公开(公告)号：CN118588087A

公开(公告)日：2024-09-03

申请号：CN202410734797.1

申请日：2024-06-07

Applicant: 重庆邮电大学

Inventor： 胡章芳 ,  王燚 ,  袁远

IPC: G10L17/02 ,  G10L17/04 ,  G10L25/24

Abstract: 本发明请求保护一种基于融合特征降维的Fca‑ProRes2Net说话人识别方法，包括步骤：S1，将语音信号进行预处理，得到适合提取说话人特征的语音信号，并将MFCC、GFCC以及它们的动态特征参数构成一种新的混合参数，该特征参数囊括了中高频以及动静态特征；S2，利用2DPCA对特征矩阵降维整合得到MMGFCC；S3，采用多尺度全连接的Res2Net网络来获取更大范围的感受野；S4，在主干网络ProRes2Net中加入频率域通道注意力网络:FcaNet，引入更多的频率分量信息；S5，运用Softmax函数对输出结果进行分类处理，之后使用交叉熵损失函数来寻求最优权重参数，最终得到优化的说话人识别模型。本发明可以有效地提取出表征能力强的特征参数并能高效地识别，提高了识别能力和泛化能力。

公开(公告)号：CN119577263A

公开(公告)日：2025-03-07

申请号：CN202411608807.3

申请日：2024-11-12

Applicant: 重庆邮电大学

Inventor： 陈乔松 ,  王燚 ,  肖双旺 ,  唐昌田

IPC: G06F16/9537 ,  G06F18/2131 ,  G06F18/25 ,  G06F18/10 ,  G06F18/2415 ,  G06F18/214 ,  G06N3/045 ,  G06N3/0442 ,  G06N3/084 ,  G06N3/088

Abstract: 本发明提出一种基于频域调制和对比学习的序列推荐方法。本发明针对的是序列推荐中数据存在大量噪声和数据稀疏以及现有模型预测平滑的问题。所述方法包括：一方面，将用户序列通过嵌入层，利用绝对位置编码引入位置信息，再通过多头自注意力网络提取序列中用户的长期依赖得到新的嵌入Eattention。另一方面，将用户初始嵌入通过感应偏置网络进行频域调制。通过傅里叶变化及其逆变化，捕获用户数据中高通分量和低通分量，将其动态融合得到Et。最后通过自适应融合，将Eattention和Et融合。此外，在模型训练过程中，本发明引入了对比学习思想，将Eattention和Et视作同一样本的不同增强视图，提高了模型的泛化能力。

公开(公告)号：CN119577083A

公开(公告)日：2025-03-07

申请号：CN202411608814.3

申请日：2024-11-12

Applicant: 重庆邮电大学

Inventor： 陈乔松 ,  唐昌田 ,  肖双旺 ,  王燚

IPC: G06F16/3329 ,  G06F16/332 ,  G06F16/335 ,  G06F40/35 ,  G06N3/0455 ,  G06N3/0442 ,  G06N3/0985

Abstract: 本发明提出了一种基于多意图感知和双重门控的会话推荐方法。所述方法包括：首先，捕捉会话的位置信息来区分顺序，频率信息来表示会话的重要性。随后，将会话嵌入、位置嵌入、频率嵌入输进双门控机制层，通过双层门控机制将用户嵌入与用户行为嵌入相结合，突出了用户行为的重要性。然后使用双向自注意层自注意生成与每个项目相关的会话信息的多个上下文化表示，通过高速网路来强调用户意图嵌入，防止上下文过度相似，在一定程度上提取出会话中用户的不同意图。然而，并不是所有的会话项目都是必要的，有些可能是嘈杂的，我们计算了多个表示的重要性，提取重要的用户意图。最后我们采用最大池化和平均池化聚合项目分布得到最终的输出。本发明可以有效去除用户随机行为产生的噪声数据对模型最终的预测产生误导的问题以及从会话中提取出用户的多种意图。

公开(公告)号：CN119479288A

公开(公告)日：2025-02-18

申请号：CN202411608791.6

申请日：2024-11-12

Applicant: 重庆邮电大学

Inventor： 陈乔松 ,  肖双旺 ,  唐昌田 ,  王燚

IPC: G08G1/01 ,  G06N3/0464 ,  G06N3/045 ,  G06N3/08

Abstract: 本发明提出了一种基于时空分解和注意力机制的交通流量预测方法。该方法包括以下步骤：首先，通过傅里叶变换及其逆变换，将原始交通流量数据分解为低频的趋势项和高频的事件项，并引入时间嵌入信息以增强时序特征的表达能力。其次，针对趋势项，利用时间卷积、时间注意力模块以及趋势类别学习模块，构建趋势处理分支，重点提取单个节点的趋势信息。针对事件项，采用时间卷积和多时间片空间注意力门控模块，构建事件处理分支，侧重捕捉不同节点之间的事件影响和空间依赖性。最后，通过自适应融合模块，将趋势项和事件项的特征进行加权融合，得到更为准确和鲁棒的交通流量预测结果。该方法在有效处理时空信息的同时，能够提升预测精度，适用于复杂交通场景下的流量预测。

公开(公告)号：CN118628765A

公开(公告)日：2024-09-10

申请号：CN202410794241.1

申请日：2024-06-19

Applicant: 重庆邮电大学

Inventor： 胡章芳 ,  袁远 ,  王燚 ,  王博琨

IPC: G06V10/62 ,  G06V10/44 ,  G06V10/46 ,  G06V10/52 ,  G06V10/54 ,  G06V10/80 ,  G06V10/28 ,  G06V10/764 ,  G06V10/766 ,  G06V20/40 ,  G06N3/0464 ,  G06N3/0455 ,  G06N3/048

Abstract: 本发明公开了一种基于孪生网络融合LBP与注意力的多特征目标跟踪方法，该方法包括步骤：S1，提出了一种融合LBP特征的孪生网络；S2，在预处理后先对视频帧进行LBP特征提取，再将局部二值模式图送进孪生网络中进行训练，进而对目标进行浅深层特征提取；S3，在网络的每个特征层后引入协调注意力模块，将通道和空间坐标信息整合到生成的注意力图中；S4，将浅层网络提取出的信息与深层提取出的网络信息进行融合，再经过RPN进行训练；S5，利用SiamRPN两个分支进行相关运算，得到最终的分类分支和回归分支的输出，从而完成对目标物体的跟踪。本发明解决目前孪生网络在目标追踪上的缺陷，有效地缓解了位置信息丢失的问题，提高了孪生网络的追踪准确率和鲁棒性。