-
公开(公告)号：CN109086557B
公开(公告)日：2022-05-24
申请号：CN201811121052.9
申请日：2018-09-26
Applicant: 华南理工大学 , 佛山市顺德致可智能科技有限公司
Abstract: 本发明涉及一种基于欧拉型离散周期节律神经网络的冗余度机械臂重复运动规划方法，包括如下步骤：1)采用二次型优化在角加速度层上对机械臂的逆运动学解析，设计了角加速度雅可比等式；2)角速度范数等价为角加速度范数，建立标准二次规划方案；3)通过欧拉前向微分法离散化周期节律神经网络，得到欧拉型离散周期节律神经网络求解器并用其进行求解标准二次规划方案；4)将求解结果通过控制器驱动各关节电机使机械臂由初始位置开始进行重复运动规划。本发明在使用欧拉型离散周期节律神经网络实现控制冗余度机械臂的重复运动规划，且欧拉型离散周期节律神经网络更容易在硬件中实现抑制周期噪声。
-
公开(公告)号：CN109129487B
公开(公告)日：2021-05-11
申请号：CN201811121035.5
申请日：2018-09-26
Applicant: 华南理工大学 , 佛山市顺德致可智能科技有限公司
IPC: B25J9/16
Abstract: 本发明涉及在周期噪声下基于泰勒型离散周期节律神经网络的冗余度机械臂重复运动规划方法，其包括：1)采用二次型优化在角加速度层上对机械臂的逆运动学解析，设计了角加速度雅可比等式；2)角速度范数等价为角加速度范数，建立标准二次规划方案；3)通过泰勒微分法离散化周期节律神经网络，得到泰勒型离散周期节律神经网络求解器并用其进行求解标准二次规划法案；4)将求解结果通过控制器驱动各关节电机使机械臂由初始位置开始进行重复运动规划。本发明实现了机械臂实际轨迹与期望路径的重合，使得机械臂能够重复运动规划，并且本发明成功的离散化了周期节律神经网络，使其更容易在硬件中得以实现，并且在硬件中实现了周期噪声的抑制。
-
公开(公告)号：CN109129486A
公开(公告)日：2019-01-04
申请号：CN201811120185.4
申请日：2018-09-26
Applicant: 华南理工大学 , 佛山市顺德致可智能科技有限公司
IPC: B25J9/16
CPC classification number: B25J9/1664 , B25J9/1605
Abstract: 本发明提供了一种抑制周期噪声的冗余度机械臂重复运动规划方法，包括如下步骤：1)采用二次型优化在角加速度层上对机械臂的逆运动学解析，设计的最小性能指标可为角速度范数、扭矩范数，受约束于带角速度和位置反馈的角加速度雅可比等式；2)进行角速度指标与角加速度指标的等价变换，将步骤1)的二次型优化转化为标准二次规划；3)将步骤2)的标准二次规划用周期节律神经网络经网络求解器进行求解；4)将步骤3)的求解结果驱动机械臂运动。本发明在使用基于二次规划的周期节律神经网络实现控制冗余度机械臂的重复运动规划，有效防止了周期噪声的干扰，实现了机械臂实际轨迹与期望路径的重合，使得机械臂能够重复运动规划。
-
公开(公告)号：CN109086557A
公开(公告)日：2018-12-25
申请号：CN201811121052.9
申请日：2018-09-26
Applicant: 华南理工大学 , 佛山市顺德致可智能科技有限公司
Abstract: 本发明涉及一种基于欧拉型离散周期节律神经网络的冗余度机械臂重复运动规划方法，包括如下步骤：1)采用二次型优化在角加速度层上对机械臂的逆运动学解析，设计了角加速度雅可比等式；2)角速度范数等价为角加速度范数，建立标准二次规划方案；3)通过欧拉前向微分法离散化周期节律神经网络，得到欧拉型离散周期节律神经网络求解器并用其进行求解标准二次规划方案；4)将求解结果通过控制器驱动各关节电机使机械臂由初始位置开始进行重复运动规划。本发明在使用欧拉型离散周期节律神经网络实现控制冗余度机械臂的重复运动规划，且欧拉型离散周期节律神经网络更容易在硬件中实现抑制周期噪声。
-
公开(公告)号：CN106651423A
公开(公告)日：2017-05-10
申请号：CN201610860105.3
申请日：2016-09-28
Applicant: 华南理工大学
IPC: G06Q30/02
CPC classification number: G06Q30/0242 , G06Q30/0248
Abstract: 本发明提供一种移动应用广告投放的质量评分方法，包括以下步骤：步骤1、根据移动应用广告日志对移动应用广告用户进行分类，对不同类型的移动应用广告用户分别计算移动应用广告用户的可信度；步骤2、根据所述移动应用广告用户的可信度，并将移动应用广告用户对移动应用的影响度作为权重因子，计算得到所述移动应用的广告投放的质量评分。本发明具有可以有效地提升移动应用的广告欺诈识别能力等优点。
-
Patent Agency Ranking
公开(公告)号：CN106326483A
公开(公告)日：2017-01-11
申请号：CN201610798790.1
申请日：2016-08-31
Applicant: 华南理工大学
CPC classification number: G06F16/24575 , G06F16/244 , G06F16/35 , G06F16/9535 , G06Q30/0218
Abstract: 本发明公开了一种用户上下文信息聚合的协同推荐方法，包括根据用户行为日志和上下文信息构建用户-物品评分矩阵和用户-特征矩阵；利用相似性计算方法计算用户的评分相似性和特征相似性；根据评分相似性和特征相似性，计算用户之间的聚合相似性，通过个性化相似性聚合计算方法得到近邻用户；根据近邻用户对物品的评分和聚合相似性，预测用户对所有未评分物品的评分，选取预测评分最高的N个物品为用户的推荐候选物品集，从候选物品集选择物品进行推荐。本发明可以有效地提升个性化协同推荐的准确性。
-
公开(公告)号：CN107025277B
公开(公告)日：2019-08-20
申请号：CN201710186671.5
申请日：2017-03-27
Applicant: 华南理工大学
IPC: G06F16/9535 , G06Q30/02
Abstract: 本发明公开了一种用户隐式反馈的量化评分方法，包括步骤：收集用户对物品的操作行为信息，得到用户对物品的隐式反馈；统计用户对物品的隐式反馈信息，计算每类隐式反馈行为的显著性系数及该隐式反馈行为的转化率，得到各类隐式反馈行为的初级评分；以用户为单位得到用户的隐式反馈集合，根据初级评分，对用户的隐式反馈集合中的物品进行降序排序，得到排序序列；利用评分学习模型计算排序序列中各序列位置所对应的物品的评分值，得到用户‑物品的隐式反馈量化评分。本发明将各种类型的用户隐式反馈信息转化成用户对物品的评分信息，为各种具有用户隐式反馈信息的个性化推荐场景提出了一种高质量的用户隐式反馈量化评分方法。
-
公开(公告)号：CN109129487A
公开(公告)日：2019-01-04
申请号：CN201811121035.5
申请日：2018-09-26
Applicant: 华南理工大学 , 佛山市顺德致可智能科技有限公司
IPC: B25J9/16
CPC classification number: B25J9/1643 , B25J9/163 , B25J9/1633 , B25J9/1664
Abstract: 本发明涉及在周期噪声下基于泰勒型离散周期节律神经网络的冗余度机械臂重复运动规划方法，其包括：1)采用二次型优化在角加速度层上对机械臂的逆运动学解析，设计了角加速度雅可比等式；2)角速度范数等价为角加速度范数，建立标准二次规划方案；3)通过泰勒微分法离散化周期节律神经网络，得到泰勒型离散周期节律神经网络求解器并用其进行求解标准二次规划法案；4)将求解结果通过控制器驱动各关节电机使机械臂由初始位置开始进行重复运动规划。本发明实现了机械臂实际轨迹与期望路径的重合，使得机械臂能够重复运动规划，并且本发明成功的离散化了周期节律神经网络，使其更容易在硬件中得以实现，并且在硬件中实现了周期噪声的抑制。
-
公开(公告)号：CN106951436A
公开(公告)日：2017-07-14
申请号：CN201710070955.8
申请日：2017-02-09
Applicant: 华南理工大学
CPC classification number: G06F16/9535 , G06Q30/0201 , G06Q30/0202
Abstract: 本发明公开了一种基于移动情境的大规模在线推荐方法，步骤包括：收集用户情境信息并进行行为偏好分析，得到用户行为偏好信息；将用户客户端信息、用户特征信息、用户历史行为信息以及用户行为偏好信息分为动态特征和非动态特征两类情境信息；由非动态特征，得到用户的非动态特征向量，并进行用户聚类，得到若干个用户类；计算非动态特征相似性，找到非动态特征相似性最大的所属聚类中心，并将所属聚类中心对应的聚类中的所有其余用户作为目标用户的粗选近邻用户；在粗选近邻用户中计算并得到精选近邻用户；根据精选近邻用户，确定目标用户的前N个推荐物品。本发明在有效地降低了移动推荐系统在线计算量的同时，还保持个性化推荐的高准确性。
-
公开(公告)号：CN117373111A
公开(公告)日：2024-01-09
申请号：CN202311180607.8
申请日：2023-09-13
Applicant: 华南理工大学
IPC: G06V40/20 , G06V40/10 , G06V10/44 , G06N3/0464 , G06N3/0455 , G06N3/08
Abstract: 本发明公开了一种基于AutoHOINet的人‑物交互检测方法，包括以下步骤：从待检测图像中获得其视觉模态向量；通过候选图像构建模块，提取待检测图像中的人物对象和物体对象，并对其进行重构，生成候选图像；利用人物潜在关系挖掘模块，进行人物关联分析和潜在关系挖掘，发现人物对象和物体对象之间各种潜在交互关系；借助人物关系推理模块，从潜在关系中筛选出目标关系，生成伪标签，指导HOI模型的学习过程；最后利用生成的伪标签，引导HOI模型的学习，从而实现对人物交互的检测。本发明能够在无需使用人工标注的HOI标签数据和弱监督情况下，在两个基准数据集上均优于当前使用图像级交互标签的弱监督HOI模型。
-
-
-
-
-
-
-
-
-
Search Results
14
records
(took 0.024 seconds)
