-
公开(公告)号：CN118300936B
公开(公告)日：2024-12-27
申请号：CN202410393793.1
申请日：2024-04-02
Applicant: 安徽大学
IPC: H04L25/03
Abstract: 本发明公开了一种鲁棒且高精度的超奈奎斯特系统打包率估计方法，包括：获取传输导频块，根据传输导频块构建传输帧；基于超奈奎斯特系统对传输帧进行仿真传输，设置若干个下采样因子，将所述若干个下采样因子分别输入下采样符号生成模型，得到下采样符号，并基于从下采样符号提取的下采样后的导频块及传输导频块，通过差分广义后验累加算法生成若干个下采样因子对应的判决值；提取数值最大的判决值对应的下采样因子，根据所述提取的下采样因子，得到超奈奎斯特系统的打包率。通过上述技术方案，本发明可以抵抗高频偏和相噪，获取随机打包率的表现较好，提高超奈奎斯特系统的打包率估计精度。
-
公开(公告)号：CN117972684B
公开(公告)日：2024-09-06
申请号：CN202410104113.X
申请日：2024-01-25
Applicant: 安徽大学
IPC: G06F21/55 , G06F21/62 , G06F21/57 , G06F18/214 , G06F18/2433
Abstract: 本发明公开了基于人工智能的数据库异常访问检测方法，包括日志收集、信息验证、日志预处理、日志分析、深层分析、异常管理；涉及访问检测技术领域，本发明通过信息验证模型自动提取用户端I P和用户I D，并将其与预设规则策略库进行匹配，可以准确判断用户是否具有访问权限，避免了误判和漏判的情况发生，减少了人工干预的需求，提高了处理效率，能够有效地识别和预防潜在的安全风险，提高系统的安全性，该方法采用了多步骤的分析过程，使得异常检测更加全面和准确，根据预设的安全策略区和时间规则策略进行匹配，提高了异常检测的准确性和效率，同时可以生成详细的异常信号，方便管理员进行后续的处理和决策。
-
公开(公告)号：CN117972684A
公开(公告)日：2024-05-03
申请号：CN202410104113.X
申请日：2024-01-25
Applicant: 安徽大学
IPC: G06F21/55 , G06F21/62 , G06F21/57 , G06F18/214 , G06F18/2433
Abstract: 本发明公开了基于人工智能的数据库异常访问检测方法，包括日志收集、信息验证、日志预处理、日志分析、深层分析、异常管理；涉及访问检测技术领域，本发明通过信息验证模型自动提取用户端I P和用户I D，并将其与预设规则策略库进行匹配，可以准确判断用户是否具有访问权限，避免了误判和漏判的情况发生，减少了人工干预的需求，提高了处理效率，能够有效地识别和预防潜在的安全风险，提高系统的安全性，该方法采用了多步骤的分析过程，使得异常检测更加全面和准确，根据预设的安全策略区和时间规则策略进行匹配，提高了异常检测的准确性和效率，同时可以生成详细的异常信号，方便管理员进行后续的处理和决策。
-
公开(公告)号：CN113470671B
公开(公告)日：2024-01-23
申请号：CN202110716972.0
申请日：2021-06-28
Applicant: 安徽大学
IPC: G10L21/02 , G10L21/0272 , G10L21/0316 , G10L21/06 , G10L25/30
Abstract: 一种充分利用视觉与语音联系的视听语音增强方法及系统，属于语音信号处理技术领域，解决如何利用视觉与语音之间的内在联系，在现实中嘈杂的语音环境中实现对目标语音信息进行增强的问题；在语音特征和视觉特征融合之前，通过BLSTM对视觉特征进行初次利用，由此得到的目标的二进制掩码和原始的噪声幅度谱图获取的语音特征相融合从而得到干净幅度二进制掩码，将此幅度掩码代替基本框架中的视觉特征和语音特征一起馈入BLSTM和全连接层组成的训练网络；同时在基础的增强网络之上，基于频域，加入后置相位子网络，利用语音的幅度和相位在结构上相关性，获取增强相位谱图和幅度谱图相融合使得语音增强效果更佳，提高了增强后语音清晰度，降低语音失真率。
-
Patent Agency Ranking
公开(公告)号：CN109614907B
公开(公告)日：2022-04-19
申请号：CN201811469353.0
申请日：2018-11-28
Applicant: 安徽大学
Abstract: 基于特征强化引导卷积神经网络的行人再识别方法及装置，方法包括：1)收集行人图像数据并做好分类标签，并将分类后的行人图像数据分为训练集和测试集；2)构建特征强化引导的卷积神经网络；3)将步骤1)中的训练集特征强化引导的卷积神经网络，训练得到行人再识别的预训练模型；4)用步骤1)中的测试集测试步骤3)中训练得到的预训练模型，根据测试结果调整训练参数重新训练，得到最佳预训练模型；5)使用目标场景中的部分目标行人图像训练最佳预训练模型，得到目标模型，再使用目标模型对行人库中的图像进行检测，得到含有目标行人的目标图像。应用本发明实施例，可以解决现有技术中存在的误差较大的技术问题。
-
公开(公告)号：CN107203788B
公开(公告)日：2020-06-23
申请号：CN201710467335.8
申请日：2017-06-20
Applicant: 安徽大学
Abstract: 本发明公开了一种中级视觉毒品图像识别方法，获取毒品的图像与非毒品图像，获得有效的方形训练图像；从训练集中选取图像，将每一张图像分割成不同的部分，将中级视觉图进行自主学习，经过多次迭代，最后分配给每个中级视觉图不同的权重值即概率；将中层视觉图及其概率，放入到贝叶斯中分类器中进行分类，经过多次迭代最后得到模型；将得到的模型在测试集上进行测试，输出结果判断是哪一种毒品。本发明把中层视觉和概率很好的结合在一起，为后面训练优化的模型做了铺垫，构建中层视觉和概率结合的框架，最后可以很好地训练出一个模型；中层视觉概率框架和训练紧密的链接在一起，提高了模型识别的准确性。
-
公开(公告)号：CN108647619A
公开(公告)日：2018-10-12
申请号：CN201810411342.0
申请日：2018-05-02
Applicant: 安徽大学
Abstract: 本发明公开了一种基于深度学习的视频中安全帽佩戴的检测方法及装置，方法包括：从搜集的视频数据中取M张图片；将M张中的N张图片进行标注，对M张图片进行标注获取行人正样本数据、行人负样本数据、安全帽正样本数据、安全帽负样本数据；使用行人正样本数据和行人负样本数据训练行人检测网络，使用安全帽正样本数据和安全帽负样本数据训练安全帽检测网络；获取待检测图片，通过背景差分法获取待检测区域；将待检测区域输入到训练后的行人检测网络，判断待检测区域中是否存在行人；若是，执行将所述存在行人的待检测区域中的预设区域输入到训练后的安全帽检测网络中进行检测；若未检测到，发出警报。应用本发明实施例，可以提高检测效率。
-
公开(公告)号：CN108039044A
公开(公告)日：2018-05-15
申请号：CN201711270260.0
申请日：2017-12-05
Applicant: 安徽大学
Abstract: 本发明公开了一种基于多尺度卷积神经网络的车辆智能排队的系统及方法，首先搜集样本数据并进行筛选；将筛选的图片进行增强，通过背景减法得到一组有关运动信息的数据；不同类型的图片分别送入外观、运动信息全卷积神经网络；将上述网络训练的两个模型特征融合和决策融合，得到最终的检测模型；将待检测图片输入到训练后的网络，获得各个通道上的车辆排队的车辆数，以及预测排队的时间；通过前方电子屏幕，实时引导车辆进入，排队时间相对较短的服务车道，提高通行效率。本发明将运动特征和外观特征很好的结合在一起。有利于对运动物体的准确检测，同时采用多尺度卷积神经网络，能有效的获取不同大小车型的特征，提高了模型结果的准确性。
-
公开(公告)号：CN104992223B
公开(公告)日：2018-02-16
申请号：CN201510336483.7
申请日：2015-06-12
Applicant: 安徽大学
Abstract: 本发明涉及一种基于深度学习的密集人数估计方法，包括以下步骤：选择一幅密集场景的图像作为测试图像，然后对测试图像进行分块操作，分块的比例要保证与原图像的宽高比近似相同；将分得的图像块进行归一化操作，归一化成32×32的像素块，作为我们的测试样本，并附上对应的真实人数标签；将像素块批量送入已经训练好的深度网络中，对于每个像素块，网络都会反馈一个预测结果；将每个像素块的预测结果求和，所得到的结果就是我们需要估计的测试图像中的总人数。本发明的有益效果是：将深度学习的方法引入到了人数统计这一具体问题之中；构造的包含两路信号的回归模型，从一定程度上降低了出现过拟合的可能性。
-
-
-
-
-
-
-
-
Search Results
59
records
(took 0.019 seconds)
