-
公开(公告)号：CN104005909B
公开(公告)日：2017-09-19
申请号：CN201410162896.3
申请日：2014-04-22
Applicant: 重庆邮电大学
IPC: F03D7/00
CPC classification number: Y02E10/723
Abstract: 本发明公开了一种非线性前馈控制与粒子群优化模糊PID控制结合的风力发电机变桨距控制方法。该方法提出基于有功功率偏差的前馈控制策略，当发电机组运行在额定风速以上时，运用发电机有功功率P与额定功率P0得到功率偏差△P；通过MAPSO模糊PID控制器给出变桨距控制期望输出的桨距角β1；同时经非线性前馈控制器得出变桨距控制期望的前馈桨距角β2；MAPSO模糊PID控制器得到的桨距角β1与前馈桨距角β2相加，得到桨距角设定值β。本发明降低了系统的调节时间，增加系统的稳定性和可靠性，较传统控制器具有明显的优势。
-
公开(公告)号：CN107092887A
公开(公告)日：2017-08-25
申请号：CN201710267096.1
申请日：2017-04-21
Applicant: 重庆邮电大学
IPC: G06K9/00
CPC classification number: G06K9/00523 , G06K9/00536
Abstract: 本发明请求保护一种基于Multi‑bands FDBN的运动想象脑电信号的特征提取方法。所述方法首先利用带通滤波器将原始的脑电信号分成多个频段，接着对各频段采用FFT将时域信号转换为频域信号，使用全局min‑max的方式作归一化处理，最后将每个频段的频域数据输入DBN进行训练识别，并采用加权计算的方式将多个softmax分类器的结果进行融合。本发明所述方法从设计上解决了不同频带信息对于该被试作用不同的问题，又通过多个分类器进一步保证了算法的鲁棒性，同时能够较大程度地提高了脑电信号的分类准确率。
-
公开(公告)号：CN106529476A
公开(公告)日：2017-03-22
申请号：CN201610993354.X
申请日：2016-11-11
Applicant: 重庆邮电大学
Abstract: 本发明公开了一种基于深层堆叠网络的脑电信号特征提取及分类方法，首先使用Emotiv脑电信号采集仪采集脑电信号数据；对脑电信号进行去均值、滤波、归一化等预处理；然后使用多个受限玻尔兹曼机对单通道的脑电信号进行独立预训练，提取单个通道的脑电信号，将训练得到的参数用于神经网络的参数初始化；最后采用批量梯度下降的方法对网络进行微调，对各通道的脑电信号特征进行有效融合；对网络进行性能测试并实现分类。本发明能够获得较高的分类准确率。
-
公开(公告)号：CN105740349A
公开(公告)日：2016-07-06
申请号：CN201610049581.7
申请日：2016-01-25
Applicant: 重庆邮电大学
CPC classification number: G06F17/30705 , G06F17/2775 , G06F17/30737 , G06N3/084
Abstract: 本发明请求保护一种结合Doc2vec和卷积神经网络的情感分类方法，该方法将Doc2vec和CNN进行有效的结合。该结合方法对于特征的表示，不但考虑到了词与词之间的语义关系，并且解决了维数灾难，还考虑到了词与词之间的顺序问题。CNN可以通过学习一种深层的非线性的网络结构来弥补浅层特征学习方法的不足，采用分布式表示输入数据的表征，展现了强大的特征学习能力，特征提取和模式分类可以同时进行，CNN模型的稀疏连接和权重共享两个特点可以减少网络的训练参数，使神经网络结构变得更简单，适应性更强。结合Doc2vec和CNN来处理情感分类问题可显著提高情感分类的准确率。
-
公开(公告)号：CN103901887A
公开(公告)日：2014-07-02
申请号：CN201410076572.8
申请日：2014-03-04
Applicant: 重庆邮电大学
IPC: G05D1/02
Abstract: 本发明公开了一种基于粒子群算法的多机器人编队控制方法，该方法采用领航跟随者的方法与人工势场方法相结合，引入粒子群算法，优化跟随机器人运行中的相关参数，使得跟随机器人的运动路径及避障、避碰效果有明显改善。通过调整势场函数，对危险距离以外的受力进行归一化，危险距离以内给予机器人较大的斥力，以优化避障、避碰效果。在粒子群算法中，通过调整权重系数和学习因子，引入竞争机制，以提高算法的优化效果，最终使得跟随机器人的避障、避碰效果有明显改善。
-
Patent Agency Ranking
公开(公告)号：CN103439972A
公开(公告)日：2013-12-11
申请号：CN201310338671.4
申请日：2013-08-06
Applicant: 重庆邮电大学
IPC: G05D1/02
Abstract: 本发明提出了一种动态复杂环境下的移动机器人全局路径规划方法，包括步骤：根据实际环境建立全局环境地图；建立动态障碍物环境；利用栅格法得到栅格地图；栅格法表示的障碍物分布图转化为图的赋权邻接矩阵；采用蚁群算法对环境进行全局路径规划，并使用退步法则处理环境中的陷阱问题；判断路径的当前位置是否到达目标点，如没有到达指定目标点的位置，则重复以上步骤；当前位置已经是指定的目标点位置，结束；本方法简单且易于实现，路径规划效果良好。
-
公开(公告)号：CN114360041B
公开(公告)日：2025-04-15
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：CN114332989B
公开(公告)日：2025-04-08
申请号：CN202111495330.9
申请日：2021-12-08
Applicant: 重庆邮电大学
IPC: G06V40/16 , G06N3/0464 , G06V10/82 , G06V10/774 , G06N3/0475
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：CN119760220A
公开(公告)日：2025-04-04
申请号：CN202411724586.6
申请日：2024-11-28
Applicant: 重庆邮电大学
IPC: G06F16/9535 , G06N3/0895 , G06N20/00 , G06F16/901 , G06N3/042 , G06N3/0464 , G06N3/08 , G16H20/90 , G16H20/10
Abstract: 本发明请求保护一种基于自监督对比学习和语义增强的草药推荐方法。首先使用Word2vec单词嵌入算法，结合症状和草药的语义信息，训练症状和草药的特征表示。然后，构建症状‑草药二部图、症状‑症状协同图和草药‑草药协同图结构，以捕捉症状和草药之间不同类型的关系。利用残差图卷积神经网络聚合邻居节点的特征来更新当前节点的表示，并通过对协同图和二部图进行节点或边的随机丢弃，生成增强的子图。对这些子图进行编码后，采用自监督对比学习方法计算节点之间的对比损失。接着，融合来自不同图的信息，计算草药对症状集合的治疗评分。最后，结合交叉熵损失、Topk损失和对比损失，使用自适应优化算法调整模型的梯度，提高了草药推荐的准确性和可靠性。
-
公开(公告)号：CN119741621A
公开(公告)日：2025-04-01
申请号：CN202411724591.7
申请日：2024-11-28
Applicant: 重庆邮电大学
IPC: G06V20/17 , G06V10/25 , G06N3/045 , G06V10/82 , G06V10/762 , G06V10/774 , G06N3/0464 , G06V10/764 , G06V10/22 , G06V10/44 , G06N3/048
Abstract: 本发明请求保护一种基于区域聚类和特征注意力机制的航拍小目标检测方法。首先将从输入图像中提取到的候选目标的中心坐标作为聚类算法的输入特征。然后使用基于密度的DBSCAN聚类算法对这些目标进行聚类，随后根据聚类结果从图像中裁剪出这些区域，对裁剪出的区域进行中心填充处理来使其保持合理范围内的尺度和比率并将其与原始数据集合并得到新的扩充后的数据集。将扩充后的数据集放入改进后的单阶段目标检测网络RetinaNet中进行训练，用基于注意力机制的检测头进行最终的目标分类和定位。该方法可以达到数据增强的效果。此外，基于注意力机制的检测头可以去除分类和回归任务中无用信息的干扰，使网络能够自适应地关注更适当的信息进行分类和回归。
-
-
-
-
-
-
-
-
-
Search Results
157
records
(took 0.024 seconds)
