  周永佳 ,  王晓伟 ,  刘旭

IPC: H04L9/40 ,  G06N3/08 ,  G06N3/045

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

Inventor： 杨正益 ,  刘炼 ,  刘轩 ,  张秋婧 ,  冯羽佳 ,  牟镜吉 ,  周永佳 ,  王晓伟 ,  刘旭

IPC: H04L9/40 ,  G06N3/08 ,  G06N3/045

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

Inventor： 杨正益 ,  牟镜吉 ,  张毅 ,  刘炼 ,  刘轩 ,  冯羽佳 ,  张秋婧 ,  王晓伟 ,  刘旭

IPC: G06V20/56 ,  G06V20/64 ,  G06V10/80 ,  G06V10/44 ,  G06V10/82 ,  G06N3/0464

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。

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

Inventor： 杨正益 ,  张秋婧 ,  柳玲 ,  刘炼 ,  牟镜吉 ,  刘轩 ,  冯羽佳 ,  文俊浩 ,  王忠才 ,  王晓伟

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

Inventor： 杨正益 ,  刘轩 ,  刘炼 ,  张秋婧 ,  牟镜吉 ,  冯羽佳 ,  王忠才 ,  刘旭 ,  王晓伟

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。