-
公开(公告)号：CN103258147B
公开(公告)日：2016-12-28
申请号：CN201310200205.X
申请日：2013-05-24
Applicant: 重庆邮电大学
IPC: G06F19/24
Abstract: 本发明提出了一种基于GPU的并行演化超网络DNA微阵列基因数据分类系统及其方法，涉及智能信息处理技术领域。对DNA微阵列数据进行预处理后，将经过处理后的二进制字符串作为超网络的输入信息，在主机的CPU上对超网络进行初始化，初始化后的超网络转交给GPU设备，将超边库分成多个组，分别在GPU上并行执行基于遗传算法的演化学习，获取先验知识，搜索具有决策能力的最佳超边，演化完成后的超网络利用大量超边共同对输入样本进行分类。本发明在GPU上实现了基于遗传算法的超网络并行演化学习，具有较短的学习和识别时间，系统执行效率较高。超网络能够利用大量具有决策能力的个体共同对样本进行分类，具有较高的系统识别率和泛化能力。
-
公开(公告)号：CN105930833A
公开(公告)日：2016-09-07
申请号：CN201610338147.0
申请日：2016-05-19
Applicant: 重庆邮电大学
CPC classification number: G06K9/00718 , G06K9/342
Abstract: 本发明请求保护一种基于视频监控的车辆跟踪与分割方法，包括：预先浏览视频前20帧确定车辆行驶方法和车道宽度；初始化第1帧图像建立背景模型；从第2帧开始，利用背景模型提取所述视频帧图像的前景图像；更新背景模型；结合前景图像的面积及其外接矩形的面积联合判定前景图像是否为运动车辆；根据前景图像的外接凸包对运动目标进行粘连车辆判定；若为粘连车辆，对车辆进行分割；将车辆加入跟踪队列进行跟踪。本发明能够实时对视频中的车辆进行稳定的跟踪，并能够对粘连车辆进行分割，处理速度快，可满足对实时系统的要求。
-
公开(公告)号：CN103136377A
公开(公告)日：2013-06-05
申请号：CN201310099833.3
申请日：2013-03-26
Applicant: 重庆邮电大学
IPC: G06F17/30
Abstract: 本发明涉及一种基于演化超网络的中文文本分类方法，属于数据挖掘技术领域。该方法包括：将中文文本表示成向量形式；然后对文本向量降维，再对降维后的文本向量进行权值计算，确定输入的向量空间模型；最后使用演化超网络模型对输入的样本数据进行演化学习，挖掘数据集内样本特征间的一系列关联关系，从而形成一个超网络分类模型，最终实现中文文本分类。本发明基于演化超网络的中文文本分类方法具有分类时间短，识别率和召回率高，学习速度快，学习结果可读性强，具备潜在的并行性，尤其适用于互联网网页数据挖掘和大规模搜索引擎。
-
公开(公告)号：CN102722695A
公开(公告)日：2012-10-10
申请号：CN201210146416.5
申请日：2012-05-11
Applicant: 重庆邮电大学
Abstract: 本发明实施例提供了一种缩微交通环境下锥形标识别方法，建立以缩微智能车为原点的地面坐标系，对获取的图像信号进行分析处理从而识别锥形标，即逐个像素扫描，识别图像中的红色像素，将相邻红色像素进行标记形成图像中的红色区域；寻找能框住该红色区域的最小矩形，形成红色矩形块，对红色矩形块编号，并记录其左上角点和右上角点坐标；对编号的两两红色矩形块进行锥形标匹配，识别锥形标，从而完成对锥形标的识别，本发明能够在复杂的缩微交通环境下，特别是在有多块红色干扰的情况下能准确识别锥形标，从而为缩微智能车根据锥形标的摆放位置作出相应的驾驶行为提供准确的道路信息。
-
公开(公告)号：CN102183984A
公开(公告)日：2011-09-14
申请号：CN201110072602.4
申请日：2011-03-25
Applicant: 重庆长安汽车股份有限公司 , 重庆长安新能源汽车有限公司 , 重庆邮电大学
IPC: G05F1/46
CPC classification number: H02J7/022 , G01R31/3651 , H02J7/0013 , H02M7/043 , H02M7/23 , H02M2001/007 , H02M2001/008
Abstract: 本发明提出了一种动力电池模拟系统，该系统包括多个电池模块（1-N）、第一电源模块、数字控制模块和上位机。每一个电池模块包括变压器、整流滤波模块、DC/DC转换模块、第二电源模块、数字电源控制模块、隔离模块。本发明能够利用常用220V交流电模拟输出动力电池组的模块电压以及动力电池的总电压。结合隔离模块和数字控制模块的特性，本系统能够随用户的意愿输出稳定的电压，同时也可以模拟出动力电池工作时的动态电压，可用于进行动力电池管理系统的静态、动态功能验证。该系统结构简单、精度高，能够模拟输出多个具有可调性的电池模块电压。
-
Patent Agency Ranking
公开(公告)号：CN102081145A
公开(公告)日：2011-06-01
申请号：CN201010563823.7
申请日：2010-11-29
Applicant: 重庆长安汽车股份有限公司 , 重庆长安新能源汽车有限公司 , 重庆邮电大学
IPC: G01R31/36
Abstract: 本发明提出了一种电池管理系统功能验证平台，此平台能够在离线状态下全面检测电池管理系统是否正常工作，功能是否完整。本发明由以下四个部分组成：1、特殊信号发生模块；2、测控系统；3、人机交互平台；4、CAN收发模块。本发明涉及的系统通过产生总电压模拟信号、模块电压模拟信号、总电流模拟信号、温度模拟信号及握手信号，实现离线状态下电池管理系统的正常工作，并对预定设置功能进行处理。最后，电池管理系统以CAN通信方式向功能验证平台反馈工作任务结果。通过比较此时电池管理系统输出结果与功能验证平台输入指令，可以快速验证电池管理系统的硬件、驱动软件、应用软件功能。
-
公开(公告)号：CN101917044A
公开(公告)日：2010-12-15
申请号：CN201010267200.5
申请日：2010-08-31
Applicant: 重庆长安汽车股份有限公司 , 重庆长安新能源汽车有限公司 , 重庆邮电大学
IPC: H02J7/00
Abstract: 本发明提出了一种锂电池管理系统均衡控制方法，该方法通过对锂电池单体电压的采集，将过充(电压偏高)的电池进行识别并放电的方法来达到电池的一致性。本发明由以下模块组成：信号采集模块、系统工况判断模块、均衡性判断模块、均衡模块。本发明通过对锂电池状态的精确监测及控制，有效控制锂电池状态保持一致，从而达到锂电池系统安全可靠运行。
-
公开(公告)号：CN118965105B
公开(公告)日：2025-05-13
申请号：CN202411001090.6
申请日：2024-07-25
Applicant: 重庆邮电大学
IPC: G06F18/241 , G06F18/25 , G06F18/213 , G06F11/3604
Abstract: 本发明属于深度学习领域，特别涉及一种基于大数据的软件缺陷类别预测方法，包括从不同源域中采集软件的运行数据，对数据进行预处理操作；计算每个源域数据的权重，同时将预处理后的数据利用特征完全提取技术提取每个源域的数据特征；使用注意力机制对不同源域的特征加权得到第一融合特征，将不同域数据和其对应的注意力权重输入通过Flort模板融合得到第二融合特征；将第一融合特征和第二融合特征进行最后的融合得到最终融合特征，将最终融合特征作为多源域融合分类器模型的输入；多源域融合分类器模型考虑源域与目标源、源域与源域之间的关系对预测输入的特征是否存在目标域中的缺陷类型。本发明提高了软件缺陷类别预测的准确性和稳定性。
-
公开(公告)号：CN119721048A
公开(公告)日：2025-03-28
申请号：CN202411789371.2
申请日：2024-12-06
Applicant: 重庆邮电大学
IPC: G06F40/30 , G06F40/16 , G06N3/0442 , G06F40/211 , G06F16/35
Abstract: 本发明属于深度学习领域，涉及一种多粒度AIGC文本检测方法及相关装置，所述方法包括：将待检测文本通过分词器进行字符映射，得到文本token id序列，并记录句号token id的位置；将文本token id序列通过基于双向注意力结构的编码器模型，得到文本语义表征向量，并得到文本纯语义表征向量；将分类标记向量与文本纯语义表征向量通过文本主体检测模型，得到文档粒度的文本AIGC检测结果；将分隔标记向量、文本纯语义表征向量与句号token id的位置通过文本语句判别模型，得到语句粒度的文本AIGC检测结果；整合得到所述待检测文本的多粒度AIGC文本检测结果。本发明从语义特征交互角度出发，通过由强序列网络、激活函数以及交叉注意力交互网络等结构组成的下游网络充分利用全局信息与局部信息，精确捕捉非口语化AI的语言特征，实现文本AIGC准确识别。
-
公开(公告)号：CN119623464A
公开(公告)日：2025-03-14
申请号：CN202411679874.4
申请日：2024-11-22
Applicant: 重庆邮电大学
IPC: G06F40/284 , G06F40/253 , G06F18/213 , G06F18/25 , G06N3/0464 , G06F17/16 , G06F16/334
Abstract: 本发明属于自然语言处理技术领域，具体涉及一种基于指针网络的乱序文本纠错方法；包括：获取纠错文本数据并构造标签；提取纠错文本数据的词级特征向量；根据纠错文本的词级特征向量提取局部特征向量；拼接词级特征向量与局部特征向量以构造融合特征向量；根据融合特征向量，采用查询机制构建span指针得分表和next指针得分表；根据span指针得分表缩小next指针得分表；根据span得分表和next指针得分表对乱序文本进行重排序，得到最终纠正后的文本；计算模型总损失并根据总损失调整模型参数，得到训练好的乱序文本纠错模型；使用训练好的模型进行文本纠错；本发明提高了自动校对系统准确率，且模型推理速度更快。
-
-
-
-
-
-
-
-
-
Search Results
242
records
(took 0.028 seconds)
