本发明公开了一种基于事件最优重组的保时序摘要视频生成方法和系统，将事件最优重组问题建立在保持事件之间的时序关系的基础之上，将事件重组的问题转换为迭代判断当前事件与已发生的事件之间的轨迹相关程度以及已发生事件的疏密程度的方式来解决。通过迭代最后得到事件重组后每个事件发生的时间点，选取适当的背景图像与事件特定时刻的目标图像进行拼接得到最终的摘要视频。该方法能够避免现行的动态视频摘要生成方法中不能完全包含原始视频中的

D2D 异构网络技术（即终端直通技术），不需要通过基站或核心网进行数据中转和处理，只需在移动终端之间建立通信链路即可直接传输数据，为突破上述技术瓶颈提供了一种新型的网络架构。目前，D2D 技术已被IMT-2020（5G）推进组确定为第5代移动通信系统的关键技术之一。然而，D2D 通信无线资源分配方面的研究，必须考虑能量效率和能量使用的优化。由于移动终端的电池容量有限，一旦忽视数据传输中对能量效率的优化，将使得数据传输由于能量枯竭而中断，重要信息无法及时传达，严重影响服务质量和用户体验。针对4G 智能手机的用户调查结果表明，只有不到25%的用户对手机续航时间表示满意，手机续航时间已经成为影响用户满意度和品牌忠诚度的关键因素之一。 　　课题组深入研究了频谱效率和能量效率之间的内在关联，其研究结果表明，在考虑实际电路功率损耗的情况下，频谱效率和能量效率不再是简单的单调递减关系，而是随着频谱效率的增加，能量效率呈现先单调递增后单调递减的特性。通过上述分析可以看出，如果一味追求高频谱效率和高吞吐量，将会带来移动终端能量效率的大幅度下降。因此，课题组针对D2D异构网络频谱资源复用的复杂场景，将针对能效最优的NP难联合资源分配问题转换为用户偏好下的随信道状态和干扰水平而动态变化的一对一匹配问题，并通过采用稳定匹配理论、非合作博弈理论、非线性优化理论来解决能效优化问题。研究结果表明，在保障QoS情况下，相比传统的高谱效资源分配方法，该方案可以将移动终端的功率消耗降低200%以上。，本项目的核心研究方向正是将节能减排战略方针落实到移动通信的基础研究领域中，与国家中长期科技发展方向和国际通信产业长期发展趋势相一致，将在技术、环境和经济等多个方面具有重要的研究意义和实用价值。 　　 课题组负责人周振宇自参加工作起即投入到异构网络资源分配、干扰协调、移动性管理、自组织组网等方面的研究工作中，作为项目负责人，先后主持了多项国家级、省部级科研项目，包括国家自然科学基金青年科学基金项目、北京市自然科学基金青年科学基金项目、北京市优秀人才计划项目等，积累了深厚的理论基础和丰富的研究经验。以 第 一 作 者 和 通 信 作 者 在 IEEE Transactions on Communications 、IEEE Transactions on Vehicular Technology、IEEE Transactions on Intelligent Transportation Systems、IEEE Transactions on Green Communications and Networking、IEEE Journal on Selected Areas in Communications、IEEE Transactions on Industrial Informatics等通信领域主流期刊发表论文30 余篇，在IEEE ICC、IEEE Globecom 等通信领域旗舰会议发表文章30 余篇，其中2 篇论文入选ESI 高被引论文。 　　其研究工作已被 Prof. Zhu Han（IEEE Fellow）、Prof. Weihua Zhuang（加拿大工程院院士、IEEE Fellow）、Prof. Sherman Shen（加拿大工程院院士、IEEE Fellow）、Prof. Vincent Poor（美国科学院院士、加拿大科学院院士、英国皇家科学院院士、IEEE Fellow）、Prof. Andreas Molisch（奥地利科学院院士、IEEE Fellow）、易芝玲教授（中国移动研究院首席科学家）以及JSAC、IEEE Transactions on Wireless Communications、IEEE Communications Magazine 等通信领域顶级期刊引用和正面评价。荣获IET Communications 最佳期刊论文奖（the IET Premium Award in 2017，每年在全球范围内仅选拔1 篇）、IEEE 通信协会绿色通信与计算专委会最佳论文奖（IEEE ComSoc Green Communications and Computing Technical Committee 2017 Best Paper Award，在IEEE Globecom 2017 会议上颁奖） 　　目前担任 IEEE Access、Transactions on Emerging Telecommunications Technologies、IEEE Communications Magazine 等国际学术期刊的编辑及客座编辑，担任IEEE ISADS’15 智能电网通信与网络技术专题研讨会联合主席，担任IEEE Globecom、IEEE ICC、IEEE WCNC、IEEE VTC、IEEE PIRMC、IEEE CCNC、IEEE APCC 等国际学术会议的技术委员会委员。在国际标准化方面，担任IEEE 异构网络授权/非授权频谱融合标委会工作组骨干成员（IEEE Standards Association, P1932.1 Working Group, “Licensed/Unlicensed Spectrum Interoperability in Wireless Mobile Networks”）。应邀在IEEE 车辆技术协会旗舰会议IEEE VTC’18 上作Tutorial 报告（报告题目：Internet of Vehicles: When SDN, Edge Computing and Big Data Meet Intelligent Transport Systems）。2016 年入选北京市委组织部“北京市优秀人才计划”，2017 年入选IEEE 高级会员（IEEE Senior Member）。 　　该研究由中国国家自然科学基金委项目61601180和61601181，中央高校基础研究基金资助项目2014MS08和2016MS17，日本学术振兴会JSPS KAKENHI 26730056， JP15K15976和JP16K00117以及JSPS A3 Foresight等项目资助。

本发明公开了双边LC网络的无线电能传输系统恒流输出的参数设置方法，属于无线电能传输的技术领域。该系统包括：高频全桥逆变电路、原边LC补偿网络、松耦合变压器、副边LC补偿网络、全桥整流滤波电路，通过调整原边补偿网络的LC参数使其输出负载所需的的恒流，通过调整副边补偿网络LC参数，使其同时实现电路近似零无功环流和开关器件的软开关，提高效率，减小器件应力。

本发明涉及一种基于神经网络的风电磁悬浮偏航系统悬浮控制方法，属电气工程技术领域。该方法采用含量化因子的神经网络控制策略，使磁悬浮偏航系统在受到随机干扰情况下，实现稳定悬浮控制：当需要偏航时，首先由悬浮控制器采用PID算法控制励磁电流，使悬浮物向上悬浮至并保持在悬浮平衡点处，得到稳态下外环PID控制器的比例、积分、微分系数参数；其次，悬浮控制器改用含量化因子的神经网络控制策略，获得外环PID控制器参数的调节量；然后由两者求得励磁电流参考值，减去实际值，经内环PID控制器，实时调整励磁电流，实现稳定悬浮。本发明自适应能力强、动态响应快、抗干扰能力强，可确保整个悬浮偏航过程系统性能实时最优。

大数据无线传输、智能驾驶车载雷达系统，第五代移动通信(5G)、物联网等。

高校科技成果尽在科转云

本发明公开了一种多径网络中基于链路时延控制的软负载均衡 方法。在此算法模型中，决定流量的最佳路径分配时，同时考虑了传 播时延和链路带宽，在无额外开销的基础上，一方面，可以实现最小 化最大链路端到端时延，减小接收端数据包重排序的等待时延；另一 方面，可以使各条链路的端到端时延差最小，因此减小了数据包时延 抖动，降低了数据包进行重排序的风险。数据包进行重排序的风险越 低、等待时延越小，数据包重排序进程带来的时延越小。因此，本发 明提出的算法模型不仅能减小端到端时延，还能减小数据包重排序进 程的时延，进而使得成功传输一个数据包的时延减小，优化多径网络 整体的吞吐量。

本发明公开了一种基于卷积神经网络的给水管网多点漏损定位方法，包括以下步骤：对供水管网压力数据进行采集，将采集的供水数据分为训练样本和测试样本；将各个样本归一化，归一化后的训练样本输入到卷积神经网络模型中进行训练，得到卷积神经网络模型，归一化后的测试样本对卷积神经网络模型进行测试，保存训练好的卷积神经网络模型；实时数据归一化后输入到训练好的卷积神经网络模型中，通过训练好的卷积神经网络模型来得到预测结果；将预测结果对比标签索引，判断漏损。本发明还公开一种基于卷积神经网络的给水管网多点漏损定位装置。本发明

本发明公开了一种基于卷积神经网络的城市轨道交通乘客拥挤程度检测方法，首先对待检测视频进行预处理，分段并提取运动残差图像，将原始图像与运动残差图像组合作为卷积神经网络算法的输入，建立至少包含一个卷积层和最大池化层的特征提取块，处理并计算原始图像和运动残差图像中包含的人群状态特征，再将人群状态特征和运动特征结合，构建至少包含一个卷积层、最大池化层和全连接层的特征融合块，进行融合处理，同时构建分类器，使用预制的带有拥挤程度标签的训练集对卷积神经网络进行训练，使分类器对待测视频中的乘客拥挤程度进行正确检测，更加全面的表征监控视频中的客流状况，实现拥挤程度的检测，提高了算法检测的准确率。