CN113095377B - 一种危险驾驶场景数据随机生成方法及*** - Google Patents
一种危险驾驶场景数据随机生成方法及*** Download PDFInfo
- Publication number
- CN113095377B CN113095377B CN202110324238.XA CN202110324238A CN113095377B CN 113095377 B CN113095377 B CN 113095377B CN 202110324238 A CN202110324238 A CN 202110324238A CN 113095377 B CN113095377 B CN 113095377B
- Authority
- CN
- China
- Prior art keywords
- dangerous driving
- data
- hidden
- driving scene
- network
- 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
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000005070 sampling Methods 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 11
- 206010039203 Road traffic accident Diseases 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000013135 deep learning Methods 0.000 claims description 7
- 230000001939 inductive effect Effects 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims 1
- 238000012360 testing method Methods 0.000 abstract description 12
- 238000005516 engineering process Methods 0.000 abstract description 6
- 210000005036 nerve Anatomy 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000000342 Monte Carlo simulation Methods 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种危险驾驶场景数据随机生成方法及***，利用变分自编码器输入即为输出的特性，将变分自编码器的解码器独立出来，通过在标准分布中采集随机数据来随机生成大量新的且符合原始数据概率分布的危险驾驶场景数据，解决了随机采样生成测试场景数据时误差较大且生成的数据量少的问题，实现了大量危险驾驶场景数据的快速准确生成，有利于提升自动驾驶测试技术的安全稳定性。
Description
技术领域
本发明涉及自动驾驶测试技术领域，特别是涉及一种危险驾驶场景数据随机生成方法及***。
背景技术
由于基于虚拟场景的自动驾驶测试技术的快速发展，因此，如何快速且准确地设计大量的危险驾驶测试场景并建立相应的场景库也愈发重要。目前，可以用于生成场景的方法主要包括以蒙特卡罗模拟法、快速搜索随机树为代表的基于随机采样的生成方法。然而，上述生成方法在生成测试场景数据时误差较大，并且不能一次性随机生成大量的危险测试场景数据。因此，亟需一种能够生成大量危险测试场景数据的方法及***。
发明内容
本发明的目的是提供一种危险驾驶场景数据随机生成方法及***，采用变分自编码器(VariationalAutoencode,VAE)随机生成大量新的而且符合原始数据概率分布的危险驾驶场景数据。
为实现上述目的，本发明提供了如下方案：
一种危险驾驶场景数据随机生成方法，所述方法包括：
获取诱发交通事故的危险驾驶场景属性，建立危险驾驶场景属性集；
基于Keras深度学习框架搭建VAE网络；
将所述危险驾驶场景属性集作为所述VAE网络的输入，结合反向传播算法对所述VAE网络进行训练优化，得到训练好的VAE网络；
提取所述训练好的VAE网络中的解码器，并从标准正态分布中采样若干随机数据，将所述随机数据输入所述解码器中，得到所述解码器输出的若干危险驾驶场景数据。
本发明还提供了一种危险驾驶场景数据随机生成***，所述***包括：
样本构建模块，用于获取诱发交通事故的危险驾驶场景属性，建立危险驾驶场景属性集；
网络搭建模块，用于基于Keras深度学习框架搭建VAE网络；
网络训练模块，用于将所述危险驾驶场景属性集作为所述VAE网络的输入，结合反向传播算法对所述VAE网络进行训练优化，得到训练好的VAE网络；
数据生成模块，用于提取所述训练好的VAE网络中的解码器，并从标准正态分布中采样若干随机数据，将所述随机数据输入所述解码器中，得到所述解码器随机输出的若干危险驾驶场景数据。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明提供了一种危险驾驶场景数据随机生成方法及***，利用变分自编码器输入即为输出的特性，将变分自编码器的解码器独立出来，通过在标准正态分布中采集随机数据来随机生成大量新的且符合原始数据概率分布的危险驾驶场景数据，解决了随机采样生成测试场景数据时误差较大且生成的数据量少的问题，实现了大量危险驾驶场景数据的快速准确生成，有利于提升自动驾驶测试技术的安全稳定。并且通过选取合适的超参数对VAE网络的参数进行训练优化，进一步提高了危险驾驶场景数据随机生成的准确度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种危险驾驶场景数据随机生成方法流程图；
图2为本发明实施例提供的VAE网络中编码器结构图；
图3为本发明实施例提供的VAE网络中解码器结构图；
图4为本发明实施例提供的VAE网络训练优化示意图；
图5为本发明实施例提供的一种危险驾驶场景数据随机生成***框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种危险驾驶场景数据随机生成方法及***，借鉴变分自编码器在化学分子自动生成技术中的应用，利用变分自编码器随机生成大量新的而且符合原始数据概率分布的危险驾驶场景数据。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1
如图1所示，本实施例提供了一种危险驾驶场景数据随机生成方法，所述方法包括：
步骤101：获取诱发交通事故的危险驾驶场景属性，建立危险驾驶场景属性集；
步骤102：基于Keras深度学习框架搭建VAE网络；
步骤103：将所述危险驾驶场景属性集作为所述VAE网络的输入，结合反向传播算法对所述VAE网络进行训练优化，拟合危险驾驶场景的概率分布，得到训练好的VAE网络；
步骤104：提取所述训练好的VAE网络中的解码器，并从标准正态分布中采样若干随机数据，将所述随机数据输入所述解码器中，得到所述解码器输出的若干随机的危险驾驶场景数据。
在步骤101中，获取诱发车辆发生交通事故的危险驾驶场景属性时，根据对交通事故场景的分析，本实施例中将危险驾驶场景分为17个因素，每个因素包含相应的危险驾驶场景属性。每条危险驾驶场景由每个因素随机产生的危险驾驶场景属性组成。采用英文字母来对各个要素数据进行标注，分别使用“A,C,E,…”来表示道路线形、路口类型、路面状态等因素；同时，使用“1，2，3…n”表示每个因素所包含的不同属性，n为各个因素所含属性的个数。危险驾驶场景属性的具体表示如表1所示。
表1危险驾驶场景属性的表示
为了使运算更加流畅便捷，还可对危险驾驶场景属性集中的数据进行预处理，利用One-hot编码对数据进行预处理，使其符合VAE网络的输入数据格式。由于每条危险驾驶场景是由17个因素随机产生的危险驾驶场景属性组成，因此可以单独对每个因素的属性进行one-hot编码，例如道路线形含有6个属性，其中平面直线A1的one-hot编码如下所示：
| 1 | 0 | 0 | 0 | 0 | 0 |
最后，将17个因素的属性的one-hot编码拼接在一起，其中，一个属性占一个位。最终得到含有90维的数据作为VAE网络的输入数据。
在完成危险驾驶场景属性集的采集处理后，需要搭建VAE网络。本实施例中基于Keras深度学习框架设计与训练VAE。VAE网络的设计包括编码器和解码器的设计，编码器用于将所述危险驾驶场景属性集编码成符合先验分布的隐变量，所述解码器用于将所述隐变量解码成为危险驾驶场景属性集。
其中，编码器网络包括输入层、含有三个全连接层的隐藏层、一个输出层，其具体结构如图2所示。其输入层包含90个神经单元，作为危险驾驶场景数据的输入，即90维危险驾驶场景属性的数据输入；第一个隐藏层包含512个神经单元，用于连接输入层和第二、第三个隐藏层；第二个隐藏层包含17个神经单元，用于输出隐变量的均值μ；第三个隐藏层包含17个神经单元，用于输出隐变量的均方差σ。其中，第二与第三个隐藏层为并列关系，其输入都是第一个隐藏层的输出；输出层是包含17个神经单元的一个自定义的网络层，用于输出经过重参数化的隐变量z。
因此，编码器通过输入层输入危险驾驶属性数据，通过第一隐藏层和第二隐藏层根据所述危险驾驶属性数据得到隐变量并计算得到隐变量的均值，通过第一隐藏层和第三隐藏层根据所述危险驾驶属性数据得到隐变量并计算得到隐变量的方差，通过输出层输出隐变量及所述隐变量的均值与方差，实现了将所述危险驾驶场景属性集编码成符合先验分布的隐变量。
解码器网络包括输入层、一个隐藏层、输出层，其具体网络结构如图3所示。输入层包含17个神经单元，可以传输编码器输出的隐变量；隐藏层是包含512个神经单元的全连接层；用于连接输入层和输出层；输出层是包含90个神经单元的全连接层，用于输出危险驾驶场景数据。
解码器通过输入层输入编码器输出的隐变量，通过第四隐藏层将所述隐变量转换为危险驾驶属性数据，通过输出层将所述危险驾驶属性数据进行输出，实现了将所述隐变量解码成为危险驾驶场景属性集。
构建完成VAE网络后，还需要对VAE网络进行训练优化。如图4所示，本实施例通过选取合适的超参数来完成对VAE网络的训练。引入符合正态分布的随机变量更新所述VAE网络的隐变量表达式，根据新的隐变量表达式采用adam优化器对所述VAE网络进行迭代训练。
具体的，将经过预处理的危险驾驶场景数据作为VAE网络的输入，并以最大化样本似然函数的证据下界(Evidence LowerBound,ELBO)为损失函数，损失函数包括logp(x|z；θ)关于q(z|x；φ)的均值和q(z|x；φ)与p(z；θ)的KL散度。如下所示：
max ELBO(q,x；θ,φ)＝Eq(z|x；φ)[log p(x|z；θ)]-KL(q(z|x；φ)||p(z；θ)))
其中，q为隐变量的先验分布，x为危险驾驶场景样本，z为隐变量，θ为解码器网络参数，φ为编码器参数，Eq(z|x；φ)[log p(x|z；θ)]表示损失函数的重构项，KL(q(z|x；φ)||p(z；θ))表示损失函数的正则项。q(z|x；φ)表示在样本条件下z的条件分布，p(z；θ)表示隐变量的先验分布。
其中，第一项，期望的计算一般可以根据MCMC(Markov ChainMonte Carlo,马尔科夫链蒙特卡洛方法)方法计算，但是，由于随机采样将导致梯度无法进行反向传播，因此VAE采用重参数技巧。通过引入一个随机变量ε～N(0，I)使z＝μ+σ2*ε，其中μ和σ为编码器输出隐变量的均值和均方差。进而使网络可以采用反向传播算法优化编码器和解码器的参数。因此logp(x|z；θ)关于q(z|x；φ)的均值改写为：
Eq(z|x；φ)[log p(x|z；θ)]＝Eε～N(0,I)[log p(x|g(ε,φ)；θ)]
第二项，假设p(z；θ)～N(0，I)，则q(z|x；φ)与p(z；θ)的KL散度可以直接计算，其结果如下所示：
KL(q(z|x；φ)||p(z；θ)))＝1/2(tr(σ2I)+μTμ-d-log(|σ2I|))
其中，x为危险驾驶场景样本，z为隐变量，θ为解码器网络参数，为编码器参数，μ和σ为编码器输出隐变量的均值和均方差，tr()是矩阵的迹，I是单位矩阵，||是矩阵的行列式，d是z的维度。
根据需要选择迭代优化训练的参数对VAE网络进行优化，本实施例具体按照最小批次数为128，隐变量的维数为17维，网络迭代训练300次后得到损失函数最小的参数作为VAE网络训练好的参数。
将训练好的解码器独立出来，并从多维正态标准高斯分布中采样5000个多维随机数据，将其作为解码器的输入，解码器因此可以输出5000个危险驾驶场景数据，生成的数据含有大量新的危险驾驶场景数据，并且新数据符合原始数据集的概率分布。
本实施例借鉴了变分自编码器在化学分子自动生成技术中的应用，利用变分自编码器输入即为输出的特性，在得到训练好的VAE网络后，将网络的解码器独立出来，通过对符合正态分布的随机数据进行采样作为解码器的输入，来随机生成大量新的且符合原始数据概率分布的危险驾驶场景数据。本实施例利用危险驾驶场景数据符合固定但未知的分布规律，创造性的将该规律与变分自编码器相结合，无形中对生成的新的危险驾驶场景数据的数据分布进行了约束，提高了新生成的危险驾驶场景数据与真实的危险驾驶场景数据的拟合程度，从而实现了大量危险驾驶场景数据的准确生成，有利于虚拟场景的自动驾驶测试技术的发现，提高了危险驾驶测试的安全可靠性。
实施例2
本实施例提供了一种危险驾驶场景数据随机生成***，如图5所示，所述***包括：
样本构建模块M1，用于获取诱发交通事故的危险驾驶场景属性，建立危险驾驶场景属性集；
网络搭建模块M2，用于基于Keras深度学习框架搭建VAE网络；
网络训练模块M3，用于将所述危险驾驶场景属性集作为所述VAE网络的输入，结合反向传播算法对所述VAE网络进行训练优化，得到训练好的VAE网络；
数据生成模块M4，用于提取所述训练好的VAE网络中的解码器，并从标准正态分布中采样若干随机数据，将所述随机数据输入所述解码器中，得到所述解码器输出的若干危险驾驶场景数据。
本说明书中每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的***而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
Claims (3)
1.一种危险驾驶场景数据随机生成方法，其特征在于，所述方法包括：
获取诱发交通事故的危险驾驶场景属性，建立危险驾驶场景属性集；
基于Keras深度学习框架搭建VAE网络；
所述VAE网络包括编码器与解码器，所述编码器用于将所述危险驾驶场景属性集编码成符合先验分布的隐变量，所述解码器用于将所述隐变量解码成为危险驾驶场景属性集；
将所述危险驾驶场景属性集编码成符合先验分布的隐变量包括：
通过输入层输入危险驾驶属性数据；
通过第一隐藏层和第二隐藏层根据所述危险驾驶属性数据得到隐变量并计算得到隐变量的均值；
通过所述第一隐藏层和第三隐藏层根据所述危险驾驶属性数据得到隐变量计算得到隐变量的方差；
根据重参数技巧通过输出层输出隐变量；
所述将所述隐变量解码成为危险驾驶场景属性集包括：
通过输入层输入编码器输出的隐变量；
通过第四隐藏层将所述隐变量转换为危险驾驶属性数据；
通过输出层将所述危险驾驶属性数据进行输出；
将所述危险驾驶场景属性集作为所述VAE网络的输入，结合反向传播算法对所述VAE网络进行训练优化，得到训练好的VAE网络；
所述结合反向传播算法对所述VAE网络进行训练优化包括：
引入随机变量更新所述VAE网络的隐变量表达式，根据新的隐变量表达式采用adam优化器对所述VAE网络进行迭代训练；所述随机变量为符合正态分布的随机变量；
所述采用adam优化器对所述VAE网络进行迭代训练包括：
设定所述VAE网络的损失函数；
采用反向传播算法迭代优化所述VAE网络的参数，选择所述损失函数最小时对应的参数作为优化好的参数；
所述损失函数为：
max ELB0(q,x；θ,φ)＝Eq(z|x；φ)[logp(x|z；θ)]-KL(q(z|x；φ)||p(z；θ))
其中，q为隐变量的先验分布，x为危险驾驶场景样本，z为隐变量，θ为解码器网络参数，φ为编码器参数，Eq(z|x；φ)[logp(x|z；θ)]表示损失函数的重构项，KL(q(z|x；φ)||p(z；θ))表示损失函数的正则项；q(z|x；φ)表示在样本条件下隐变量z的条件分布，p(z；θ)表示隐变量的先验分布；
更新所述VAE网络的隐变量表达式为z＝μ+σ2*ε；
其中，z表示隐变量，μ表示隐变量的均值，σ2表示隐变量的方差，ε为随机变量，ε～N(0，1)；
提取所述训练好的VAE网络中的解码器，并从标准正态分布中采样若干随机数据，将所述随机数据输入所述解码器中，得到所述解码器输出的若干危险驾驶场景数据。
2.根据权利要求1所述的一种危险驾驶场景数据随机生成方法，其特征在于，所述建立危险驾驶场景属性集后，还包括利用One-hot编码对所述危险驾驶场景属性集中的属性数据进行预处理。
3.基于权利要求1-2所述任意一项的用于实现危险驾驶场景数据随机生成方法的随机生成***，其特征在于，所述***包括：
样本构建模块，用于获取诱发交通事故的危险驾驶场景属性，建立危险驾驶场景属性集；
网络搭建模块，用于基于Keras深度学习框架搭建VAE网络；
网络训练模块，用于将所述危险驾驶场景属性集作为所述VAE网络的输入，结合反向传播对所述VAE网络进行训练优化，得到训练好的VAE网络；
数据生成模块，用于提取所述训练好的VAE网络中的解码器，并从标准正态分布中采样若干随机数据，将所述随机数据输入所述解码器中，得到所述解码器输出的若干危险驾驶场景数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110324238.XA CN113095377B (zh) | 2021-03-26 | 2021-03-26 | 一种危险驾驶场景数据随机生成方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110324238.XA CN113095377B (zh) | 2021-03-26 | 2021-03-26 | 一种危险驾驶场景数据随机生成方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113095377A CN113095377A (zh) | 2021-07-09 |
| CN113095377B true CN113095377B (zh) | 2024-06-14 |
Family
ID=76669761
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110324238.XA Active CN113095377B (zh) | 2021-03-26 | 2021-03-26 | 一种危险驾驶场景数据随机生成方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113095377B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115240409B (zh) * | 2022-06-17 | 2024-02-06 | 上智联(上海)智能科技有限公司 | 一种基于驾驶员模型和交通流模型提取危险场景的方法 |
| CN115563020B (zh) * | 2022-12-05 | 2023-03-28 | 深圳慧拓无限科技有限公司 | 危险测试场景的生成方法及***、电子设备、存储介质 |
Family Cites Families (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106611169B (zh) * | 2016-12-31 | 2018-10-23 | 中国科学技术大学 | 一种基于深度学习的危险驾驶行为实时检测方法 |
| US10679129B2 (en) * | 2017-09-28 | 2020-06-09 | D5Ai Llc | Stochastic categorical autoencoder network |
| CA3061745A1 (en) * | 2018-11-16 | 2020-05-16 | Royal Bank Of Canada | System and method for generative model for stochastic point processes |
| US11587646B2 (en) * | 2018-12-03 | 2023-02-21 | Battelle Memorial Institute | Method for simultaneous characterization and expansion of reference libraries for small molecule identification |
| CN109886388B (zh) * | 2019-01-09 | 2024-03-22 | 平安科技（深圳）有限公司 | 一种基于变分自编码器的训练样本数据扩充方法和装置 |
| US12007980B2 (en) * | 2019-01-17 | 2024-06-11 | The Boston Consulting Group, Inc. | AI-driven transaction management system |
| WO2020158217A1 (ja) * | 2019-02-01 | 2020-08-06 | ソニー株式会社 | 情報処理装置、情報処理方法及び情報処理プログラム |
| CN110070139B (zh) * | 2019-04-28 | 2021-10-19 | 吉林大学 | 面向自动驾驶环境感知的小样本在环学习***和方法 |
| CN112036001B (zh) * | 2020-07-01 | 2024-04-23 | 长安大学 | 自动驾驶测试场景构建方法、装置、设备及可读存储介质 |
| CN112270470B (zh) * | 2020-10-23 | 2023-12-05 | 中国科学院电工研究所 | 一种危险驾驶场景数据分析方法及*** |
-
2021
- 2021-03-26 CN CN202110324238.XA patent/CN113095377B/zh active Active
Non-Patent Citations (2)
| Title |
|---|
| "Deep learning in bioinformatics: Introduction, application, and perspective in the big data era";Li, Y等;《ACADEMIC PRESS INC ELSEVIER SCIENCE》;20190815;全文 * |
| 风电和光伏随机场景生成的条件变分自动编码器方法;王守相;陈海文;李小平;舒欣;;电网技术;20180605(06);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113095377A (zh) | 2021-07-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109635511B (zh) | 一种基于条件生成对抗网络的高层居住区强排方案生成设计方法 | |
| CN113095377B (zh) | 一种危险驾驶场景数据随机生成方法及*** | |
| CN108399428B (zh) | 一种基于迹比准则的三元组损失函数设计方法 | |
| CN107506822B (zh) | 一种基于空间融合池化的深度神经网络方法 | |
| CN104866578B (zh) | 一种不完整物联网数据混合填充方法 | |
| CN107391495B (zh) | 一种双语平行语料的句对齐方法 | |
| CN111898364A (zh) | 神经网络关系抽取方法、计算机设备及可读存储介质 | |
| CN111444298A (zh) | 一种基于兴趣点知识图谱预训练的地址匹配算法 | |
| CN111709244A (zh) | 一种用于矛盾纠纷事件因果关系识别的深度学习方法 | |
| CN113657480B (zh) | 一种基于特征融合网络模型的服装解析方法 | |
| CN116698890A (zh) | 一种基于条件变分自编码器的变孔隙度数字岩心建模方法 | |
| CN114357195A (zh) | 基于知识图谱的问答对生成方法、装置、设备及介质 | |
| Fu et al. | Probing parton distribution functions at large x via Drell-Yan forward-backward asymmetry | |
| CN113313700A (zh) | 一种基于深度学习的x射线图像交互式分割方法 | |
| CN115455315B (zh) | 一种基于对比学习的地址匹配模型训练方法 | |
| CN116628626A (zh) | 基于特征交叉融合的短时强降水分型方法 | |
| CN116776420A (zh) | 基于深度学习的稳态扩散模型的建筑设计方法及*** | |
| CN113468865B (zh) | 基于深度学习的地铁设计领域规范的实体间关系抽取方法 | |
| CN114818548A (zh) | 一种基于卷积生成对抗网络的含水层参数场反演方法 | |
| CN113553844B (zh) | 一种基于前缀树特征与卷积神经网络的领域识别方法 | |
| EP4002230A1 (en) | Information processing apparatus and information processing method | |
| CN112287005B (zh) | 一种数据处理方法、装置、服务器及介质 | |
| CN114118058A (zh) | 基于句法特征和注意力机制相融合的情感分析***及方法 | |
| CN113780358A (zh) | 一种基于无锚网络的实时金具检测方法 | |
| CN116842073B (zh) | 图数据的挖掘方法、装置和电子设备 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |