CN102050366B - 人数检测装置及方法 - Google Patents
人数检测装置及方法 Download PDFInfo
- Publication number
- CN102050366B CN102050366B CN 200910201760 CN200910201760A CN102050366B CN 102050366 B CN102050366 B CN 102050366B CN 200910201760 CN200910201760 CN 200910201760 CN 200910201760 A CN200910201760 A CN 200910201760A CN 102050366 B CN102050366 B CN 102050366B
- Authority
- CN
- China
- Prior art keywords
- artificial neural
- input
- neuronic
- ann
- output
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Landscapes
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种人数检测装置,包括:热释电红外传感器,安装在电梯层站处和/或电梯轿厢内;当人体移动或晃动时,所述热释电红外传感器产生电信号并送入信号处理电路;信号处理电路,将热释电红外传感器发来的电信号实时放大、比较后生成脉冲信号;微处理器,实时检测所述脉冲信号,提取出所述脉冲信号的频率、混乱度、长脉冲比例;人工神经网络,包括输入层、输出层和至少一个隐含层;所述输入层有三个神经元,其输入分别是所述脉冲信号的频率、混乱度和长脉冲比例;所述输出层有一个神经元,其输出经过四舍五入取整后即为检测出的人数。本发明还公开了所述装置的人数检测方法。本发明具有结构简单、成本低廉、处理简便、占用资源少的特点。
Description
技术领域
本发明涉及一种人数检测装置及方法,特别是涉及一种电梯层站处和电梯轿厢内的人数检测装置及方法。
背景技术
电梯群控***(Elevator Group Control System)是对同一建筑物内多部电梯进行优化调度的***。电梯群控***追求的是一种最优的电梯调度方案,如最大的乘客输送能力、最短的乘客侯梯时间、最低的电梯运行能耗等。
电梯群控***是一个非线性***,主要体现在乘客的到达和离开具有随机性。在电梯每一层的层站处检测侯梯人数,以及在电梯轿厢内检测乘客人数,对于电梯群控***具有非常重要的意义。
目前在电梯层站处检测侯梯人数,是通过部署在各层站电梯门处的光电传感器或微波传感器以乘客通过各层站电梯门时引起的光线变化、红外辐射等检测电梯轿厢的上下客人数。这种方法实质上并不是检测电梯层站处的侯梯人数,而是检测电梯层站处的上下客人数。并且这种方法只能在电梯轿厢于每层站停止时方可执行,不能作为电梯群控***的调度参考。
目前在电梯轿厢内检测乘客人数,一种方法是根据电梯轿厢的承载重量的变化情况和方向检测乘客人数,但是当电梯轿厢的承载重量变化不是线性阶梯形就不能检测。另一种方法是通过电梯轿厢内目的层按钮检测乘客人数,但要求所有乘客都操作,实用价值不高。
总之,目前在电梯层站处或电梯轿厢内检测人数都是采用估算和预测的方法,无法获得较为准确的数据,因此无法为电梯群控***提供有效参考。
发明内容
本发明要解决的技术问题是提供一种电梯层站处候梯人数、电梯轿厢内乘客人数的检测装置,从而为电梯群控***的调配提供实时的参考信息。为此,本发明还要提供所述人数检测装置的实现方法。
为解决上述技术问题,本发明人数检测装置包括:
热释电红外传感器,安装在电梯层站处的天花板、墙壁或电梯出入口门楣,和/或安装在电梯轿厢的顶部或侧壁;当人体在电梯层站处或电梯轿厢内移动或晃动时,所述热释电红外传感器产生电信号并送入信号处理电路;
信号处理电路,将热释电红外传感器发来的电信号实时放大、比较后生成脉冲信号;
微处理器,实时检测所述脉冲信号,提取出所述脉冲信号的频率、混乱度、长脉冲比例并送入人工神经网络;
人工神经网络,包括输入层、输出层和至少一个隐含层;
所述输入层有三个神经元,其输入分别是所述脉冲信号的频率、混乱度和长脉冲比例;
所述输出层有一个神经元,其输出经过四舍五入取整后即为检测出的人数。
作为本发明的进一步改进,所述人工神经网络由包含3个神经元的输入层、包含k个神经元的隐含层(中间层)、包含1个神经元的输出层构成;
所述输入层的3个神经元的输入X1,i分别是所述脉冲信号的频率、混乱度、长脉冲比例;输出Y1,i=X1,i;i为大于等于1且小于等于3的自然数;
作为本发明的另一种改进,所述人工神经网络优选为BP网络。
作为本发明的又一种改进,所述k优选取为7。
上述装置的人数检测方法包括如下步骤:
第1步,热释电红外传感器感应到人体在电梯层站处或电梯轿厢内移动或晃动,产生电信号并送入信号处理电路;
第2步,信号处理电路将热释电红外传感器发来的电信号实时放大、比较后生成脉冲信号并送入微处理器;
第3步,微处理器实时检测所述脉冲信号,提取出所述脉冲信号的频率、混乱度、长脉冲比例并送入人工神经网络;
第4步,人工神经网络将所述脉冲信号的频率、混乱度、长脉冲比例作为输入,经计算后得到检测出的人数。
作为本发明的进一步改进,所述人工神经网络在使用前必须经过学习(训练)阶段,所述学习过程包括如下步骤:
第a步,在电梯层站处或电梯轿厢内安置一定数量的人员,作为样本数据的输出;由热释电红外传感器感应这些人员移动或晃动并生成电信号;由信号处理电路将所述电信号放大、比较后生成脉冲信号;由微处理器提取出所述脉冲信号的频率、混乱度、长脉冲比例,作为样本数据的输入;
重复上述试验得到多组样本数据;
第b步,将所述多组样本数据作为人工神经网络的学习数据,学习完毕后所述人工神经网络各连接线的权值、各神经元的阈值确定,即人工神经网络的输入与输出之间的关系确定。
本发明人数检测装置以热释电红外传感器取代了摄像机、云台、红外传感器阵列等,以微处理器取代了计算机,具有结构简单、成本低廉的特点。上述装置的人数检测方法无需复杂的图像处理算法(这种算法通常需要计算机方可实现),只需在微处理器内部进行人工神经网络的运算即可,具有处理简便、占用资源少的特点。
附图说明
下面结合附图与具体实施方式对本发明作进一步详细的说明:
图1是本发明人数检测装置的结构示意图;
图2是图1中信号处理电路的一个实施例的示意图;
图3是图2中各个电信号的示意图;
图4是图1中人工神经网络的一个实施例的示意图。
图中附图标记:11为热释电红外传感器;12为信号处理电路;121、122、123、124均为运算放大器;125为或门;13为微处理器;131为人工神经网络;14为通讯接口;21为运算放大器122输出的电信号;22为运算放大器123的反相输入端电压;23为运算放大器124的同相输入端电压;24为或门125输出的脉冲信号。
具体实施方式
请参阅图1,本发明人数检测装置包括:
热释电红外传感器11,当需要检测电梯层站处的人数时,至少一个被动式热释电红外传感器11安装在电梯层站处的天花板、墙壁或电梯出入口门楣。当需要检测电梯轿厢内的人数时,至少一个被动式热释电红外传感器11安装在电梯轿厢的顶部或侧壁。当人体在电梯层站处或电梯轿厢内移动或晃动时,热释电红外传感器11产生电信号并送入信号处理电路12。
信号处理电路12,将热释电红外传感器11发来的电信号实时放大、比较后生成脉冲信号并送入微处理器13。
微处理器13,实时检测所述脉冲信号,提取出所述脉冲信号的频率、混乱度、长脉冲比例并送入人工神经网络131。
人工神经网络131,可以将其视作微处理器13内部的一个逻辑模块,包括输入层、输出层和至少一个隐含层。所述输入层有三个神经元,这三个神经元的输入分别是所述脉冲信号的频率、混乱度和长脉冲比例。所述输出层有一个神经元,其输出经过四舍五入取整后即为检测出的人数。
图1中还包括通讯接口14,这是可有可无的一个模块,主要用于将人工神经网络计算出的人数以有线或无线通讯方式发送给电梯群控***。
对于热释电红外传感器,《电子线路及应用》(作者:吴建平、张洪润。清华大学出版社2005年出版)第10.9节有详细介绍。简单来说,热释电红外传感器通常由两片热释电元件、场效应管、滤光镜片和菲涅耳透镜等组成,其可以将检测区域内的运动人体所发出的红外辐射(波长约为9.64~9.67μm)转换为电信号输出。热释电红外传感器对于人体辐射波长以外的辐射具有较强的抗干扰性,但无法感应到检测区域内的静止人体。
请参阅图2,这是本发明给出的信号处理电路12的一个实施例,包括运算放大器121、122、123、124和或门125等。热释电红外传感器11感应到运动人体后生成微弱的电信号(例如电压信号),这个电信号首先被送入运算放大器121的同相放大端进行放大(例如放大约2200倍),再由电容(未图示)藕合后被送入运算放大器122的同相放大端进行放大。运算放大器122输出的电信号如图3***号21所示,电信号21通常是一个连续信号。运算放大器123、124构成了窗口比较器(双限比较器),电信号21分别被送入运算放大器123的同相输入端和运算放大器124的反相输入端。请参阅图3,运算放大器123的反相输入端电压22和运算放大器124的同相输入端电压23形成了一个窗口。当电信号21在该窗口之内时,运算放大器123和124均输出低电平;当电信号21在该窗口之外时,运算放大器123或124输出高电平。运算放大器123和124的输出经二极管(未图示)相互隔离后作为或门125的两个输入,或门125的输出如图3中脉冲信号24所示。
对于人工神经网络(Artificial Neural Network),《水资源***分析方法及应用》(作者:尚松浩。清华大学出版社2006年出版)第8章有详细介绍。简单来说,人工神经网络是由大量神经元相互连接而成。人工神经网络的使用分为学习(训练)和工作两个阶段。在学习阶段如监督学习(supervised learning)是给定一组输入、输出作为样本数据,人工神经网络根据一定的学习规则调整神经元之间的连接权值、各神经元的阈值,使实际输出与样本数据的期望输出之间的误差降到允许的程度。经过学习后的人工神经网络,神经元之间的连接权值、各神经元的阈值已确定,可用于得到不同输入下的输出。BP网络是一种基于误差反向传播(back-propagation,BP)算法的前馈网络,是最常用的人工神经网络模型之一,具有很强的非线性映射功能,能够实现输入层到输出层的复杂非线性关系。
请参阅图4,这是本发明给出的人工神经网络14的一个实施例,由包含3个神经元的输入层、包含k个神经元的隐含层(中间层)、包含1个神经元的输出层构成。
输入层的3个神经元分别是(1,1)、(1、2)和(1,3)。这三个神经元的输入X1,i分别是所述脉冲信号的频率、混乱度、长脉冲比例。这三个神经元的输出Y1,i=X1,i;i分别取1、2、3。
隐含层的k个神经元分别是(2,1)、(2,2)、……、(2,k)。这k个神经元的输入为这k个神经元的输出这是Sigmoid函数。其中Wij是从输入层第i个神经元到隐含层第j个神经元的连接权值,θ2j是隐含层第j个神经元的阈值,j分别取1、2、……、k。
输出层的1个神经元是(3,1)。这个神经元的输入为这个神经元的输出也是Sigmoid函数。其中Wj1是隐含层第j个神经元到输出层的神经元的连接权值,θ3j是输出层的神经元的阈值,Y3,1按四舍五入取整后即为检测出的人数。
该实施例中,人工神经网络优选为BP网络。
该实施例中,k优选取值为7。
本发明同时给出了所述人数检测装置的人数检测方法,包括如下步骤:
第1步,热释电红外传感器感应到人体在电梯层站处或电梯轿厢内移动或晃动,产生电信号并送入信号处理电路;
第2步,信号处理电路将热释电红外传感器发来的电信号实时放大、比较后生成脉冲信号并送入微处理器;
第3步,微处理器实时检测所述脉冲信号,提取出所述脉冲信号的频率、混乱度、长脉冲比例并送入人工神经网络;
第4步,人工神经网络将所述脉冲信号的频率、混乱度、长脉冲比例作为输入,经计算后得到检测出的人数。
所述方法第1步中,电梯层站处或电梯轿厢内的乘客的运动状态不尽相同,可能原地小范围踱步,也可能仅有上身的小范围运动(晃动),也可能处于相对的静止状态。各种幅度、频繁度、时间长短的人体运动所引起的红外辐射变化是不同的,这便决定了热释电红外传感器产生的电信号的输出波形。
所述方法第2步中,信号处理电路将热释电红外传感器产生的微弱电信号(通常为连续信号)放大、比较后生成脉冲信号。
所述方法第3步中,微处理器实时检测所述的脉冲信号,并提取出所述脉冲信号的频率、混乱度、长脉冲比例信息。通常信号处理电路所生成的脉冲信号每个脉冲都在ms(毫秒)级别,首先微处理器过滤掉噪声,例如将宽度小于24ms的脉冲信号过滤掉。然后微处理器以一定时间长度(例如5秒)为周期统计噪声过滤后的脉冲数量,得到脉冲频率=过滤后的所有脉冲数量/统计周期。同时微处理器根据过滤后的脉冲在一个周期内的分布情况得到混乱度。所述混乱度用来表征一个时间周期内各脉冲分布的不均匀程度,例如可以为均方差其中N为该时间周期内过滤后的脉冲总数,N=0;xi为该时间周期内各脉冲的实际中心点位置(时间坐标);zi为该时间周期内假设N个脉冲均匀分布时,这N个均匀分布的脉冲中心点的假设位置(时间坐标)。同时微处理器将一定宽度(例如100ms)以上的脉冲定义为长脉冲,统计长脉冲比例=长脉冲数量/过滤后的所有脉冲数量。
上述过滤噪声的界定、统计周期的选取、混乱度的定义、长脉冲的定义等均为示意,根据实际应用环境的不同可以进行相应地调整。
所述方法第4步中,人工神经网络在使用前必须经过学习(训练)阶段。对于人工神经网络的学习,尤其是BP网络的学习,已有许多文献详细记载,在此不作赘述,仅简单介绍如下。
所述学习过程包括如下步骤:
第a步,在电梯层站处或电梯轿厢内安置一定数量的人员,作为样本数据的输出;由热释电红外传感器感应这些人员移动或晃动并生成电信号;由信号处理电路将所述电信号放大、比较后生成脉冲信号;由微处理器提取出所述脉冲信号的频率、混乱度、长脉冲比例,作为样本数据的输入;
重复上述试验得到多组样本数据;
第b步,将所述多组样本数据作为人工神经网络的学习数据,按照一定的学习规则确定人工神经网络各神经元之间的连接权值、各神经元的阈值。
例如,对于如图4所示的三层BP网络(k值取7),示意性地样本数据如下表所示。
采用BP算法,利用上述样本数据对BP网络进行训练(学习)。训练后BP网络的各神经元之间的连接权值和各神经元的阈值已确定,如下表所示。
学习完毕后,BP网络可用于实际工作,遇到各种不同输入时即可得到相应的输出,如下表所示。
需要特别指出的是,人工神经网络各神经元之间的连接权值、各神经元的阈值直接依赖于训练阶段的样本数据。上述实施例中的样本数据仅为示意,在该样本数据下所确定的各神经元之间的连接权值、各神经元的阈值也仅为示意。一旦采用不同的样本数据,则各神经元之间的连接权值、各神经元的阈值也会发生相应变化。
因此,上述实施例中的网络结构、各神经元之间的连接权值、各神经元的阈值等并不构成对人工神经网络的具体限定。凡是满足三层结构、输入层为3个神经元、输出层为1个神经元的人工神经网络均可应用于本申请之中。上述实施例中的样本数据也并不构成对人工神经网络的训练阶段的具体限定。凡是按照本申请所述方法所形成的样本数据均可应用于本申请之中。
Claims (8)
1.一种人数检测装置,其特征在于,包括:
热释电红外传感器,安装在电梯层站处的天花板、墙壁或电梯出入口门楣,和/或安装在电梯轿厢的顶部或侧壁;当人体在电梯层站处或电梯轿厢内移动或晃动时,所述热释电红外传感器产生电信号并送入信号处理电路;
信号处理电路,将热释电红外传感器发来的电信号实时放大、比较后生成脉冲信号;
微处理器,实时检测所述脉冲信号,提取出所述脉冲信号的频率、混乱度、长脉冲比例并送入人工神经网络;
人工神经网络,包括输入层、输出层和至少一个隐含层;
所述输入层有三个神经元,其输入分别是所述脉冲信号的频率、混乱度和长脉冲比例;
所述输出层有一个神经元,其输出经过四舍五入取整后即为检测出的人数。
2.根据权利要求1所述的人数检测装置,其特征是,所述信号处理电路包括四个运算放大器和一个或门;所述热释电红外传感器生成的电信号先经过两个运算放大器放大,再经过由另两个运算放大器组成的双限比较器,最后通过或门生成脉冲信号。
3.根据权利要求1所述的人数检测装置,其特征是,所述人工神经网络由包含3个神经元的输入层、包含k个神经元的隐含层、包含1个神经元的输出层构成;
所述输入层的3个神经元的输入X1,i分别是所述脉冲信号的频率、混乱度、长脉冲比例;输出Y1,i=X1,i;i为大于等于1且小于等于3的自然数;
4.根据权利要求3所述的人数检测装置,其特征是,所述人工神经网络为BP网络。
5.根据权利要求3所述的人数检测装置,其特征是,所述k为7。
6.如权利要求1所述的人数检测装置的人数检测方法,其特征是,包括如下步骤:
第1步,热释电红外传感器感应到人体在电梯层站处或电梯轿厢内移动或晃动,产生电信号并送入信号处理电路;
第2步,信号处理电路将热释电红外传感器发来的电信号实时放大、比较后生成脉冲信号并送入微处理器;
第3步,微处理器实时检测所述脉冲信号,提取出所述脉冲信号的频率、混乱度、长脉冲比例并送入人工神经网络;
第4步,人工神经网络将所述脉冲信号的频率、混乱度、长脉冲比例作为输入,经计算后得到检测出的人数。
7.根据权利要求6所述的人数检测方法,其特征是,所述方法第3步中,微处理器首先过滤掉所述脉冲信号中的噪声,然后微处理器以一定时间周期统计噪声过滤后的脉冲数量,得到脉冲频率=过滤后的所有脉冲数量/统计周期;又根据过滤后的脉冲在一个周期内的分布情况得到混乱度;又将一定宽度以上的脉冲定义为长脉冲,统计长脉冲比例=长脉冲数量/过滤后的所有脉冲数量。
8.根据权利要求6所述的人数检测方法,其特征是,所述方法第4步中,所述人工神经网络在使用前必须经过学习阶段,所述学习过程包括如下步骤:
第a步,在电梯层站处或电梯轿厢内安置一定数量的人员,作为样本数据的输出;由热释电红外传感器感应这些人员移动或晃动并生成电信号;由信号处理电路将所述电信号放大、比较后生成脉冲信号;由微处理器提取出所述脉冲信号的频率、混乱度、长脉冲比例,作为样本数据的输入;重复上述试验得到多组样本数据;
第b步,将所述多组样本数据作为人工神经网络的学习数据,学习完毕后所述人工神经网络各连接线的权值、各神经元的阈值确定,从而人工神经网络的输入与输出之间的关系确定。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 200910201760 CN102050366B (zh) | 2009-11-05 | 2009-11-05 | 人数检测装置及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 200910201760 CN102050366B (zh) | 2009-11-05 | 2009-11-05 | 人数检测装置及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102050366A CN102050366A (zh) | 2011-05-11 |
CN102050366B true CN102050366B (zh) | 2013-02-13 |
Family
ID=43955243
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 200910201760 Active CN102050366B (zh) | 2009-11-05 | 2009-11-05 | 人数检测装置及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102050366B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102324123A (zh) * | 2011-05-23 | 2012-01-18 | 李祥夫 | 一种定时人数统计装置 |
WO2014146623A1 (de) | 2013-03-19 | 2014-09-25 | BALLUF GmbH | Induktiver wegmesssensor und verfahren zu seinem betrieb |
CN105565097B (zh) * | 2013-12-03 | 2018-09-14 | 大连大学 | 电梯内乘客人数显示*** |
CN103942869B (zh) * | 2014-05-09 | 2017-01-04 | 山东大学 | 一种在施工电梯中检测人员进出数量的方法 |
CN108701334B (zh) * | 2016-03-03 | 2022-08-26 | 三菱电机株式会社 | 拥挤预测装置和拥挤预测方法 |
CN108121992B (zh) * | 2016-11-29 | 2020-06-16 | ***通信有限公司研究院 | 一种室内人数的确定方法、装置及*** |
CN108255789B (zh) * | 2016-12-28 | 2021-07-27 | ***通信有限公司研究院 | 一种室内人数识别时随机样本的获取方法和装置 |
CN107609597B (zh) * | 2017-09-26 | 2020-10-13 | 嘉世达电梯有限公司 | 一种电梯轿厢人数检测***及其检测方法 |
JP2019156607A (ja) * | 2018-03-15 | 2019-09-19 | 株式会社日立製作所 | エレベーターシステム |
CN110921445B (zh) * | 2019-12-30 | 2020-10-27 | 中国矿业大学 | 一种罐笼人员数量和肢体外伸监测装置及方法 |
CN112374312B (zh) * | 2020-10-30 | 2022-03-01 | 江苏蒙哥马利电梯有限公司 | 一种基于电容值变化的电梯称重方法 |
CN113086794B (zh) * | 2021-03-31 | 2022-10-28 | 广东卓梅尼技术股份有限公司 | 一种电梯轿厢内人员检测方法及*** |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1021700C (zh) * | 1990-06-19 | 1993-07-28 | 三菱电机株式会社 | 电梯控制装置 |
CN1177746C (zh) * | 1999-08-03 | 2004-12-01 | 三菱电机株式会社 | 电梯群管理装置 |
-
2009
- 2009-11-05 CN CN 200910201760 patent/CN102050366B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1021700C (zh) * | 1990-06-19 | 1993-07-28 | 三菱电机株式会社 | 电梯控制装置 |
CN1177746C (zh) * | 1999-08-03 | 2004-12-01 | 三菱电机株式会社 | 电梯群管理装置 |
Also Published As
Publication number | Publication date |
---|---|
CN102050366A (zh) | 2011-05-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102050366B (zh) | 人数检测装置及方法 | |
Yang et al. | A multi-sensor based occupancy estimation model for supporting demand driven HVAC operations | |
CN110133610B (zh) | 基于时变距离-多普勒图的超宽带雷达动作识别方法 | |
CN110210563A (zh) | 基于Spike cube SNN的图像脉冲数据时空信息学习及识别方法 | |
CN109891436A (zh) | 基于深度学习神经网络的安保***及其控制方法 | |
CN109581361A (zh) | 一种检测方法、检测装置、终端以及检测*** | |
CN109102000B (zh) | 一种基于分层特征提取与多层脉冲神经网络的图像识别方法 | |
Wang et al. | A behavior controller based on spiking neural networks for mobile robots | |
CN113126676B (zh) | 一种畜禽舍养殖环境参数智能控制*** | |
CN106372799A (zh) | 一种电网安全风险预测方法 | |
CN108168577A (zh) | 基于bp神经网络的mems陀螺随机误差补偿方法 | |
CN115204302A (zh) | 一种无人机小样本故障诊断***及方法 | |
CN104915654B (zh) | 一种基于受限玻尔兹曼机的路径点数据行为识别方法 | |
Bin et al. | Moving target recognition with seismic sensing: A review | |
Wang et al. | Temporal pulses driven spiking neural network for time and power efficient object recognition in autonomous driving | |
CN114418183A (zh) | 畜禽健康体征大数据物联网检测*** | |
CN110736980B (zh) | 一种爬架状态信息的监测方法、装置及*** | |
CN102496062B (zh) | 一种基于Spiking神经网络的人员信息融合方法 | |
Seetha et al. | Performance assessment of neural network and K-nearest neighbour classification with random subwindows | |
Wang et al. | Occupancy detection based on spiking neural networks for green building automation systems | |
CN111815075A (zh) | 一种重大公共卫生事件下交通出行需求的预测方法 | |
Wang et al. | Temporal pulses driven spiking neural network for fast object recognition in autonomous driving | |
Mohemmed et al. | Optimization of spiking neural networks with dynamic synapses for spike sequence generation using PSO | |
Guo et al. | Environmental perception of mobile robot | |
Amin et al. | Clustering of user activities based on adaptive threshold spiking neural networks |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |