CN109784363A - 一种远程监控视频的传输方法及其传输装置 - Google Patents
一种远程监控视频的传输方法及其传输装置 Download PDFInfo
- Publication number
- CN109784363A CN109784363A CN201811482528.1A CN201811482528A CN109784363A CN 109784363 A CN109784363 A CN 109784363A CN 201811482528 A CN201811482528 A CN 201811482528A CN 109784363 A CN109784363 A CN 109784363A
- Authority
- CN
- China
- Prior art keywords
- sample
- neural network
- training
- transmission
- video
- 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.)
- Pending
Links
Landscapes
- Testing, Inspecting, Measuring Of Stereoscopic Televisions And Televisions (AREA)
Abstract
本发明实施例提供了一种远程监控视频的传输方法及其传输***。该传输方法包括:收集训练样本,所述数据样本为多输入单输出构成的样本;根据模糊规则,对所述训练样本进行聚类,获得m组样本聚类结果;每一组聚类结果与一条模糊规则对应,每一条模糊规则与一个神经网络对应;使用所述样本聚类结果,训练对应的神经网络;将预测样本输入训练完成后的模糊神经网络中,获得对视频传输的建议;所述模糊神经网络由所述多个与模糊规则对应的神经网络组成。
Description
技术领域
本发明涉及监控视频传输技术领域,尤其涉及一种远程监控视频的传输方法及其传输装置。
背景技术
在物流领域,管理者为了更好地对在途货物进行监管以及对在途货车进行更好地调度,通常都通过实时传输的随车远程监控视频来确保货物的万无一失以及根据视频情况确定货车的调度。
虽然实时传输监控视频的方式可以让管理者获得很好的掌控效果,但随之会带来较为昂贵的视频传输流量。而且,在货车长途行驶过程中,存在许多没必要传输或者观看的视频资源。这样会导致监控调度中心出现观看疲劳等的问题,对物力、人力来说都是一个浪费。
面对具有传输流量大,无意义视频片段多等特点的传统远程监控视频传输***,如何在确保货物和货车的掌控性的前提下,减少不必要的视频传输量,从而降低流量传输成本和减轻监控中心人员观看视频压力成为企业亟需解决的难题。
发明内容
鉴于上述现有技术的不足之处,本发明的目的在于提供一种远程监控视频的传输方法及其传输装置,旨在解决现有技术中视频传输数据量量较大,造成人力和传输资源浪费的问题。
为了达到上述目的,本发明采取了以下技术方案:一种远程监控视频的传输方法。该传输方法包括:
收集训练样本,所述数据样本为多输入单输出构成的样本;
根据模糊规则,对所述训练样本进行聚类,获得m组样本聚类结果;每一组聚类结果与一条模糊规则对应,每一条模糊规则与一个神经网络对应;
使用所述样本聚类结果,训练对应的神经网络;
将预测样本输入训练完成后的模糊神经网络中,获得对视频传输的建议;所述模糊神经网络由所述多个与模糊规则对应的神经网络组成。
所述的远程监控视频传输的方法,其中,所述收集训练样本,具体包括:
提取与货车运行相关的行驶数据,并选择所述行驶数据中的关键指标;
归一化所述关键指标并与关于传输视频的专家意见结合,作为所述数据样本;每一个数据样本由多个输入和一个输出构成。
所述的远程监控视频传输的方法,其中,所述神经网络为标准的4层神经网络;包括输入层、模糊化层、推理层以及清晰层。
所述的远程监控视频传输的方法,其中,所述使用所述样本聚类结果,训练对应的神经网络,具体包括:
使用BP算法,以所述其中一组样本聚类结果作为训练样本,训练所述对应的神经网络。
所述的远程监控视频传输的方法,其中,在使用BP算法训练所述神经网络的过程中,引入如下算式所示的准函数:
其中,nc是测试评价用的样本,是M组内的样本数,是M组内对应xj的输出样本,Im表示矩阵。
所述的远程监控视频传输的方法,其中,所述将预测样本输入训练完成后的模糊神经网络中,获得对视频传输的建议,具体包括:
计算所述预测样本相对于各条模糊规则的隶属度;
将所述预测样本依次输入各个与所述模糊规则对应的神经网络,确定各个神经网络的输出;
应用如下公式计算所述视频传输的建议:
其中,uj为所述隶属度,gj为所述神经网络的输出,y为所述视频传输的建议。
一种远程监控视频的传输***,其中,该传输***包括:
样本收集模块,用于收集训练样本,所述数据样本为多输入单输出构成的样本;
聚类模块,用于根据模糊规则,对所述训练样本进行聚类,获得m组样本聚类结果;每一组聚类结果与一条模糊规则对应,每一条模糊规则与一个神经网络对应;
训练模块,用于使用所述样本聚类结果,训练对应的神经网络;
预测模块,用于将预测样本输入训练完成后的模糊神经网络中,获得对视频传输的建议;所述模糊神经网络由所述多个与模糊规则对应的神经网络组成。
所述的传输装置,其中,包括:所述样本收集模块具体用于:
提取与货车运行相关的行驶数据,并选择所述行驶数据中的关键指标;归一化所述关键指标并与关于传输视频的专家意见结合,作为所述数据样本;每一个数据样本由多个输入和一个输出构成。
所述的传输装置,其中,所述训练模块具体用于:
以每一组样本聚类结果为训练样本,使用BP算法训练对应的神经网络;所述神经网络为标准的4层模糊神经网络结构,包括输入层、模糊化层、推理层及清晰层。
所述的传输装置,其中,所述预测模块具体用于:计算所述预测样本相对于各条模糊规则的隶属度;
将所述预测样本依次输入各个与所述模糊规则对应的神经网络,确定各个神经网络的输出;
应用如下公式计算所述视频传输的建议:
其中,uj为所述隶属度,gj为所述神经网络的输出,y为所述视频传输的建议。
有益效果:本发明提供的远程监控视频的传输方法,建立融入了货车行驶数据与环境情景的预测模型,针对货车行驶环境情景数据的复杂性及模糊性,结合货车运行数据等因素,构建模糊神经网络(FuzzyNeuralNetwork,即FNN)的数学模型可以达到较优的预测精度。
该模糊神经网络结合了模糊***以及神经网络,两者之间起到了互补的效果,不仅可以具有自学习、联系、识别、自适应等功能,还能针对环境情景数据进行模糊信息处理。
附图说明
图1为本发明实施例的远程监控视频传输方法的方法流程图。
图2为本发明实施例的远程监控视频传输***的功能框图。
具体实施方式
本发明提供一种远程监控视频的传输方法及其***。为使本发明的目的、技术方案及效果更加清楚、明确,以下参照附图并举实施例对本发明进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
在本发明的描述中,需要理解的是,术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”、“顺时针”、“逆时针”、“轴向”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中,“多个”的含义是两个以上,除非另有明确具体的限定。
在本发明中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或成一体;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
在本发明中,除非另有明确的规定和限定,第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触,或第一和第二特征通过中间媒介间接接触。而且,第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方,或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方,或仅仅表示第一特征水平高度小于第二特征。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
图1为本发明实施例提供的远程监控视频的传输方法。如图1所示,所述传输方法包括如下步骤:
110、收集训练样本,所述数据样本为多输入单输出构成的样本。
具体的,可以提取与货车运行情况相关的多种行驶数据指标,并选择其中关键的属性参数。
然后,对选中的多种关键行驶数据指标进行归一化处理后与管理人员讨论等根据专家意见所得的传输视频建议作为原始训练集。该原始训练集中的训练样本由多个输入、一个输出构成。
在一些实施例中,可以将收集的输入和输出样本(xi,yi)适当分成两个部分,一部分用来训练网络,另一部分用来测试和评价***的准确性。
120、根据模糊规则,对所述训练样本进行聚类,获得m组样本聚类结果。
在本实施例中年,可以根据传输视频建议将样本模型聚类为5组(m取值为5),即“建议传输”I组,“比较建议传输”II组、“可传可不传”III组和“比较建议不传输”IV组和“建议不传输”V组。由此,可以得到5条模糊规则。
其中,每组样本聚类结果对应于一条模糊规则;神经网络NNm的训练样本由多个输入、5个输出构果原始训练样本集中的某个样本,被聚类到第i组,则该样本的输出部分为130、使用所述样本聚类结果,训练对应的神经网络。
具体的,可以使用BP算法来依次训练5个神经网络NN1~NN5,训练样本为聚类后的五组样本,即每一个神经网络用与该模糊规则对应的分组样本进行训练。
该BP算法训练神经网络NNmf的步骤为:
在反向传播算法应用于前馈多层网络时,采用Sigmoid为激励函数,可用下列步骤对网络的权系数Wij进行递归求取。注意对于每层有n个神经元的时候,即有i=1,2,…,n;j=1,2,…,n。对于第k层的第i个神经元,则有n个权系数Wi1,Wi2,…,Win,另外取多一个Win+1用于表示阀值θi;并且在输入样本X时,取x=(X1,X2,…,Xn,1)。
执行的步骤如下:
①对权系数Wij置初值。
对各层的权系数Wij置一个较小的非零随机数,但其中Wi,n+1=-θ。
②输入一个样本X=(xl,x2,…,xn,1),以及对应期望输出Y=(Y1,Y2,…,Yn)。
③计算各层的输出
对于第k层第i个神经元的输出Xi k,有:
④求各层的学习误差
对于输出层有k=m,有
对于其他各层,有
⑤修正权系数Wij和阀值θ
其中:
⑥当求出了各层各个权系数之后,可按给定品质指标判别是否满足要求。如果满足要求,则算法结束;如果未满足要求,则返回(3)执行。
这个学习过程,对于任一给定的样本Xp=(Xp1,Xp2,…,Xpn,1)和期望输出Yp=(Yp1,Yp2,…,Ypn)都要执行,直到满足所有输入输出要求为止。
本发明实施例提供的神经网络采用标准的4层模糊神经网络,每层实现的功能分别是:输入层、模糊化层、推理层及清晰层。
其中,输入层为网络输入变量误差x1=E,误差变化x2=CE。模糊化层节点的激活函数代表模糊变量的隶属函数,该层的权值wij表示隶属函数的形状,wc=c表示隶属函数的位置,该层的输出代表模糊化的结果。
推理层将上一层模的糊化得到的结果两两相乘,代表模糊规则的规则强度。清晰化层根据重心法的去模糊化公式,把规则强度加权求和,输出即为模糊神经网络的输出量。
在神经网络***中,第一个神经元的激活函数选用高斯径向基函数,其定义为σ>0,由于高斯函数是局部化函数,当u→∞时,f(u)→0。
第二个神经元的激活函数选用Log-Sigmoid函数,定义为f(u)=1/(1+exp(-αu)),其中α是Log-Sigmoid函数的倾斜参数,改变参数α就可以改变倾斜强度,Log-Sigmoid函数的图形是M形的,它是严格的递增函数,可以将神经元的输入范围(-∞,+∞)映射到(0,1);另外Log-Sigmoid函数是可微函数适合于训练模糊神经网络,这样训练后的网络用于Log-Sigmoid函数的特性可以对其他输入恰当地给出对每条规则的适用度。
在较佳实施例中,为了防止神经网络NNm的过学习,在上述用BP算法训练用于计算模糊规则隶属度的神经网络NNmf的过程中,还可以引入下面的准则函数:
式中,nc是测试评价用的样本,是M组内的样本数,是M组内对应xj的输出样本,Im表示矩阵,当Im的值在网络NNm的训练中取得最小值时即可停止训练。
140、将预测样本输入训练完成后的模糊神经网络中,获得对视频传输的建议。
在模糊神经网络训练稳定后,可以直接将归一化后的多种关键运动情景指标作为预测样本输入,通过该模糊神经网络的联想、分类以及识别等能力,获得最终的传输决策。
具体的,该步骤140可以包括:首先求出该预测样本相对于5条模糊规则的5个隶属度u1,u2,u3,u4和u5。然后,将该样本依次输入其余5个对应模糊规则的网络,分别求出各网络相应的输出g1,g2,g3,g4和g5。g1,g2,g3,g4和g5表示NN1~NN5经过训练后得到的处理参数即传输视频建议。
最后,利用如下公式计算得到最终输出结果:
其中,uj为所述隶属度,gj为所述神经网络的输出,y为所述视频传输的建议。
以下结合具体实例,详细描述该远程监控视频的传输方法:
首先,提取货车的各项行驶指标数据(如货车的运动速率,行驶方向,垂直颠簸度,加速度)以及与货车运动情况相关的环境情景数据(如道路拥堵指标,地面湿滑指标,是否交通事故易发地段等)。
另外,在训练样本的构建过程中尽量将文字性描述的指标也通过专家评估法将其转换为数值型数据,例如像交通事故易发地段这样的必须进行实时传输视频的情况,就可以将该运动场景转化为对应的变量,令该变量取值无限大,从而输出正确的传输建议(即建议传输视频)。
对选择出的多种关键运动指标进行归一化处理,结合归一化后的多种关键运动情景指标以及传输视频建议作为多个输入(运动情景指标)和一个输出(传输视频建议)的样本,记作(xi,yi);
然后,对所有训练样本进行聚类。可以根据视频传输建议,将所属样本聚类为m组样本并根据这m组聚类好的样本得到m条模糊规则。
在实施例中,每个样本聚类对应一条模糊规则,每条模糊规则对应一条神经网络,m代表模糊规则的个数。
当原始训练样本集中的某个样本,被聚类到第i组,则所述训练样本的输出部分表示为神经网络,神经网络的训练样本包括若干个输入和m个输出,对神经网络进行训练。
依次对每条模糊规则对应的神经网络采用与训练神经网络相同方式进行训练,m代表模糊规则的个数。
最后待神经网络和神经网络训练稳定后,便可以将归一化后的关键运动情景指标作为预测样本输入模糊神经网络中进行对传输视频建议的决策,通过神经网络的联想、分类和识别能力,则可获得传输视频决策。
与上述方法实施例相对应地,本发明还提供了一种远程监控视频的传输***。图2为本发明实施例提供的远程监控视频的传输***的功能框图。如图2所示,该传输***包括:样本收集模块210,聚类模块220,训练模块230以及预测模块240。
其中,所述样本收集模块210用于收集训练样本,所述数据样本为多输入单输出构成的样本。所述聚类模块220用于根据模糊规则,对所述训练样本进行聚类,获得m组样本聚类结果;每一组聚类结果与一条模糊规则对应,每一条模糊规则与一个神经网络对应。所述训练模块230用于使用所述样本聚类结果,训练对应的神经网络。所述预测模块240用于将预测样本输入训练完成后的模糊神经网络中,获得对视频传输的建议;所述模糊神经网络由所述多个与模糊规则对应的神经网络组成。
在一些实施例中,所述样本收集模块210具体用于:提取与货车运行相关的行驶数据,并选择所述行驶数据中的关键指标;归一化所述关键指标并与关于传输视频的专家意见结合,作为所述数据样本;每一个数据样本由多个输入和一个输出构成。
具体的,所述训练模块220具体用于:以每一组样本聚类结果为训练样本,使用BP算法训练对应的神经网络;所述神经网络为标准的4层模糊神经网络结构,包括输入层、模糊化层、推理层及清晰层。
更具体的,所述预测模块240具体用于:计算所述预测样本相对于各条模糊规则的隶属度;
将所述预测样本依次输入各个与所述模糊规则对应的神经网络,确定各个神经网络的输出;
应用如下公式计算所述视频传输的建议:
其中,uj为所述隶属度,gj为所述神经网络的输出,y为所述视频传输的建议。
可以理解的是,对本领域普通技术人员来说,可以根据本发明的技术方案及本发明构思加以等同替换或改变,而所有这些改变或替换都应属于本发明所附的权利要求的保护范围。
Claims (10)
1.一种远程监控视频的传输方法,其特征在于,包括:
收集训练样本,所述数据样本为多输入单输出构成的样本;
根据模糊规则,对所述训练样本进行聚类,获得m组样本聚类结果;每一组聚类结果与一条模糊规则对应,每一条模糊规则与一个神经网络对应;
使用所述样本聚类结果,训练对应的神经网络;
将预测样本输入训练完成后的模糊神经网络中,获得对视频传输的建议;所述模糊神经网络由所述多个与模糊规则对应的神经网络组成。
2.根据权利要求1所述的远程监控视频传输的方法,其特征在于,所述收集训练样本,具体包括:
提取与货车运行相关的行驶数据,并选择所述行驶数据中的关键指标;
归一化所述关键指标并与关于传输视频的专家意见结合,作为所述数据样本;每一个数据样本由多个输入和一个输出构成。
3.根据权利要求1所述的远程监控视频传输的方法,其特征在于,所述神经网络为标准的4层神经网络;包括输入层、模糊化层、推理层以及清晰层。
4.根据权利要求3所述的远程监控视频传输的方法,其特征在于,所述使用所述样本聚类结果,训练对应的神经网络,具体包括:
使用BP算法,以所述其中一组样本聚类结果作为训练样本,训练所述对应的神经网络。
5.根据权利要求4所述的远程监控视频传输的方法,其特征在于,在使用BP算法训练所述神经网络的过程中,引入如下算式所示的准函数:
其中,nc是测试评价用的样本,是M组内的样本数,是M组内对应xj的输出样本,I^m表示矩阵。
6.根据权利要求1所述的远程监控视频传输的方法,其特征在于,所述将预测样本输入训练完成后的模糊神经网络中,获得对视频传输的建议,具体包括:
计算所述预测样本相对于各条模糊规则的隶属度;
将所述预测样本依次输入各个与所述模糊规则对应的神经网络,确定各个神经网络的输出;
应用如下公式计算所述视频传输的建议:
其中,uj为所述隶属度,gj为所述神经网络的输出,y为所述视频传输的建议。
7.一种远程监控视频的传输***,其特征在于,包括:
样本收集模块,用于收集训练样本,所述数据样本为多输入单输出构成的样本;
聚类模块,用于根据模糊规则,对所述训练样本进行聚类,获得m组样本聚类结果;每一组聚类结果与一条模糊规则对应,每一条模糊规则与一个神经网络对应;
训练模块,用于使用所述样本聚类结果,训练对应的神经网络;
预测模块,用于将预测样本输入训练完成后的模糊神经网络中,获得对视频传输的建议;所述模糊神经网络由所述多个与模糊规则对应的神经网络组成。
8.根据权利要求7所述的传输装置,其特征在于,包括:所述样本收集模块具体用于:
提取与货车运行相关的行驶数据,并选择所述行驶数据中的关键指标;归一化所述关键指标并与关于传输视频的专家意见结合,作为所述数据样本;每一个数据样本由多个输入和一个输出构成。
9.根据权利要求7所述的传输装置,其特征在于,所述训练模块具体用于:
以每一组样本聚类结果为训练样本,使用BP算法训练对应的神经网络;所述神经网络为标准的4层模糊神经网络结构,包括输入层、模糊化层、推理层及清晰层。
10.根据权利要求7所述的传输装置,其特征在于,所述预测模块具体用于:计算所述预测样本相对于各条模糊规则的隶属度;
将所述预测样本依次输入各个与所述模糊规则对应的神经网络,确定各个神经网络的输出;
应用如下公式计算所述视频传输的建议:
其中,uj为所述隶属度,gj为所述神经网络的输出,y为所述视频传输的建议。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811482528.1A CN109784363A (zh) | 2018-12-05 | 2018-12-05 | 一种远程监控视频的传输方法及其传输装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811482528.1A CN109784363A (zh) | 2018-12-05 | 2018-12-05 | 一种远程监控视频的传输方法及其传输装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109784363A true CN109784363A (zh) | 2019-05-21 |
Family
ID=66496808
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811482528.1A Pending CN109784363A (zh) | 2018-12-05 | 2018-12-05 | 一种远程监控视频的传输方法及其传输装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109784363A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102097005A (zh) * | 2011-02-01 | 2011-06-15 | 吉林大学 | 智能化、集成化交通信号控制器 |
EP2590349B1 (en) * | 2011-11-03 | 2014-10-15 | NTT DoCoMo, Inc. | A method for scheduling a scalable video coding stream in a wireless mobile network |
CN105679031A (zh) * | 2016-03-17 | 2016-06-15 | 福州大学 | 快速路养护施工区主动预警方法 |
CN105869230A (zh) * | 2016-04-15 | 2016-08-17 | 北京小米移动软件有限公司 | 视频数据的管理方法、装置、终端及服务器 |
CN108122048A (zh) * | 2017-11-23 | 2018-06-05 | 浙江专线宝网阔物联科技有限公司 | 一种运输路径调度方法及其*** |
-
2018
- 2018-12-05 CN CN201811482528.1A patent/CN109784363A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102097005A (zh) * | 2011-02-01 | 2011-06-15 | 吉林大学 | 智能化、集成化交通信号控制器 |
EP2590349B1 (en) * | 2011-11-03 | 2014-10-15 | NTT DoCoMo, Inc. | A method for scheduling a scalable video coding stream in a wireless mobile network |
CN105679031A (zh) * | 2016-03-17 | 2016-06-15 | 福州大学 | 快速路养护施工区主动预警方法 |
CN105869230A (zh) * | 2016-04-15 | 2016-08-17 | 北京小米移动软件有限公司 | 视频数据的管理方法、装置、终端及服务器 |
CN108122048A (zh) * | 2017-11-23 | 2018-06-05 | 浙江专线宝网阔物联科技有限公司 | 一种运输路径调度方法及其*** |
Non-Patent Citations (1)
Title |
---|
田景文 高美娟: "《人工神经网络算法研究及应用》", 31 July 2006 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zimmer et al. | Learning fair policies in decentralized cooperative multi-agent reinforcement learning | |
CN106373397B (zh) | 基于模糊神经网络的遥感图像道路通行情况分析方法 | |
CN112613664B (zh) | 基于水上交通事故风险预测与评估的预警方法和*** | |
Liang et al. | Connection admission control in ATM networks using survey-based type-2 fuzzy logic systems | |
WO2021218235A1 (zh) | 一种道路交通拥堵预警方法及*** | |
CN101216998A (zh) | 基于模糊粗糙集的证据理论城市交通流信息融合方法 | |
CN107341447A (zh) | 一种基于深度卷积神经网络和证据k近邻的人脸核实方法 | |
CN106168799A (zh) | 一种基于大数据机器学习进行电动汽车电池预测性维护的方法 | |
US20230334981A1 (en) | Traffic flow forecasting method based on multi-mode dynamic residual graph convolution network | |
Dahal et al. | GA-based learning for rule identification in fuzzy neural networks | |
CN108053052A (zh) | 一种油罐车油气泄漏速度智能监测*** | |
CN111907523B (zh) | 一种基于模糊推理的车辆跟驰寻优控制方法 | |
CN107679764A (zh) | 一种集装箱港口集卡的动态调度方法 | |
CN107976934A (zh) | 一种基于无线传感器网络的油罐车油气泄漏速度智能预警*** | |
CN110286668A (zh) | 一种基于大数据的轨交信号***vim板卡故障预测方法 | |
CN114372680A (zh) | 一种基于工人流失预测的空间众包任务分配方法 | |
CN116090757A (zh) | 一种情报保障体系能力需求满足度评估方法 | |
Yager | Modeling uncertainty using partial information | |
Ma et al. | Short-term traffic flow prediction based on genetic artificial neural network and exponential smoothing | |
CN114444922A (zh) | 一种群体智能控制下的混合交通效能评估方法 | |
CN109784363A (zh) | 一种远程监控视频的传输方法及其传输装置 | |
Obiedat et al. | Using fuzzy c-means for weighting different fuzzy cognitive maps | |
Liu et al. | Synthesis of representative driving cycle for heavy duty vehicle based on markov chain and big data considering weight variation | |
CN115412332A (zh) | 基于混合神经网络模型优化的物联网入侵检测***及方法 | |
Petersohn | Assessment of clusteranalysis and self-organizing maps |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190521 |
|
RJ01 | Rejection of invention patent application after publication |