-
公开(公告)号:CN101621693A
公开(公告)日:2010-01-06
申请号:CN200910104522.5
申请日:2009-07-31
Applicant: 重庆大学 , 四川虹微技术有限公司
IPC: H04N7/26
Abstract: 本发明公开了一种结合目标分割和不规则块补偿的帧频提升方法,其特征在于:包括以下步骤:第一、建立空白待插帧;第二、对参考帧和空白待插帧进行下抽样;第三、计算前后两参考帧帧差,得到运动目标轮廓,运用形态学方法,得到运动目标区域掩模;第四、分别将两参考帧划分为目标区域和背景区域;第五、运动估计分区域处理,得到初始运动矢量;第六、对得到的初始运动矢量进行平滑,对空白待插帧分块;第七、对平滑后的初始运动矢量进行微调以得到更准确的运动矢量;第八、计算补偿权重系数μ;第九、将块划分为高相关区域和低相关区域;第十、补偿分区域处理,第十一、直至生成内插帧。本方法可广泛的应用在视频编解码、视频处理技术领域。
-
公开(公告)号:CN119623704A
公开(公告)日:2025-03-14
申请号:CN202411669345.6
申请日:2024-11-21
Applicant: 重庆大学
IPC: G06Q10/04 , G06Q50/06 , G06F18/10 , G06F18/213 , G06N3/0464 , G06N3/084 , G06N5/04 , G06F123/02
Abstract: 本发明公开了一种基于大模型的跨模态水量预测方法,该方法包括获取原始水量数据,并对原始水量数据进行预处理;将预处理后的原始水量数据切分为数据块;将数据块进行模态对齐,将数据块中的时序特征的转换为原始数量数据对应第一文本特征;设置提示词;将提示词输入大模型,生成第二文本特征;将第一文本特征和第二文本特征输入大模型进行特征提取;将大模型的输出进行线型投影,从而生成水量预测结果。本发明的方法提高了对水量预测的精度。
-
公开(公告)号:CN116305750A
公开(公告)日:2023-06-23
申请号:CN202211619903.9
申请日:2022-12-15
Applicant: 重庆大学 , 温州大学智能锁具研究院
Abstract: 本发明涉及电子鼻气味感知技术领域,具体公开了一种基于分形几何与温度调制的大规模气味传感阵列设计方法,该方法将N种气敏材料分区域布置在N个阵列式排布的传感阵列区域中,其中每个传感阵列区域由多个传感单元阵列式排布而成,传感单元的工作电极和加热电极的形状设计为分形曲线;通过改变加热电极的电阻值实现每个传感单元不同的工作温度,从而实现不同的选择性。本发明的设计大大增加了阵列的敏感气体覆盖范围,提供了更多的气味信息,提升了气味识别的准确性和多样性,还大大减少了引出电极数量,提高了识别速度。
-
公开(公告)号:CN115963488A
公开(公告)日:2023-04-14
申请号:CN202211307561.7
申请日:2022-10-25
Applicant: 重庆大学
Abstract: 本发明涉及雷达通信技术领域,具体公开了一种雷达通信频谱共存系统的高性能频谱共享配置方法,为了在多个约束条件下信干噪比(Signal to Interference plus Noise Ratio,SINR)最大化,抑制共存系统的相互干扰,设计了目标函数(原问题);基于目标函数是非凸的,本方法进一步导出了一个迭代过程来计算一系列子问题,允许每个原始变量有一个低复杂度的解析解。首先在通信系统有限功率约束下,求解出最大化信干噪比的通信系统码本。然后,根据信干噪比最大化准则得出雷达系统最优滤波权向量,用以抑制通信信号对雷达的干扰。最后,借助雷达波形局部化设计(Local Design For Radar Waveform,LDFRW),可以将雷达发射波形优化问题进行转化,利用二阶锥规划(Second‑Order Cone Programming,SOCP)得出最优雷达系统发射波形。
-
公开(公告)号:CN110490324A
公开(公告)日:2019-11-22
申请号:CN201910773986.9
申请日:2019-08-21
Applicant: 重庆大学
IPC: G06N3/08
Abstract: 本发明提供一种梯度下降宽度学习系统实现方法,梯度下降宽度学习系统由特征层、增强层和输出层三个密集层和一个合并层构成,特征层使用随机映射将输入数据映射为映射特征以形成特征节点,增强层对特征层输出的映射特征进行增强以形成增强节点,合并层将特征节点和增强节点的输出进行合并后作为一个整体输入到输出层,输出层将合并层的输出进行映射成网络最终的输出,训练时小批量训练样本被不断输入梯度下降宽度学习系统,梯度下降宽度学习系统采用梯度下降法来更新网络的权重,使均方误差MSE损失函数的损失逐渐减小。本方法实现的梯度下降宽度学习系统在不断进行小批量训练样本训练时,能够明显提升分批训练时的回归性能,可应用于回归任务。
-
公开(公告)号:CN105913079B
公开(公告)日:2019-04-23
申请号:CN201610216768.1
申请日:2016-04-08
Applicant: 重庆大学
Abstract: 本发明提供了一种基于目标域迁移极限学习的电子鼻异构数据识别方法,其从机器学习角度提出域迁移极限学习机框架用于解决传感器漂移问题,利用电子鼻在未发生漂移时采集的气体传感器阵列感测数据矩阵以及发生漂移后采集的有标签的和无标签的气体传感器阵列感测数据矩阵分别构建源域数据集、目标域数据集和待测域数据集,并分别作为极限学习机的输入,对电子鼻的识别分类器进行学习,以提升识别分类器在电子鼻发生漂移后对气体识别的容差性能,达到漂移补偿和提高对气体识别中异构数据样本的识别精度的目的,并且持了极限学习机的技术优点,使得该方法具备了较好的泛化性和迁移性能,能够在不同的电子鼻产品针对不同的气体识别应用上广泛适用。
-
公开(公告)号:CN107483912B
公开(公告)日:2019-01-25
申请号:CN201710767972.7
申请日:2017-08-31
Applicant: 成都斯斐德科技有限公司 , 重庆大学
IPC: H04N13/30 , H04N13/302
Abstract: 本发明公开了一种基于浮点型柱状透镜光栅的多视点图像融合方法,在现有技术基础上,针对系数阵列生成,采用先乘除法后取余运算,然后再对行和列的计算进行变形,这样不仅能减少取余运算的个数,而且也能使得变形之后的计算中减少了浮点型数据的乘法运算,计算量更少。在行、列变形之后的公式上,转化取余运算,硬件中没有对于浮点型数据的取余运算,通过一个比较器转化为硬件能实现的加减运算;同时,在进行图像子像素采集时,融合图像中的每一个子像素来源于不同的两个视点,且每个视点占不同的比例,这样将多幅视图进行子像素采集并加权融合成一幅适合于浮点型柱状透镜光栅显示的裸眼3D图像,在保证精度的同时,更加节省硬件资源。
-
公开(公告)号:CN105651939B
公开(公告)日:2017-11-07
申请号:CN201511004217.0
申请日:2015-12-29
Applicant: 重庆大学 , 重庆固仁科技有限公司
IPC: G01N33/00
Abstract: 本发明公开了一种电子鼻系统中基于凸集投影的浓度检测精度校正方法,通过在电子鼻终端传感器阵列中设置一个高精度标准气体传感器,并将传感器阵列检测信号传输至服务器进行类别判断和浓度计算得到浓度检测结果,以所述高精度标准气体传感器对标准气体的浓度检测结果和温湿度为参照,利用凸集投影的方法调整各个待校正气体传感器的响应信号,修正气体浓度计算网络的输入值,使待校正气体传感器所测标准气体浓度值接近高精度标准气体传感器所测标准气体浓度值,以确定传感器校正系数,达到校正其它待测气体浓度检测结果的目的。其效果是:提升了电子鼻对所测气体浓度的检测精度,有效地解决电子鼻传感器差异及长期漂移问题。
-
公开(公告)号:CN106485208A
公开(公告)日:2017-03-08
申请号:CN201610840591.2
申请日:2016-09-22
Applicant: 小菜儿成都信息科技有限公司 , 重庆大学
IPC: G06K9/00
Abstract: 本发明公开了一种单通道脑电信号中眼电干扰的自动去除方法,首先分别对采集到的单通道脑电信号和反相后的单通道脑电信号进行基于MSDW的眼电干扰区间检测,得到眼电干扰区间,然后采用基于小波变换的眼电估计方法对每个干扰区间内的单通道脑电信号进行眼电信号估计,然后从单通道脑电信号减去估计得到的眼电信号,得到眼电干扰去除后的脑电信号,实现眼电干扰的去除。本发明仅需基于单通道脑电信号就可以进行眼电信号的检测并去除眼电干扰,通过对干扰区间检测和眼电信号估计的改进,提高眼电信号估计准确率,从而提高眼电干扰去除效果。
-
公开(公告)号:CN103903256B
公开(公告)日:2017-01-25
申请号:CN201310429867.4
申请日:2013-09-22
Applicant: 四川虹微技术有限公司 , 重庆大学
IPC: G06T7/00
Abstract: 本发明公开了一种基于相对高度深度线索的深度估计方法,首先通过边缘检测获得边缘图,然后通过霍夫变换判断出图像场景,根据图像场景选择相应的模板进行深度估计,获得初始深度图,从而实现多种图像场景的深度估计。此外,通过获取图像的显著图,使图像中同一深度的目标得到的深度值会不一致的情况得以改善,提高深度图准确度。同时采用联合双边滤波对初始深度图以及显著图进行滤波,使其平滑强度更好,进一步改善深度图的质量。
-
-
-
-
-
-
-
-
-