-
公开(公告)号：CN114881213A
公开(公告)日：2022-08-09
申请号：CN202210490937.6
申请日：2022-05-07
Applicant: 天津大学
Abstract: 本发明公开了一种基于三分支特征融合神经网络的声音事件检测方法，包括：将包含声音信号的数据集进行特征提取，得到log‑mel频谱图的数据集，并将其分为训练集、测试集和验证集；建立三分支特征融合网络模型，所述的三分支特征融合网络模型包括三分支采样、特征提取、三分支的特征融合和损失融合：将测试集和验证集作为训练后的模型的输入，该模型的输出即为该数据集的声音事件检测的结果，包括该音频所包含的声音事件类别和发生该事件的起始和终止时间。本发明通过三分支融合的方式获取到尾部类和难区分类别的判别性特征，并在一定程度上均衡了分类器的类别权重，提高了声音事件检测的效果。
-
公开(公告)号：CN114492171A
公开(公告)日：2022-05-13
申请号：CN202111674519.4
申请日：2021-12-31
Applicant: 天津大学
Abstract: 本发明公开了一种基于多任务深度学习神经网络的太阳风速度预测方法，所用的模型包括一个由一维卷积神经网络CNN和一个长短时记忆神经网络LSTM组成的共享模块，一个主LSTM模块以及一个自回归层AR模块。共享模块用于提取多个任务共用的浅层空间和时间特征，主LSTM模块用于单独提取主任务的特性，自回归模块用于以一种线性的方式对神经网络模型进行适当的修正。采用多任务学习机制来实现多步预测，构建模型。在太阳风速度预测领域，引入多任务学习的机制是一种新的尝试。本发明的优点是，联合多个独立的预测任务来同时并行学习，充分利用数据信息，共享公共信息来帮助改进浅层特征提取，并为主要任务设计独立的结构来提高预测性能。
-
公开(公告)号：CN110533086A
公开(公告)日：2019-12-03
申请号：CN201910744623.2
申请日：2019-08-13
Applicant: 天津大学
Abstract: 本发明提供了一种图像数据半自动标注方法，包括：对未标注的图像进行部分图像级标注；将标注数据放到协同弱监督识别模型中进行训练；对协同弱监督识别模型进行改造，得到强监督改造模型；用强监督改造模型对未标注的图像进行检测，得到检测结果；使用人工标注图像数据训练强监督改造模型。本发明的方法前期使用一定量的弱标签数据，然后后期使用主动学习的方式逐渐改善模型，从而在少的标注量的同时，保证了精度。
-
公开(公告)号：CN120067635A
公开(公告)日：2025-05-30
申请号：CN202510021344.9
申请日：2025-01-07
Applicant: 天津大学
IPC: G06F18/213 , G06F18/214 , G06F18/22 , G06F18/25 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于多周期模式引导的时间序列异常检测方法，该方法利用多周期模式对模型的重构过程进行引导，旨在提升复杂时间序列的特征提取能力。该方法包含三个步骤，步骤一对下采样处理后的多元时间序列数据进行周期性分析并转换成三维表示提取其特征，再将特征重塑回二维表示。步骤二对特征表示进行周期内和周期间采样，通过无监督损失函数，确保同一周期内的特征聚集在一起，不同周期间的特征相互分离，从而提取每个周期独特的模式信息。步骤三利用提取到的模式信息，将其融合到任意重构模型的特征空间中，能够有效提升模型对正常样本的重构准确性及异常检测能力。
-
公开(公告)号：CN120046766A
公开(公告)日：2025-05-27
申请号：CN202411921878.9
申请日：2024-12-25
Applicant: 天津大学
IPC: G06Q10/04 , G06Q30/0202 , G06F18/25 , G06F18/213 , G06F18/22 , G06N20/00
Abstract: 本发明公开了一种基于形状相似性检索和时序频域特征的流行度预测方法，包括：在固定观测时间中采集短小时间序列；获取短小时间序列的形状特征，通过相似性计算排序后筛选K个历史序列；利用频域学习模块捕捉历史序列的序列间特征信息后与短小时间序列特征进行融合，并捕捉融合后序列的时序全局依赖关系和周期特性，最后通过结合多点流行度增长值损失，提升模型单点流行度增长值预测能力。本发明通过有效检索相关的历史序列，利用频域学习模块的全局视角优势，充分捕捉历史序列中完整的趋势变化模式，解决了现有社交媒体内容预测技术中忽略历史信息和短小时间序列信息匮乏的问题，与现有方法相比拥有更精准的预测效果。
-
Patent Agency Ranking
公开(公告)号：CN114881213B
公开(公告)日：2024-09-06
申请号：CN202210490937.6
申请日：2022-05-07
Applicant: 天津大学
IPC: G10L25/30 , G10L25/51 , G06N3/0464 , G06N3/0455 , G06N3/084
Abstract: 本发明公开了一种基于三分支特征融合神经网络的声音事件检测方法，包括：将包含声音信号的数据集进行特征提取，得到log‑mel频谱图的数据集，并将其分为训练集、测试集和验证集；建立三分支特征融合网络模型，所述的三分支特征融合网络模型包括三分支采样、特征提取、三分支的特征融合和损失融合：将测试集和验证集作为训练后的模型的输入，该模型的输出即为该数据集的声音事件检测的结果，包括该音频所包含的声音事件类别和发生该事件的起始和终止时间。本发明通过三分支融合的方式获取到尾部类和难区分类别的判别性特征，并在一定程度上均衡了分类器的类别权重，提高了声音事件检测的效果。
-
公开(公告)号：CN115495669A
公开(公告)日：2022-12-20
申请号：CN202211120976.3
申请日：2022-09-15
IPC: G06F16/9536 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种融合多尺度级联与时序特征的社交媒体内容热度预测方法，包括：利用社交媒体内容早期传播特征，按照不同大小尺度的时间窗处理分别得到多尺度级联图以及热度趋势序列；应用图卷积神经网络对多尺度级联图序列进行嵌入及利用一维卷积提取多尺度趋势短期动态特征，通过不同的Transformer Encoder提取多尺度级联图和趋势动态特征；利用时间窗选择网络实现多尺度特征融合：网络模型训练完毕，输入要预测的社交媒体的早期多尺度级联图和热度趋势序列，输出未来一段时间内社交媒体内容热度增长预测值。本发明通过有效融合多尺度级联图特征与趋势特征，相比单一尺度的方法有更好的预测效果，能获得全局性更优、泛化性能更好的预测结果。
-
公开(公告)号：CN112632320A
公开(公告)日：2021-04-09
申请号：CN202011532378.8
申请日：2020-12-22
Applicant: 天津大学
Abstract: 本发明公开了一种基于长尾分布提升语音分类尾部识别准确度的方法，针对头部类别在反向传播中计算所得的梯度对于尾部类别的梯度是负影响，设计了一均衡损失函数，该均衡损失函数的设计包括：设置阈值因子、计算阈值函数和计算该均衡损失函数。在语音分类模型训练过程中采用该均衡损失函数，采用该均衡损失函数可以将头部类别在反向传播过程中计算所得的梯度对于尾部类别的影响被忽略掉，通过忽略头部类别对于尾部类别的梯度影响，使得分类结果对于头部类别和尾部类别均衡对待，有效解决了传统损失函数应用在长尾分类问题中对于头部类别的偏差问题，从而提升语音分类模型的整体分类效果。
-
公开(公告)号：CN110941266A
公开(公告)日：2020-03-31
申请号：CN201911102594.6
申请日：2019-11-12
Applicant: 天津大学
IPC: G05D1/02
Abstract: 本发明公开了一种多机器人系统中的障碍物检测与规避方法，每个机器人均具有16个彼此均匀地分开布置在机器人表面的超声波传感器，16个超声波传感器覆盖所在的机器人周围360度的区域，当前机器人沿着其路径行进，首先直接通向目标点，然而，当障碍物或另一个机器人进入该当前机器人传感器覆盖的区域时，该当前机器人基于传感器感知的周围环境的距离和最小阈值距离的值检测其他障碍物，然后，朝拥有其他障碍物或其他机器人的风险很小的方向移动，直到当前机器人到达目的地。本发明适用于不管障碍物是静止的还是动态的，即使是有任何移动物体从当前机器人的后面来，该机器人也会改变自己的方向，从而实现全方位规避障碍物。
-
公开(公告)号：CN107895202A
公开(公告)日：2018-04-10
申请号：CN201711001445.1
申请日：2017-10-24
Applicant: 天津大学
CPC classification number: G06Q10/04 , G06K9/6218 , G06K9/6256 , G06Q50/06
Abstract: 本发明公开了一种基于多视角风速模式挖掘的短期风速预测方法方法，包括：采集风电场的风速历史数据，形成历史风速的时间序列；通过互信息法确定时间序列的延迟；根据获得的延迟将风速时间序列转换成为矩阵型数据，获得风速样本；根据风速样本从风速的统计信息、风速变化趋势和风速波动趋势三个视角提取描述风速变化规律的特征信息；对风速样本进行归一化处理，获得归一化后的风速变化的特征信息；基于归一化后的风速变化的特征信息，通过多视角聚类算法对风速样本进行聚类，从而建立具有k个簇集的短期风速预测的模型；计算待预测的风速样本与上述确定的k个簇集之间的欧式距离，利用其中欧式距离最小的簇集所对应的SVR风速预测模型完成风速预测。
-
-
-
-
-
-
-
-
-
Search Results
41
records
(took 0.018 seconds)
