-
公开(公告)号：CN106453546A
公开(公告)日：2017-02-22
申请号：CN201610875745.1
申请日：2016-10-08
Applicant: 电子科技大学
IPC: H04L29/08 , H04L12/863 , H04L12/733
CPC classification number: H04L67/1097 , H04L45/122 , H04L47/50
Abstract: 本发明涉及分布式存储调度的方法，包括：a.建立评价指标：获得与m个存储节点相关的评价矩阵；b.数据标准化处理：对评价矩阵中的各数据消除量纲效应后，得到评价指标值矩阵；c.利用三角模糊数进行两两比较：得到由三角模糊数组成的判断矩阵和每个评价因素的权重向量和加权评价矩阵，以及每个评价因素的权值；d.求得正负理想值：求得正负理想值和得各存储节点到理想值的距离，对各存储节点进行排序，选出最优的存储节点。本发明的方法，能够对调度过程中的各种影响因素进行综合分析，从而选择出最优选的存储节点进行响应，极大程度提高了网络远程分布式存储的数据传输性能和存储效率，明显改善了分布式存储的存储质量。
-
公开(公告)号：CN118983057A
公开(公告)日：2024-11-19
申请号：CN202411039626.3
申请日：2024-07-31
Applicant: 电子科技大学
IPC: G16H20/70 , A61B5/16 , A61B5/318 , A61B5/00 , G06F18/214 , G06F18/213 , G06F18/241 , G06F18/25 , G06F18/22 , G06N3/0455 , G06N3/0464 , G06N3/0895
Abstract: 本发明涉及生理信号处理领域，其公开了一种基于无源领域自适应的精神压力识别方法，解决传统精神压力识别方法存在的多分类识别准确率低、跨域识别迁移难、由于隐私保护和标签失真导致识别无法开展的问题。其首先构建源域训练集和目标域训练集；接着，对两训练集中的数据进行预处理；然后，对源域训练集中的数据进行变换，并分配伪标签，对特征提取器和源域分类器进行自监督预训练；接着，基于目标域训练集对特征提取器、源域分类器和目标域分类器进行自适应训练；最后基于训练完成的特征提取器和目标域分类器构建精神压力识别模型。在执行识别任务时，通过穿戴式设备采集操作人员的心电信号，将其作为模型的输入，识别操作人员的精神压力类别。
-
公开(公告)号：CN116757282A
公开(公告)日：2023-09-15
申请号：CN202310749294.7
申请日：2023-06-21
Applicant: 电子科技大学
IPC: G06N5/025 , G06N5/04 , G06F16/36 , G06F18/214 , G06N3/092 , G06N3/0442 , G06Q50/00
Abstract: 本发明公开了一种基于强化状态建模的知识图谱多跳推理方法，包括以下步骤：利用一组嵌入模型对知识图谱数据进行预训练，得到实体和关系的嵌入表示，并使用测试集评估各嵌入模型的预测性能，得到一组MRR指标；根据MRR指标计算模型权重，并对各嵌入模型进行排序，得到带权重的嵌入模型；根据带权重的嵌入模型，对每个查询计算对应的全局目标嵌入表示；根据全局目标嵌入表示，构建强化学习状态模型；对强化学习状态模型进行训练，并使用训练完成的强化学习状态模型进行知识图谱的推理补全工作，完成基于强化状态建模的知识图谱多跳推理。本发明解决了针对强化代理全局信息表征不足，在稀疏图谱上的推理缺乏依据，从而限制了模型链接预测性能的问题。
-
公开(公告)号：CN113989326B
公开(公告)日：2023-08-25
申请号：CN202111240446.8
申请日：2021-10-25
Applicant: 电子科技大学
IPC: G06T7/246 , G06T7/73 , G06N3/0442 , G06N3/08
Abstract: 本发明公开了一种基于注意力机制的轨迹预测方法，属于计算机视觉技术领域。本发明首先提取目标的位置序列；然后对每个目标利用长短期记忆网络编码获取目标轨迹特征表达，之后采用图注意力网络对目标轨迹之间的交互特征进行融合处理，并基于注意力机制得到目标轨迹各历史时刻之间的时序特征，最后将融合了交互特征与时序特征的目标轨迹特征作为长短期记忆网络的输入，解码并计算得到目标的预测位置。本发明基于对目标关系进行推理并通过注意力机制引入时序特征提高轨迹预测的准确率。
-
公开(公告)号：CN109346063B
公开(公告)日：2022-10-14
申请号：CN201811188759.1
申请日：2018-10-12
Applicant: 电子科技大学
Abstract: 本发明公开了一种语音数据增强方法，具体属于机器学习处理时的语音数据增强技术领域。本发明通过训练集中的语音数据的语谱图训练多个自动编码器，使用待增强的语音数据集的语谱图形式对自动编码器进行分别训练，从而获得N个基于待增强语音数据的自动编码器，利用这些不同结构下的自动编码器对原始数据的编码表达，从而实现以待增强的语音数据语谱图进行输入后获得多组结构差异化的输出语谱图结构，最后通过对这些语谱图结构进行融合合并，得到一个新产生可用以训练的语音语谱图数据，其与输入前数据在主体结构上保持了一定一致性，但是在一些结构特征上却有着较为不一致的表达。从而提高基于语音数据的机器学习模型性能。
-
Patent Agency Ranking
公开(公告)号：CN111832475B
公开(公告)日：2022-08-12
申请号：CN202010666506.1
申请日：2020-07-10
Applicant: 电子科技大学
IPC: G06V40/16 , G06V10/26 , G06V10/774 , G06V10/764 , G06V10/80 , G06V10/82 , G06K9/62 , G06N3/04
Abstract: 本发明涉及人脸检测识别技术领域，目的在于有效提高分类精度，降低泛化误差，实现对人脸误检结果的有效分类筛除，具体涉及一种基于语义特征的人脸误检筛除方法，具体为以原始图像数据作为此阶段的输入，通过人脸检测与对齐算法对原始图像进行人脸检测并对齐，将检测对齐结果缩放至112*112尺寸；采用基于BiSeNet的实时人脸语义分割方法对输入的人脸检测对齐结果进行像素级的人脸语义分割，得到语义分割结果；采用特征工程技术，对语义分割结果进行处理，构造并挑选出最具表征能力的语义特征；采用Stacking模型集成框架对输入的语义特征进行运算，得到最终的人脸误检分类结果并完成误检筛除；实现对人脸误检结果的有效分类筛除，提高整体检测算法的性能与鲁棒性。
-
公开(公告)号：CN111814706B
公开(公告)日：2022-06-24
申请号：CN202010673471.4
申请日：2020-07-14
Applicant: 电子科技大学
Abstract: 本发明涉及计算机视觉技术，其公开了一种基于多任务卷积神经网络的人脸识别及属性分类方法，在人脸识别任务和属性分类任务上同时达到较高的精确度。该方法包括以下步骤：S1、对人脸图像样本进行预处理；S2、通过设计的多任务卷积神经网络模型对预处理后的人脸图像样本提取出属性特征和人脸全局特征；S3、基于注意力机制计算不同属性与人脸识别任务的相关度，并根据相关度将属性特征融合进人脸特征中；S4、多任务卷积神经网络模型同时进行人脸识别任务和属性分类任务，并通过计算损失来训练优化模型；S5、利用优化后的模型对输入的人脸图像同时进行属性分类和人脸识别任务。
-
公开(公告)号：CN114168845A
公开(公告)日：2022-03-11
申请号：CN202111406256.9
申请日：2021-11-24
Applicant: 电子科技大学
IPC: G06F16/9535 , G06N3/04
Abstract: 本发明涉及物品推荐领域，其公开了一种基于多任务学习的序列化推荐方法，提高系统推荐结果的准确率和多样性。该方法包括：S1、计算用户的意图向量表征信息，并与用户上下文信息、用户画像信息的Embedding表征进行特征拼接输入至双塔模型的用户侧，获取物品Embedding矩阵并输入至双塔模型的物品侧，生成初步的物品推荐列表；S2、采用基于卷积神经网络CNN和长短期记忆网络LSTM捕捉用户历史行为轨迹，并利用注意力机制从用户历史行为轨迹中捕捉与当前意图最相关的信息，结合初步物品推荐列表中的物品信息，通过滑动推理计算生成细粒度的有序推荐列表；S3、以细粒度的有序推荐列表作为输入，通过预训练的多任务学习神经网络模型调整序列的全局有序性，生成最终的推荐列表。
-
公开(公告)号：CN113989326A
公开(公告)日：2022-01-28
申请号：CN202111240446.8
申请日：2021-10-25
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于注意力机制的轨迹预测方法，属于计算机视觉技术领域。本发明首先提取目标的位置序列；然后对每个目标利用长短期记忆网络编码获取目标轨迹特征表达，之后采用图注意力网络对目标轨迹之间的交互特征进行融合处理，并基于注意力机制得到目标轨迹各历史时刻之间的时序特征，最后将融合了交互特征与时序特征的目标轨迹特征作为长短期记忆网络的输入，解码并计算得到目标的预测位置。本发明基于对目标关系进行推理并通过注意力机制引入时序特征提高轨迹预测的准确率。
-
公开(公告)号：CN113705394A
公开(公告)日：2021-11-26
申请号：CN202110935756.5
申请日：2021-08-16
Applicant: 电子科技大学
Abstract: 本发明提供一种长短时域特征结合的行为识别方法，属于人工智能深度学习视频理解行为识别技术领域，包括S1：获取包含人类行为的视频，预处理后得到与视频对应的目标视频帧序列；S2：构建以ResNet50网络为骨干网络、包含50个残差块的行为识别网络，残差块由短时域运动特征增强模块和长时域运动特征集成模块堆叠而成；S3：基于目标视频帧序列和预设目标行为类别对行为识别网络进行训练，得到训练完成的行为识别模型；S4：将待检测视频预处理后得到待检测视频帧序列，输入至训练完成的行为识别模型中，得到待检测视频的目标行为类别，实现待检测视频中人类行为的识别，提升模型运动特征建模能力及时空特征和运动特征的交互效率。
-
-
-
-
-
-
-
-
-
Search Results
79
records
(took 0.031 seconds)
