-
公开(公告)号：CN106295717B
公开(公告)日：2019-07-12
申请号：CN201610767234.8
申请日：2016-08-30
Applicant: 南京理工大学
IPC: G06K9/62
Abstract: 本发明公开了一种基于稀疏表示和机器学习的西洋乐器分类方法，包括如下步骤：步骤1：构建适用于西洋乐器稀疏表示的字典库；步骤2：对西洋乐器原始音频文件进行预处理，分帧加窗，提取每帧音频在基于所构建字典库表示下的稀疏系数；步骤3：将每帧音频稀疏表示系数作为西洋乐器的音乐特征输入深度神经网络，逐层预训练深度神经网络模型，得到与西洋乐器音频分类相应的深度神经网络模型参数；步骤4：将逻辑回归分类器添加至深度神经网络模型的顶层；步骤5：对所得深度神经网络模型参数进行反向微调，将深度神经网络模型最后一个隐含层的输出参数输入至逻辑回归层进行分类，得到西洋乐器的分类结果。本发明可以有效进行西洋乐器的分类。
-
公开(公告)号：CN109766737A
公开(公告)日：2019-05-17
申请号：CN201711099674.1
申请日：2017-11-09
Applicant: 南京理工大学
Abstract: 本发明公开了一种基于图像处理的室内人体姿态初步分类方法，该方法基于人体不同姿态跨越的范围以及速度特征，将人体姿态划分为两类：原地和非原地姿态。该方法首先将超宽带雷达录取的室内人体姿态数据经过杂波抑制，运用动目标检测保留人体运动姿态的信息，去除室内各种背景杂波干扰；之后对得到的矩阵形式的姿态信号图像，采用图像处理的方式处理噪声干扰：先将姿态信号图像进行二值化处理，去除噪声；提出用基于时间-距离的孤立点消除算法去除姿态信号图像中剩余的噪声点；接着利用SVM对特征进行分类，完成人体姿态的初步二级分类。本发明方法有效可行，性能可靠，可以准确地识别室内人体姿态是原地还是非原地动作。
-
公开(公告)号：CN105974404B
公开(公告)日：2018-11-13
申请号：CN201610270185.7
申请日：2016-04-27
Applicant: 南京理工大学
Abstract: 本发明公开了一种基于非接触式生命体征监测系统的一维雷达布阵优化方法，步骤如下：在考虑心脏尺寸的条件下，根据雷达系统载频，确定阵列的孔径与阵元的数目，对雷达一维阵列孔径进行离散化处理并对离散孔径拓扑使用带约束条件的二进制向量来表示；对得到的二进制向量代入MIMO雷达方向图公式来确立与方向图的一一对应关系，由方向图可以求解其对应的峰值旁瓣电平PSL，从而将PSL表示为拓扑结构二进制向量的函数，建立对应的二进制优化问题；采用智能优化算法确定优化后的阵列拓扑结构，得到对应的最优PSL方向图。本发明通过智能优化算法能够有效降低非接触式生命体征监测系统雷达的PSL，从而实现非接触式生命体征监测系统的一维雷达布阵优化设计。
-
公开(公告)号：CN105956388B
公开(公告)日：2018-11-13
申请号：CN201610269283.9
申请日：2016-04-27
Applicant: 南京理工大学
IPC: G16H50/50
Abstract: 本发明提供了一种基于VMD的人体生命体征信号分离方法，包括以下步骤：步骤1，对由基于超宽带雷达的非接触式生命体征检测系统获得的雷达回波信号进行动目标检测、距离门切换和低通滤波得到目标生命体征信号；步骤2，对步骤1获得的目标生命体征信号采用变分模态分解算法对目标生命体征信号进行处理，分离出预设个数的模态分量；步骤3，对步骤2中分离出的各个模态分量画出时域波形图及其频谱图并进行频谱分析获取所需目标生命体征信号。本发明通过变分模态分解算法能够有效地分离单目标及多目标生命体征信号中分离和提取。
-
-
Patent Agency Ranking
公开(公告)号：CN107783110A
公开(公告)日：2018-03-09
申请号：CN201610786751.X
申请日：2016-08-30
Applicant: 南京理工大学
Abstract: 本发明公开了一种非接触式时变声带振动探测信号处理方法，处理步骤如下：非接触式时变声带振动探测系统送来正交的两路信号，将正交信号进行复数解调得到正交解调信号。将正交解调信号经过带通滤波，端点检测后进行分割，用变分模态分解算法将基频与高次谐波分解，再根据麦克风语音信号人工标定的得到语音基频进行模式选择得到声带振动基频信号波形，将声带振动信号波形进行时频分析后再平滑后得到时变声带振动频率。本发明的方法简单易行，便于实施。
-
公开(公告)号：CN107307846A
公开(公告)日：2017-11-03
申请号：CN201610270933.1
申请日：2016-04-27
Applicant: 南京理工大学
IPC: A61B5/00
CPC classification number: A61B5/4812 , A61B5/7264
Abstract: 本发明公开了一种非接触式睡眠分期方法，步骤如下：步骤1，将雷达回波信号进行滤波，分别得到呼吸信号和心跳信号；步骤2，根据呼吸信号得到每分钟呼吸次数即RPM、每分钟呼吸次数的方差即RPM Variance，根据心跳信号得到每分钟心跳次数即BPM、每分钟心跳次数的方差即BPM Variance，根据呼吸信号得到体动信号；步骤3，将步骤2所得的RPM、RPM Variance，BPM、BPM Variance、体动信号分别进行聚类分析；步骤4，根据声音信号、视频信号、以及步骤3聚类分析所得信号对睡眠状态进行划分，得到睡眠状态的划分结果。本发明可方便医务人员根据病人的实际睡眠情况及时采取治疗措施，具有高安全性、高准确性、小型化和智能化的优点。
-
公开(公告)号：CN107169469A
公开(公告)日：2017-09-15
申请号：CN201710408596.2
申请日：2017-06-02
Applicant: 南京理工大学
Abstract: 本发明公开了一种基于MIMO雷达的材料识别方法，首先用MIMO雷达采集样本材料回波信号，接着对回波进行特征提取，得出能够区分不同材料的特征参数，之后利用机器学习算法确定不同材料和特征参数之间的映射关系；最后根据所得到的映射关系，判决MIMO雷达探测的物体属于何种材料。本发明方法有效可行，性能可靠，可以准确地对材料进行识别。
-
公开(公告)号：CN106328121A
公开(公告)日：2017-01-11
申请号：CN201610790284.8
申请日：2016-08-30
Applicant: 南京理工大学
Abstract: 本发明公开了一种基于深度置信网络的中国传统乐器分类方法，在进行中国传统乐器音乐的特征提取时，首先利用语音信号处理方法提取中国传统乐器的声学特征作为初级特征，根据深度置信网络来构建深度学习的网络，之后利用深度学习网络从中国传统乐器的初级特征中提取出更抽象的特征；然后将中国传统乐器的重构抽象特征输入至softmax层预测对应演奏乐器所属的类型。本发明的方法简单易行，提高了中国传统乐器的分类准确率，为音乐信息检索领域提供更有效的信息。
-
公开(公告)号：CN106295717A
公开(公告)日：2017-01-04
申请号：CN201610767234.8
申请日：2016-08-30
Applicant: 南京理工大学
IPC: G06K9/62
CPC classification number: G06K9/6249 , G06K9/6268
Abstract: 本发明公开了一种基于稀疏表示和机器学习的西洋乐器分类方法，包括如下步骤：步骤1：构建适用于西洋乐器稀疏表示的字典库；步骤2：对西洋乐器原始音频文件进行预处理，分帧加窗，提取每帧音频在基于所构建字典库表示下的稀疏系数；步骤3：将每帧音频稀疏表示系数作为西洋乐器的音乐特征输入深度神经网络，逐层预训练深度神经网络模型，得到与西洋乐器音频分类相应的深度神经网络模型参数；步骤4：将逻辑回归分类器添加至深度神经网络模型的顶层；步骤5：对所得深度神经网络模型参数进行反向微调，将深度神经网络模型最后一个隐含层的输出参数输入至逻辑回归层进行分类，得到西洋乐器的分类结果。本发明可以有效进行西洋乐器的分类。
-
-
-
-
-
-
-
-
-
Search Results
104
records
(took 0.027 seconds)
