-
公开(公告)号：CN117522920A
公开(公告)日：2024-02-06
申请号：CN202311495472.4
申请日：2023-11-10
Applicant: 南通大学
Abstract: 本发明涉及一种基于改进时空图注意力网络的行人轨迹预测方法，属于计算机视觉技术领域。解决了常规模型对行人行为动态特征建模不足的技术问题。技术方案为：将行人轨迹进行时空建模，构造出一个时间图和空间图；使用注意力机制建模行人之间的空间交互和时间依赖性；利用全连接层建模耦合的时空交互特征；使用时间注意力机制增强输出空间嵌入；联合随机高斯噪声，生成各种随机预测；利用全连接层预测行人位置。本发明的有益效果为：提高了模型对行人行为动态特征的建模能力，使行人交互建模更加密集合理，并在不同的场景中，提高了行人轨迹预测的准确性。
-
公开(公告)号：CN112535349B
公开(公告)日：2022-06-03
申请号：CN202011540988.2
申请日：2020-12-23
Applicant: 南通大学
IPC: A47B21/04 , A47B21/013 , A47B21/00
Abstract: 本发明提供了一种笔记本电脑升降装置及升降方法，属于笔记本电脑技术领域。其技术方案为：一种笔记本电脑升降装置，包括基板，基板包括前端部以及后端部，基板的后端部设置有升降机构，升降机构上设置伸缩机构，伸缩机构一端跨接在升降机构上，另一端设置有电脑架，电脑架底部设置有支撑机构；本发明的有益效果为：将升降机构设置在基板的后端部，不占用基板的空间，升降机构能在高度上间接调整笔记本电脑的位置，伸缩机构可以在升降机构上摘下，不占用空间，电脑架能有效防止笔记本电脑摔落，支撑机构起到支撑的作用，防止因为对电脑架一端用力造成伸缩机构断裂。
-
公开(公告)号：CN110867224B
公开(公告)日：2022-02-08
申请号：CN201911030948.0
申请日：2019-10-28
Applicant: 南通大学
IPC: G16H10/60 , G06F40/205 , G06F40/279 , G06N3/00
Abstract: 本发明公开一种用于大规模脑病历分割的多粒度Spark超信任模糊方法，首先在Spark云平台上将大规模脑病历数据属性集分割至不同的多粒度进化子种群Granu‑populationi中；设计一种基于多粒度Spark超信任模型，构建多粒度种群内不同超级精英之间信任度；调整多粒度中心阈值，对超级精英使用多粒度子种群均衡调整策略进行动态更新，对大规模脑病历进行全局搜索分割与局部精化分割，超级精英在各自区域内能协同提取知识约简子集；最后求得大规模脑病历最优分割特征集并存储至Spark云平台中。本发明能稳定分割大规模脑病历知识约简集,为脑部疾病智能诊断和辅助治疗提供重要的诊断依据。
-
公开(公告)号：CN110176298A
公开(公告)日：2019-08-27
申请号：CN201910469264.4
申请日：2019-05-31
Applicant: 南通大学
Abstract: 本发明公开一种用于糖尿病性眼底图像分类的核主成分谱哈希方法。该方法首先对糖尿病性眼底图像数据进行预处理和分割操作，将处理后的眼底图像数据转化为向量形式；接着采用核主成分分析算法提取出眼底图像数据中非线性特征信息；然后将数据转化为二值码形式，利用Laplace-Beltrami算子的特征值和特征函数值表示出眼底图像样本数据；最后利用阈值将样本特征函数值转化为二值码，并运用最近邻算法在汉明空间进行糖尿病性眼底图像的有效分类。本发明能充分提取出复杂非线性糖尿病性眼底图像数据特征，具有较高的分类准确率，且能有效降低大规模眼底图像分类时计算的复杂度。
-
公开(公告)号：CN109739637A
公开(公告)日：2019-05-10
申请号：CN201811440411.7
申请日：2018-11-28
Applicant: 南通大学
Abstract: 本发明公开了步骤一：公云服务器接受用户车辆节点发出的存储资源请求信号，步骤二：所述公云服务器根据接受到的请求信号，步骤三：若干候选服务车辆节点根据上述计算结果来知晓各自自身需要提供的虚拟机的个数，之后公云服务器通过调度，将数据保存于若干候选服务车辆节点的所述虚拟机当中；步骤四：车辆存储资源共享网络形成，服务开始；步骤五：重新建立新的车辆存储资源共享网络；步骤六：所述公云服务器对所述车辆存储资源共享网络中的服务车辆节点进行信任值更新。本发明步骤简洁，使用方便，能合理利用闲置存储资源，能避免网络恶意攻击，使得整个停车场的安全性能更好，运用云计算调度算法来满足不同用户的需求。
-
Patent Agency Ranking
公开(公告)号：CN109656137A
公开(公告)日：2019-04-19
申请号：CN201811551611.X
申请日：2018-12-19
Applicant: 南通大学
Inventor： 万杰
IPC: G05B13/04
Abstract: 本发明公开了一种能家居环境下人的日常行为预测方法，步骤一：行为数据预处理：日常行为识别需要利用已有的历史行为数据集建立行为模型，并对数据进行标注，数据由传感器产生；步骤二：建立行为模型.采用逻辑回归的算法建立行为模型；步骤三：实时行为预测,利用步骤二中建立的模型，进行实时行为预测，其中不同行为的滑动窗口长度及行为预测的速度。本发明能实现快速识别；主要应用于在智能家居环境下对日常行为的预测。
-
公开(公告)号：CN118629006A
公开(公告)日：2024-09-10
申请号：CN202410744217.7
申请日：2024-06-11
Applicant: 南通大学
IPC: G06V20/58 , G06V10/82 , G06N3/0455 , G06N3/042 , G06N3/0464 , G06N3/082
Abstract: 本发明提供了一种基于稀疏时空图Transformer网络的行人轨迹预测方法，属于计算机视觉技术领域。解决了行人在拥挤环境下和长距离轨迹预测效率低的技术问题。其技术方案为：包括以下步骤：S1：从图像帧中获取行人的位置信息；S2：使用动态空间Transformer，利用多头注意力机制对空间依赖的多种模型进行联合建模；S3：利用自注意力机制实现跨多个时间步的双向时间依赖性建模；S4：得到具有稀疏变换的时空Transformer网络；S5：设计一种基于时空Transformer的时空块链的模型框架。本发明的有益效果为：本发明提高行人在拥挤环境下和长距离轨迹预测的准确性。
-
公开(公告)号：CN118606785A
公开(公告)日：2024-09-06
申请号：CN202410729231.X
申请日：2024-06-06
Applicant: 南通大学
IPC: G06F18/241 , G06F18/213 , G06F18/214 , G06F18/25 , G06N3/0464 , G06N3/08 , G06F123/02
Abstract: 本发明提供一种构造原型特征进行人类活动识别的高效深度学习方法，属于深度学习技术领域。解决了测试域数据与训练域数据分布不同导致的性能下降与降低TransformerO(L^2)复杂度的技术问题。其技术方案为：计算QK特征与均值特征的距离构建两组一维矩阵并由这两个矩阵计算注意力矩阵降低复杂度、初始化原型特征池通过门网络决赋值权重并挑选原型样本与非关注特征进行融合，新构造出来的特征再与关注特征进行加权融合，原型损失函数的设计保证构造特征的有效性与识别的准确性。本发明的有益效果为：本发明方法与现有的一些基于深度学习方法相比，具有更高的识别准确率与鲁棒性。
-
公开(公告)号：CN118141324A
公开(公告)日：2024-06-07
申请号：CN202410168485.9
申请日：2024-02-06
Applicant: 南通大学
IPC: A61B5/00 , G06F18/2131 , G06F18/241 , G06V10/26 , G06V10/764 , G06V10/80 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/08 , A61B5/346
Abstract: 本发明提供了一种基于深度卷积自动编码器的睡眠分期模式识别的方法，属于深度学习技术领域。解决了人类睡眠分期及睡眠异常识别效率不高，及识别成本较高的技术问题。其技术方案为：包括以下步骤：步骤一：数据预处理；步骤二：多比例的自动编码器：步骤三：逐层跳过连接；步骤四：多尺度解码器；步骤五：损失函数。本发明的有益效果为：本发明通过添加与多层卷积网络相结合的多尺度编码、新的逐层跳跃连接和解码器的多尺度特征融合，提高了其性能，具有更好的识别准确性。
-
公开(公告)号：CN117437431A
公开(公告)日：2024-01-23
申请号：CN202311471625.1
申请日：2023-11-07
Applicant: 南通大学
IPC: G06V10/44 , G06V10/764 , G06V10/82 , G06N3/0464 , G06V10/86
Abstract: 本发明属于深度学习技术领域，具体涉及一种日常活动运动量检测和异常状况评估的深度学习方法。本发明包括以下步骤：图神经网络对传感器数据的增强、注意力特征编码与活动识别、对日常活动的评估、通道融合与残差连接。本发明通过图神经网络挖掘传感器数据不同变量之间相关关系，对存在相关关系的变量进行特征信息的传递，以丰富各个节点的信息量；其次，设计了一个神经控制微分方程网络配合卷积网络的模块以便对增强过后的数据进行特征编码与分类，然后对日常活动的识别结果进行运动量或是异常情况的评估，确定日常活动量的时间占比和是否出现与历史数据不符的异常状况，本发明方法与现有的一些深度学习方法相比，具有更好的识别准确性。
-
-
-
-
-
-
-
-
-
Search Results
42
records
(took 0.027 seconds)
