-
公开(公告)号：CN111489364A
公开(公告)日：2020-08-04
申请号：CN202010277654.4
申请日：2020-04-08
Applicant: 重庆邮电大学
Abstract: 本发明请求保护一种基于轻量级全卷积神经网络的医学图像分割方法。首先对数据集进行灰度化、归一化、对比度受限自适应直方图均衡(CLAHE)、伽马校正等预处理；然后，对训练集进行随机的提取patch和测试集顺序提取patch图以完成数据增强；接着，搭建由收缩路径(左侧)和扩张路径(右侧)组成的全卷积神经网络架构，针对图像数量较少的数据集设计留一法(leave-one-out)训练方法；最后，通过通道稀疏正则化训练、裁剪比例因子小于设定阈值的通道以及微调裁剪后的网络完成BN通道模型裁剪，得到轻量级全卷积神经网络，并将测试数据输入到该网络中快速测试完成图像分割。轻量级全卷积神经网络即保证了深度网络的高分割精度优势，又提高了图像分割网络的测试速度。
-
公开(公告)号：CN110929581A
公开(公告)日：2020-03-27
申请号：CN201911024631.6
申请日：2019-10-25
Applicant: 重庆邮电大学
Abstract: 本发明请求保护一种基于时空特征加权卷积神经网络的脑电信号识别方法。包括步骤：先使用离散小波变换对运动想象脑电信号进行去噪。接着设计了一种时空特征加权卷积神经网络对处理后的脑电信号进行特征提取。第一层的卷积操作在运动想象脑电信号的时间尺度上进行，第二层的卷积操作在通道尺度上进行，这样提取的特征包含了运动想象脑电信号的时空特性；由于提取到的每个特征的重要程度不一样，所以在网络中加入了特征加权的模块，以使得重要的特征突出化，不重要的特征弱化。由该模型提取到的特征能够更加有效地反映各类运动想象脑电信号的特性，能够提高运动想象脑电信号的识别准确率。
-
公开(公告)号：CN109086561A
公开(公告)日：2018-12-25
申请号：CN201811168788.1
申请日：2018-10-08
Applicant: 重庆邮电大学
Inventor： 邹密
IPC: G06F17/50
Abstract: 本发明公开了一种计及各向异性的JA磁滞模型参数提取方法，该方法包括以下步骤：S1.建立考虑各向异性的无磁滞磁化曲线模型；S2.求解JA磁滞电感；S3.采用差分-混合蛙跳复合算法获取JA磁滞模型参数。本发明提出的计及各向异性的JA磁滞模型参数提取方法，从原理上解决了JA磁滞模型参数传统提取方法所存在的技术经济难题，且计算速度快、精度高，具有十分重要的应用价值。
-
公开(公告)号：CN119994871A
公开(公告)日：2025-05-13
申请号：CN202510055376.0
申请日：2025-01-14
Applicant: 重庆邮电大学
IPC: H02J3/00 , H02J3/24 , G06Q10/0637 , G06Q50/06 , G06F18/2131 , G06F18/15 , G06F18/25
Abstract: 本发明涉及一种基于模态傅里叶分解及改进Autoformer的短期电力负荷预测方法，属于电力技术领域。本发明方法包括影响因素相关性分析模块、模态傅里叶联合分解模块与改进Autoformer的集成模块三个部分。本发明提出的短期电力负荷预测方法，在负荷呈现出复杂的非线性特征、噪声干扰以及明显的季节性波动的情况下，具有较高的预测精度与较强的鲁棒性。进行负荷分解测试、鲁棒性测试、一周测试及一天测试，实验结果表明，模态傅里叶联合分解模块显著降低负荷分量的复杂度，本发明所提方法较传统模型有更好的鲁棒性，在一周和一天的测试中具有较高的稳定性，并有最高预测精度。
-
公开(公告)号：CN119813473A
公开(公告)日：2025-04-11
申请号：CN202510055380.7
申请日：2025-01-14
Applicant: 重庆邮电大学
Abstract: 本发明涉及一种基于AC2C‑C2P的储能锂离子电池主动均衡方法，属于集装箱式储能系统的电池组均衡领域。通过以电池的荷电状态SOC作为均衡变量，采用双值均衡策略，充分考虑到个体电池特性的差异，避免了电池组局部不均衡的情况，从而提高电池组可用容量。所提方法通过优化电池能量流动，确保了在电池组均衡时的有效性与高效性。为了验证该方法的优越性，本文进行了对比实验，采用标准差、均衡程度和均衡速度等多项评价指标进行分析。实验结果表明，所提出的均衡拓扑结构和策略提高了电池组均衡效率和精度，具有较高的实用价值和推广潜力，并为未来的电池管理系统提供一种有效的解决方案。
-
Patent Agency Ranking
公开(公告)号：CN117807553A
公开(公告)日：2024-04-02
申请号：CN202311847281.X
申请日：2023-12-28
Applicant: 重庆邮电大学
IPC: G06F18/25 , G06F18/214 , G06F18/10 , G06F18/2131 , G06N3/0464 , G06N3/049 , G06N3/045 , G06F18/2415 , G06F17/14 , A61B5/372 , A61B5/397
Abstract: 本发明请求保护一种基于时频卷积的脑肌电信号融合解码方法。首先对脑电信号和肌电信号的同步触发采集，并对实时信号进行存储，构建了脑肌电同步信号数据集；将预处理后的脑肌电信号进行短时傅里叶变换，分别获取脑肌电信号的时域融合特征和频域独立特征；通过设计的双分支网络结构获取脑肌电信号深层次时域特征，以及在频域特征分支引入频域注意力机制，来增强脑肌电信号在探索不同频域成分中的有效性，提高脑电频域特征的提取与表达；最终将脑肌电信号的时域特征和频域特征在特征层后期进行拼接融合，再将融合后的特征向量输入到两个全连接层中，最后对其进行解码分类，有效的提高了脑肌电融合解码的准确率和稳定性。
-
公开(公告)号：CN116070768A
公开(公告)日：2023-05-05
申请号：CN202310128193.8
申请日：2023-02-16
Applicant: 重庆邮电大学
Abstract: 本发明请求保护一种基于数据重构和TCN‑BiLSTM的短期风电功率预测方法。首先利用结合自适应噪声完备集合经验模态分解(CEEMDAN)对原始风电功率数据进行分解处理，将功率序列分解得到多个本征模态函数(IMF)，以降低神经网络预测模型输入数据的复杂程度。然后计算每个分量的样本熵(SE)值，并将SE值相近的分量归为一类，合并得到新的重构分量，从而减少需要训练和预测的分量数量。最后，建立一种结合时间卷积网络(TCN)和双向长短期记忆网络(BiLSTM)的多元组合预测模型对各分量进行特征提取、信息挖掘及预测，并叠加各分量的预测结果得到最后的预测值。本发明相比于其他风电功率预测传统方法，具有更高的预测精度。
-
公开(公告)号：CN114360041A
公开(公告)日：2022-04-15
申请号：CN202210013760.0
申请日：2022-01-06
Applicant: 重庆邮电大学
Abstract: 本发明公开了基于关键点检测和头部姿态的疲劳状态检测方法及系统，构建并训练主干网络采用深度可分离卷积网络的MMC多任务预测模型，获取单位时间内的若干帧人脸图像，采用MTCNN网络检测每张图像的人脸位置并裁剪出头部图像；将头部图像输入训练好的MMC多任务预测模型中，得到头部姿态角度和人脸关键点的位置信息；利用双阈值法分别判定头部、眼部和嘴部疲劳状态；设定相关系数综合判定人的疲劳状态，结合人脸关键点检测和头部姿态的相关性，采用主干网络为深度可分离卷积网络的MMC多任务预测模型，将两个任务放在同一个网络中同时进行，可以大幅度的减少需要的参数量和运算量，从而提高了模型的检测速度，进而达到实时的效果。
-
公开(公告)号：CN114332989A
公开(公告)日：2022-04-12
申请号：CN202111495330.9
申请日：2021-12-08
Applicant: 重庆邮电大学
IPC: G06V40/16 , G06N3/04 , G06V10/82 , G06V10/774
Abstract: 本发明公开了一种多任务级联卷积神经网络的人脸检测方法及系统，将获取的人脸检测数据集分为训练集和测试集，采用多支路的扩张卷积结构对MTCNN网络中的P网络进行改进，利用训练集分别训练O网络、R网络和改进后的P网络的其中一条支路，得到MTCNN网络的最优参数；以此生成训练好的MTCNN网络；对测试集中的图片进行预处理，将预处理后的图片输入到训练好的MTCNN网络中进行人脸检测，输出检测结果，去除了极其耗时的图像金字塔结构，改之以多支路的扩张卷积代替，不再需要大量搬运数据来完成对图像的多次缩放，也不再需要多次重复的将图像输入到P‑net中，减少了无用操作，从而提高人脸检测的效率。
-
公开(公告)号：CN113705695A
公开(公告)日：2021-11-26
申请号：CN202111013512.8
申请日：2021-08-31
Applicant: 重庆邮电大学
Abstract: 本发明涉及一种基于卷积神经网络的配电网故障数据辨识方法，属于电力技术领域。该方法包括：S1：获取配电网暂态故障数据，并对其进行预处理；S2：利用多层1DCAE搭建故障特征提取网络，并输入预处理后的暂态故障数据训练优化故障特征提取网络，得到低维故障特征；S3：利用多层1DCNN搭建故障特征分类模型，并输入低维故障特征训练优化故障特征分类模型，完成暂态故障数据的不同类型识别。本发明具有自动特征提取能力和较好的容错能力，更适用于配电网中的海量故障数据识别。
-
-
-
-
-
-
-
-
-
Search Results
39
records
(took 0.022 seconds)
