-
公开(公告)号：CN114143737B
公开(公告)日：2023-11-24
申请号：CN202111561251.3
申请日：2021-12-17
Applicant: 暨南大学
Abstract: 本发明公开了一种基于WiFi无接触感知的多人室内定位方法，该方法包括单人离线指纹数据库构建和多人在线定位匹配两个阶段。首先通过对收集到的信道状态信息进行预处理、特征提取等步骤构建单人指纹数据库，所提取的特征反映位置信息；其次，将多人室内定位场景建模为盲源分离问题，并采用RobustICA算法对混合的CSI信号进行分离；最后，对分离后的信号提取特征，利用KNN算法与指纹库进行匹配，完成对多个人的无接触感知定位。本发明通过对WiFi的信道状态信息进行特征提取、分离、匹配，实现成本低、可用性大、适用性强的多人无接触感知定位。
-
公开(公告)号：CN111241908B
公开(公告)日：2023-04-14
申请号：CN201911172403.3
申请日：2019-11-26
Applicant: 暨南大学
Abstract: 本发明提供一种基于深度卷积神经网络的幼禽生物特征识别装置，包括：幼禽定位模块，包括级联的多个卷积神经网络子模块和至少一个全连接层子模块，幼禽定位模块输入包含有幼禽的原图像，经运算后输出幼禽在原图像中的预测的位置信息；剪裁模块，根据位置信息对原图像执行裁剪处理，输出裁剪大部分背景后的幼禽外观图像；以及识别模块，包括级联的至少由第一卷积神经网络子模块、扩展卷积子模块以及第二卷积神经网络子模块级联构成的识别子模块，和至少一个全连接层子模块，所述识别模块输入所述幼禽外观图像，经运算后输出识别结果。如此，本通过卷积层的递增完成由粗到细的特征提取过程，能够高精度地完成识别。
-
公开(公告)号：CN114120634B
公开(公告)日：2023-04-07
申请号：CN202111291690.7
申请日：2021-11-03
Applicant: 暨南大学
IPC: G08G1/01 , G06F18/213 , G06F18/24 , G06F18/241 , G06F18/25 , G06F18/2135 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于深度学习与WiFi感知相结合的端云协同危险驾驶行为识别方法、装置、计算机设备及存储介质，本发明采用深度学习方法，一方面摒弃数据预处理中小波变换、动态时间规整、主成分分析等冗杂的步骤，简化预处理步骤；另一方面提出多子载波多链路融合方法，采用全部收集到的CSI共同生成CSI‑Image，并送入深层卷积神经网络中进行训练。完成训练的分类识别模型分别部署在车机端和云端上，由车机端和云端协同识别出相应的危险驾驶行为，并警告驾驶员。本发明充分结合云端高性能和车机端近距离的特性，使该危险驾驶行为识别方法兼顾了高性能与低时延的特性，显著提高危险驾驶行为识别的准确性和鲁棒性。
-
公开(公告)号：CN115438837A
公开(公告)日：2022-12-06
申请号：CN202210945483.7
申请日：2022-08-08
Applicant: 暨南大学
Abstract: 本发明提供一种基于图卷积与注意力机制的时空旅游需求预测方法，包括以下步骤：数据获取；景点间空间联系分析：根据所获取的数据，确定可以显式表示的景点间空间联系，同时归纳隐式空间联系可能的相关因素；时空信息表示：针对显式和隐式空间联系分别构建动态多维图、时空序列；高维空间联系嵌入：根据时空信息表示，使用图卷积嵌入层和空间自注意力嵌入层分别提取高维显式与隐式空间联系表示，聚合成高维空间联系表示；高维时空特征提取：应用双向卷积长短时记忆层与时间自注意力层逐步提取短期高维时空特征和长期高维时空特征；时空旅游需求预测。本发明可显著提升时空旅游需求预测性能，该分析方法与预测模型具有重要的指导意义与应用价值。
-
公开(公告)号：CN110809313B
公开(公告)日：2022-07-05
申请号：CN201911015085.X
申请日：2019-10-24
Applicant: 暨南大学
Abstract: 本发明公开了一种HARQ辅助NOMA技术的下行功率分配方法，该方法实现步骤如下：首先面向超可靠高能效通信来构建基于三种基本类型HARQ辅助NOMA技术的下行功率分配的优化问题，并利用分集阶数进行简化；然后分别求解三种HARQ类型所对应优化问题的最优功率分配因子以及系统最大最小化分集阶数；紧接着根据最大最小化分集阶数来确定适合的HARQ类型以降低复杂度和开销；最后采用功率域叠加编码技术进行多用户复用。该方法通过运用分集阶数来替代中断概率从而避免了难以解析求解优化问题的难题，不但充分降低了计算复杂度，而且有效提高通信可靠性。
-
Patent Agency Ranking
公开(公告)号：CN114120634A
公开(公告)日：2022-03-01
申请号：CN202111291690.7
申请日：2021-11-03
Applicant: 暨南大学
Abstract: 本发明公开了一种基于深度学习与WiFi感知相结合的端云协同危险驾驶行为识别方法、装置、计算机设备及存储介质，本发明采用深度学习方法，一方面摒弃数据预处理中小波变换、动态时间规整、主成分分析等冗杂的步骤，简化预处理步骤；另一方面提出多子载波多链路融合方法，采用全部收集到的CSI共同生成CSI‑Image，并送入深层卷积神经网络中进行训练。完成训练的分类识别模型分别部署在车机端和云端上，由车机端和云端协同识别出相应的危险驾驶行为，并警告驾驶员。本发明充分结合云端高性能和车机端近距离的特性，使该危险驾驶行为识别方法兼顾了高性能与低时延的特性，显著提高危险驾驶行为识别的准确性和鲁棒性。
-
公开(公告)号：CN111260450A
公开(公告)日：2020-06-09
申请号：CN202010099879.5
申请日：2020-02-18
Applicant: 暨南大学
Abstract: 本发明提供一种基于区块链技术的电力交易系统，包括：电力交易中心平台，面向交易双方提供交易申报和确认功能，通过交易申报的功能让用户对用电量和电价进行申报；以及区块处理模块，将通过所述电力交易中心平台进行申报和确认所实现的交易信息打包成新区块，存储入底层区块链中，其中所述交易信息包括根据所述交易双方的合约地址、地址所对应的加密值、交易信息和平台运营日志中的至少一项所获得的值。本发明的基于区块链技术的电力交易系统，保证双边交易的安全、可靠、隐私，鼓励余电进行双边、去中心化的交易，以区块链网络连接，保证了交易的隐私性、安全性，同时解决了交易双方的信任问题。
-
公开(公告)号：CN119848524A
公开(公告)日：2025-04-18
申请号：CN202510228178.X
申请日：2025-02-28
Applicant: 暨南大学 , 深圳无线电检测技术研究院
IPC: G06F18/2134 , G06F17/16 , G06F18/2431 , H04B17/10
Abstract: 本发明公开了一种频谱混叠无线信号深度识别方法，包括以下步骤：对监测到的M条频谱混叠信号通过非负矩阵分解，构建目标函数Q1并求解，得到第m个频谱混叠信号包含种类信息的系数矩阵Am、信号种类共识矩阵A*；构建目标函数Q2，对Am进行进一步分解，得到频谱混叠信号中各个信号的位置与发射功率，其中信号的位置是对监测区域进行网格划分得到的网格位置。本发明集成了信号识别、信号位置估计与发射功率估计于一个深度识别框架中，通过多层的NMF来对频谱混叠信号的多参数进行解耦估计；本发明能够对频谱混叠信号进行深度识别，识别出频谱混叠信号中未知信号的种类、位置与发射功率。
-
公开(公告)号：CN119150142A
公开(公告)日：2024-12-17
申请号：CN202411411173.2
申请日：2024-10-10
Applicant: 暨南大学 , 武汉星纪魅族科技有限公司
IPC: G06F18/2415 , B60K35/10 , G06F3/01 , G06N3/0442 , G06N3/0495 , G06F18/21
Abstract: 本发明公开了一种基于注意力增强的轻量级无线手势识别方法，通过设计基于注意力增强的轻量化网络模型（AELite），结合双向门控循环单元网络（BiGRU）、残差卷积块（Res‑Conv1D）、通道注意力模块（CAM）来充分提取手势特征，在模型参数、模型大小得到控制的条件下能够有效识别手势动作。本发明的无线手势识别方法在提升系统性能的同时，注重轻量级模型的设计，以适应车载场景的需求。
-
公开(公告)号：CN117152698A
公开(公告)日：2023-12-01
申请号：CN202310989893.6
申请日：2023-08-07
Applicant: 暨南大学
IPC: G06V20/56 , G06V10/44 , G06V10/764 , G06V10/82 , G06V10/80 , G06N3/0464 , G06N3/048 , G06N3/084
Abstract: 本发明提供一种基于全局离群点特征压制的点云数据处理方法、系统和计算机设备，本方法先获取点云数据，利用M个点云采样通道对点云数据进行卷积编码特征提取，得到M个特征输出信息；计算点云数据中每一点云与其他点云的欧氏距离，得到对应每一点云的距离信息，基于距离信息，计算点云的局部贡献估计值，经多层卷积层拟合处理，得到用于衡量点云离群信息的点云权重分数；基于点云权重分数，将M个特征输出信息融合，得到第一特征压制结果。本发明使远离中心点的特征向量趋近于0，而靠近中心点的特征向量几乎不变，实现基于全局离群点的对特定点云特征的压制，提高分类准确性，并弥补了空间感的缺失。
-
-
-
-
-
-
-
-
-
Search Results
49
records
(took 0.031 seconds)
