-
公开(公告)号：CN119672769A
公开(公告)日：2025-03-21
申请号：CN202411493371.8
申请日：2024-10-24
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于多任务学习的端侧指纹表征识别方法。首先对指纹图片进行预处理，然后将预处理后的训练数据输入主干神经网络，得到基础特征；之后将基础特征输入细节点提取网络，经过多层卷积和反卷积，生成纹理信息图。将基础特征输入多层感知机，生成拓扑信息，并得到对应的类别信息。最后将基础特征、纹理信息和拓扑信息通过联合损失函数，反向传播于三个网络模块进行更新，以达到将基础特征在纹理信息和拓扑信息的辅佐下转化为指纹表征信息的目的。本发明使用多任务学习方法，多尺度学习指纹特征信息，有效提升指纹识别精度。本发明将指纹多尺度信息融合为一个指纹表征，使得鲁棒性更强。本发明全程采用轻量级网络，节省了硬件资源开销，更加适配端侧设备。
-
公开(公告)号：CN117236116B
公开(公告)日：2025-01-07
申请号：CN202311199491.2
申请日：2023-09-18
Applicant: 杭州电子科技大学
IPC: G06F30/23 , G06T17/20 , G06F30/15 , G06F113/26
Abstract: 本发明公开了一种基于三角网格的飞机长桁加筋壁板高精度建模方法。现有技术中通过FEM软件建模时，建模前期准备要仔细，测量数据要准确，且建模过程中工作量大，通过CAD软件建模时，人工操作量多，且结构调研和测量要具有针对性。本发明首先构建整体的长桁加筋壁板横截面模型，且若为弯曲蒙皮，判断弯曲蒙皮上各长桁与弯曲蒙皮接触面的贴合程度是否达到要求，若没有达到要求，进一步细分网格和重新构建模型，直到弯曲蒙皮上各长桁与弯曲蒙皮接触面的贴合程度达到要求，最后进行拉伸得到三维模型。本发明相比于传统的FEM建模或CAD建模，具有较强的针对性，提高了建模效率，且具有更高的细节精度，并在保证效率的同时减少人工劳动力。
-
公开(公告)号：CN119128643A
公开(公告)日：2024-12-13
申请号：CN202411232840.0
申请日：2024-09-04
Applicant: 杭州电子科技大学
IPC: G06F18/241 , G06F18/213 , G06N3/0455 , G06N3/0464 , G06F18/25
Abstract: 本发明公开了一种基于MSTNet神经网络的奥茨海默多模态分类方法，包括如下步骤：步骤1、获取奥茨海默ADMC多维数据集，所述多维数据集包括统一数据来源的脑电图、核磁共振成像和量表数据，并将多维数据集划分为训练集和测试集；步骤2、构建MSTNet多模态神经网络模型，所述MSTNet多模态神经网络模型包括时间特征编码器、跨模态融合注意力模块、特征标记器和表格编码架构；步骤3、使用训练集对MSTNet多模态神经网络模型进行训练，结合多模态数据特点，对MSTNet多模态神经网络模型参数调优；步骤4、使用测试集评估完成训练的MSTNet多模态神经网络模型，最终实现奥茨海默多模态分类功能。该方法能够实现自动、智能的奥茨海默多模态分类功能，具有较高的分类准确率和效率。
-
公开(公告)号：CN117828936A
公开(公告)日：2024-04-05
申请号：CN202311817211.X
申请日：2023-12-27
Applicant: 杭州电子科技大学
IPC: G06F30/23 , G06F113/26
Abstract: 本发明提供了一种复合材料螺栓连接渐进损伤分析的有限元仿真方法，包括：步骤S1、基于Hashin失效准则，利用FORTRAN语言编制VUMAT子程序，实现关于Hashin失效准则的数值模拟；步骤S2、采用有限元软件Abaqus建立复合材料螺栓连接三维渐进损伤分析模型，实现复合材料螺栓接头拧紧过程中非线性应力分布以及初始装配损伤的分析。本发明利用VUMAT子程序实现了Abaqus软件的二次开发，对复合材料螺栓连接结构进行三维渐进损伤分析，建模效率高、仿真精度高，更加贴近实际。
-
Patent Agency Ranking
公开(公告)号：CN119672589A
公开(公告)日：2025-03-21
申请号：CN202411493382.6
申请日：2024-10-24
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于卡方过滤的双分支网络视频分割方法。首先利用现有的3D特征提取网络对数据集进行特征提取，然后对提取的特征进行再处理；将再处理的特征输入到双分支神经网络当中，为了结合两分支网络的特性，边界分支注重于识别边界，主干分支注重于识别动作主体，利用投票的形式结合双分支阶段输出的网络参数；最后反向传播更新参数。本发明针对于神经网络使用含有噪声的特征进行训练导致的过拟合问题，提出了一种特征预处理方式，使用卡方过滤与遗传算法来优化未经过处理的特征。本发明通过将预处理部分与双分支神经网络上进行结合，提高了预测的准确率，在50Salads与Gtea数据集上取得了出色的结果。
-
公开(公告)号：CN118940575A
公开(公告)日：2024-11-12
申请号：CN202410988928.9
申请日：2024-07-23
Applicant: 杭州电子科技大学
IPC: G06F30/23 , G06F113/26 , G06F119/02
Abstract: 本发明公开了复合材料T型接头脱粘渐进损伤分析的有限元仿真方法，包括：步骤S1：选择Mises强度准则作为复合材料T型接头中填充物的损伤判据，通过编写子程序VUMAT_MAT1，模拟复合材料T型接头中填充物的失效；步骤S2：选择基于应变的三维Hashin失效准则作为复合材料T型接头中L型层合板和条型层合板的损伤判据，通过编写子程序VUMAT_MAT2，模拟复合材料T型接头中L型层合板和条型层合板的失效；步骤S3：采用有限元软件ABAQUS建立复合材料T型接头脱粘渐进损伤分析模型，实现复合材料T型接头受到位移载荷脱粘的分析。本发明建模效率高、仿真精度高，更加贴合实际，保证计算结果更加准确。
-
公开(公告)号：CN114238758B
公开(公告)日：2023-04-11
申请号：CN202111531109.4
申请日：2021-12-14
Applicant: 杭州电子科技大学 , 浙江盘石信息技术股份有限公司
IPC: G06F16/9535 , G06F16/36 , G06F40/289 , G06F16/35 , G06F18/2415 , G06F18/25 , G06N3/0442 , G06N3/0464 , G06N3/045 , G06N3/047 , G06N3/084 , G06Q30/06
Abstract: 本发明公开一种基于多源跨界数据融合的用户画像预测方法，针对现有技术项目特征稀疏、高阶结构化特征缺失以及用户行为序列特征缺失而导致的用户特征预测不准的问题。基于用户产生的电商数据，利用知识图谱扩充商品特征、利用图卷积网络充分对用户历史购买记录进行挖掘及利用循环神经网络预测用户的潜在购买特征，有效提升了用户画像预测的准确性。本发明的优点在于利用通过知识图谱解决了商品特征稀疏的问题，通过图卷积神经网络解决高阶结构化特征缺失的问题，通过循环神经网络解决了用户行为序列特征缺失的问题，为推荐系统的性能提升打下良好基础。
-
公开(公告)号：CN112487199A
公开(公告)日：2021-03-12
申请号：CN202011331045.9
申请日：2020-11-24
Applicant: 杭州电子科技大学
IPC: G06F16/36 , G06F16/9535 , G06F40/289 , G06K9/62 , G06N3/04 , G06N3/08 , G06Q30/06
Abstract: 本发明公开了一种基于用户购买行为的用户特征预测方法，该方法包括：采集目标用户特征信息、历史订单信息以及订单商品信息，并利用订单商品信息从公开知识图谱获取商品相关的三元组知识，构建知识子图，利用图卷积神经网络聚合实体近邻局部特征，充分学习实体的表示向量；在用户特征预测模型中根据不同的商品特征以及不同的具有相似购买行为用户的特征学习到目标用户与不同商品以及相似购买行为用户的相似度，充分根据用户间以及用户实体间的相似度学习其特征向量，满足用户的个性化需求。本发明提高了用户特征预测的准确性，从而可以更准确地预测用户特征，构造更完整的用户画像。
-
公开(公告)号：CN203931247U
公开(公告)日：2014-11-05
申请号：CN201420287196.2
申请日：2014-05-30
Applicant: 杭州电子科技大学
IPC: G09B19/00
Abstract: 本实用新型公开了一种数控编程教辅仪。目前的案例式数控编程教学代码字体小，不利于学生观看，教学效果较差。本实用新型包括机架、自升降装置、恒力卷纸装置和指示器；自升降装置包括磁性板、自弹抽屉滑轨、滚轮和第一拉簧；背板与磁性板通过自弹抽屉滑轨连接；滚轮与背板铰接；第一拉簧的一端缠绕在滚轮上，并与磁性板固定，另一端与背板固定；骨板的顶部和底部分别设有一个恒力卷纸装置，恒力卷纸装置包括恒力卷纸筒、手轮安装轴、手轮、两个卷纸筒支架、第二拉簧和搓纸轮；指示器包括箭头底座、轴支座、指示箭头安装轴、压簧、钢珠和指示箭头。本实用新型可实现案例中零件图、刀位点和数控代码的同步教学，大大提高教学质量。
-
-
-
-
-
-
-
-
Search Results
19
records
(took 0.031 seconds)
