-
公开(公告)号：CN112617813B
公开(公告)日：2023-02-14
申请号：CN202011471969.9
申请日：2020-12-15
Applicant: 南京邮电大学
Abstract: 本发明公开了跌倒检测技术领域的一种基于多传感器的非侵入式跌倒检测方法及系统，解决了老人在浴室等私密空间内发生跌倒时的隐私保护问题，具有检测准确度高，虚警率低等特点。分别采集被监测对象反射的毫米波雷达信号和被监测对象辐射的热释电红外信号；对采集到的被监测对象反射的毫米波雷达信号进行傅里叶变换，生成毫米波雷达特征矩阵，进而获取毫米波雷达最优特征矩阵；对采集到的被监测对象辐射的热释电红外信号进行傅里叶变换并进行特征提取，获取热释电红外信号级联特征矩阵；将毫米波雷达最优特征矩阵和热释电红外信号级联特征矩阵串联并获取最优级联特征矩阵；以最优级联特征矩阵作为决策分类器的输入，输出被监测对象的状态信息。
-
公开(公告)号：CN112617813A
公开(公告)日：2021-04-09
申请号：CN202011471969.9
申请日：2020-12-15
Applicant: 南京邮电大学
Abstract: 本发明公开了跌倒检测技术领域的一种基于多传感器的非侵入式跌倒检测方法及系统，解决了老人在浴室等私密空间内发生跌倒时的隐私保护问题，具有检测准确度高，虚警率低等特点。分别采集被监测对象反射的毫米波雷达信号和被监测对象辐射的热释电红外信号；对采集到的被监测对象反射的毫米波雷达信号进行傅里叶变换，生成毫米波雷达特征矩阵，进而获取毫米波雷达最优特征矩阵；对采集到的被监测对象辐射的热释电红外信号进行傅里叶变换并进行特征提取，获取热释电红外信号级联特征矩阵；将毫米波雷达最优特征矩阵和热释电红外信号级联特征矩阵串联并获取最优级联特征矩阵；以最优级联特征矩阵作为决策分类器的输入，输出被监测对象的状态信息。
-
Patent Agency Ranking
公开(公告)号：CN114239970A
公开(公告)日：2022-03-25
申请号：CN202111563857.0
申请日：2021-12-20
Applicant: 南京邮电大学
Abstract: 本发明是一种面向民用航空机场的航班跑道滑行时间预测方法，首先：获取机场历史航班数据并对其进行预处理；而后将机场历史航班数据拆分为进港和离港两大类，统计各个航班进港和离港的滑行时间并删除异常滑行时间数据；构建各个航班的关键特征数据，将所有特征数据构成样本数据集并将其划分为训练样本和测试样本；接着：以训练样本为输入，选取多种机器学习方法进行训练得到多个航班跑道滑行时间预测模型；最后：利用测试样本对各个预测模型的性能进行评估，选择预测效果最好且符合实际应用需求的模型。本发明分析了影响民用航空机场航班跑道滑行时间的各种因素，精炼构建了关键特征指标，构造合适的预测模型，有利于提高机场航班运营效率。
-
公开(公告)号：CN119248503A
公开(公告)日：2025-01-03
申请号：CN202411460281.9
申请日：2024-10-18
Applicant: 南京邮电大学
Abstract: 本发明公开了一种面向智慧养老的自我感知式多边缘节点计算卸载方法，包括多个边缘节点和一个中心节点，边缘节点上搭载用户请求收集模块和令牌Token，用户请求收集模块采集智慧养老模式下老年用户的业务请求并将其发送至中心节点，令牌Token用于边缘节点的自感知设计；中心节点搭载了数据存储模块和计算任务管理模块，数据存储模块存储老年人用户的数据，并将数据转化为部分可观测马尔可夫决策过程，发送至计算任务管理模块；计算任务管理模块根据算法求得最优卸载策略，根据卸载策略下发计算资源到边缘节点,用于下一轮请求的收集。本发明合理的部署计算资源到边缘节点，降低了卸载的时延，增加了资源调度的效率。
-
公开(公告)号：CN118942670A
公开(公告)日：2024-11-12
申请号：CN202410936645.X
申请日：2024-07-12
Applicant: 南京邮电大学
Abstract: 本专利公开了一种面向阿尔茨海默病的多模态融合系统及方法，属于人工智能和医学领域，系统由多模态数据预处理层，多模态数据特征提取层，基于注意力机制的多模态数据融合层组成；多模态数据预处理层分别对临床、遗传、图像数据进行预处理；多模态数据特征提取层对预处理后的三个单一模态数据进行特征提取；基于注意力机制的多模态数据融合层将所述三个模态的数据作为输入，利用注意力机制提取模态的单一及融合特征进行融合。本发明对于阿尔兹海默病的检测更贴合实际的临床断诊需求，有助于提高对阿尔兹海默病预测的准确性，更全面地了解患者病情，从而给患者提供更个性化的治疗措施，同时也可以对阿尔兹海默病的预防检测筛查起到相应的作用。
-
公开(公告)号：CN115511212A
公开(公告)日：2022-12-23
申请号：CN202211293381.8
申请日：2022-10-21
Applicant: 南京邮电大学
Abstract: 一种基于深度学习的航班保障流程剩余执行时间预测方法，预测模型由输入层，双向LSTM层，Attention层，融合层，预测层组成，模型输入包含非时序的全局特征和时序的各时间步流程的执行状态。Attention‑BiLSTM模型提取流程执行状态时序信息，生成中间状态编码，与非时序的全局特征相融合，经过多层感知机得到流程剩余执行时间。在流程开始时，计算生成非序列的全局特征向量，每隔固定时间采集一次流程执行状态，并采用滑动窗口的方式生成序列特征数据，特征数据经过模型计算得到航班保障流程剩余时间的动态预测值。
-
公开(公告)号：CN112800225B
公开(公告)日：2022-09-16
申请号：CN202110120528.2
申请日：2021-01-28
Applicant: 南京邮电大学
IPC: G06F16/35 , G06F40/216 , G06F40/289 , G06F40/242 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种微博评论情绪分类方法和系统，属于自然语言处理技术领域，方法包括如下步骤：采集原始微博评论文本数据并进行预处理获得微博文本数据集；对微博文本数据集进行预训练；利用情绪词典选取微博文本中包含情绪的句子作为局部情绪特征；利用训练好的胶囊网络提取微博文本的整体情绪特征；对微博文本的整体情绪特征和局部情绪特征进行融合，获得该微博文本的情绪分类结果；将微博用户的所有微博文本的情绪分类结果求和取平均值，根据所述平均值确定微博用户微博评论的情绪倾向。本发明的方法和系统从局部与整体方面使用深度学习方法进行学习，能更加准确地判断微博用户的情绪倾向，能提高情绪分类准确率。
-
-
-
-
-
-
Search Results
17
records
(took 0.018 seconds)
