-
公开(公告)号：CN108615010B
公开(公告)日：2022-02-11
申请号：CN201810373477.2
申请日：2018-04-24
Applicant: 重庆邮电大学
Abstract: 本发明请求保护一种基于平行卷积神经网络特征图融合的人脸表情识别方法。该方法模拟人双眼视觉通道，设计一种平行结构的卷积神经网络，在卷积池化层后对平行通道的特征图进行融合；并在全连接层结构上，将其中一通道采用稀疏全连接输出，另一通道采用稠密全连接输出，最后二者输出融合并分类；采用人脸表情数据进行模型训练达到较高识别率后使用测试样本检测模型的识别效果，并获得较高的识别准确率，为情感分析人脸表情识别提供了一个新的方法。
-
公开(公告)号：CN108255813B
公开(公告)日：2021-11-16
申请号：CN201810062016.3
申请日：2018-01-23
Applicant: 重庆邮电大学
IPC: G06F40/289 , G06F16/33
Abstract: 本发明请求保护一种基于词频‑逆文档(TF‑IDF)与CRF的语义匹配方法，选用CRF挖掘到的属性特征和TF‑IDF的统计特征来表示文本的权重值，并将权重值赋予文本词向量。该方法解决了TF‑IDF和CRF单纯从统计角度以及需求信息上获取权重却没有考虑到词语之间语义的问题，同时也解决了Word2vec中固定词特征表述不清楚的问题。结合上述方法处理文本匹配问题可显著提高匹配的准确率。
-
公开(公告)号：CN107844755B
公开(公告)日：2021-07-13
申请号：CN201710993587.4
申请日：2017-10-23
Applicant: 重庆邮电大学
Abstract: 本发明请求保护一种结合降噪自动编码机和卷积神经网络的脑电信号特征提取与分类方法，该方法包括步骤：通过脑电信号采集仪采集脑电数据；对采集到的数据进行去除异样样本、去均值、信号滤波等预处理；使用加入噪声系数的自动编码机对脑电信号进行训练；将降噪自动编码机的隐含层作为特征数据输出；再将所得特征数据转化为类似图像格式；利用卷积神经网络进行分类；最后利用测试数据集对训练好的网络进行性能测试。本发明相对其余传统方法能够获得更高的分类准确率，更强的鲁棒性。
-
公开(公告)号：CN108124261B
公开(公告)日：2020-10-27
申请号：CN201711308704.5
申请日：2017-12-11
Applicant: 重庆邮电大学
Abstract: 本发明涉及一种融合信誉评估与巡查机制的无线传感网安全成簇方法，属于无线传感网安全技术领域。该方法将信誉评估与巡查机制融合在一起，解决了现有无线传感网恶意节点检测识别技术检测率低、检测速率慢、耗费资源多、检测成本高、难以发现潜伏或伪装的恶意节点等问题。本发明采用对汇聚节点巡查到异常行为节点的惩罚机制，快速降低异常节点的信誉值，与现有的技术相比，这是一个针对无线传感网非正常攻击恶意节点检测的安全成簇方法，具有较高的恶意节点检测率、检测速率和节省能量、节点能量消耗均衡，以及实时性强的特点。
-
公开(公告)号：CN111489364A
公开(公告)日：2020-08-04
申请号：CN202010277654.4
申请日：2020-04-08
Applicant: 重庆邮电大学
Abstract: 本发明请求保护一种基于轻量级全卷积神经网络的医学图像分割方法。首先对数据集进行灰度化、归一化、对比度受限自适应直方图均衡(CLAHE)、伽马校正等预处理；然后，对训练集进行随机的提取patch和测试集顺序提取patch图以完成数据增强；接着，搭建由收缩路径(左侧)和扩张路径(右侧)组成的全卷积神经网络架构，针对图像数量较少的数据集设计留一法(leave-one-out)训练方法；最后，通过通道稀疏正则化训练、裁剪比例因子小于设定阈值的通道以及微调裁剪后的网络完成BN通道模型裁剪，得到轻量级全卷积神经网络，并将测试数据输入到该网络中快速测试完成图像分割。轻量级全卷积神经网络即保证了深度网络的高分割精度优势，又提高了图像分割网络的测试速度。
-
Patent Agency Ranking
公开(公告)号：CN110929581A
公开(公告)日：2020-03-27
申请号：CN201911024631.6
申请日：2019-10-25
Applicant: 重庆邮电大学
Abstract: 本发明请求保护一种基于时空特征加权卷积神经网络的脑电信号识别方法。包括步骤：先使用离散小波变换对运动想象脑电信号进行去噪。接着设计了一种时空特征加权卷积神经网络对处理后的脑电信号进行特征提取。第一层的卷积操作在运动想象脑电信号的时间尺度上进行，第二层的卷积操作在通道尺度上进行，这样提取的特征包含了运动想象脑电信号的时空特性；由于提取到的每个特征的重要程度不一样，所以在网络中加入了特征加权的模块，以使得重要的特征突出化，不重要的特征弱化。由该模型提取到的特征能够更加有效地反映各类运动想象脑电信号的特性，能够提高运动想象脑电信号的识别准确率。
-
公开(公告)号：CN106529476B
公开(公告)日：2019-09-10
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：CN110209635A
公开(公告)日：2019-09-06
申请号：CN201910503021.8
申请日：2019-06-11
Applicant: 重庆邮电大学
Abstract: 本发明涉及一种PSD-BPA至pandapower的电力系统潮流输入数据的转换方法，属于电力系统仿真领域。该方法包括以下步骤：S1：读取描述BPA潮流输入数据文件中各种数据卡片格式的配置文件；S2：读取BPA潮流输入数据；S3：把BPA的潮流输入数据转换为pandapower所规定的潮流数据对象，并将其序列化存储到磁盘文件中。本发明通过利用pandapower提供的创建潮流数据的函数，将BPA的潮流输入数据成功转换为pandapower潮流计算所需的数据结构。解决了使用pandapower过程中缺乏实际电网数据的问题，以满足实际工程的需要。
-
公开(公告)号：CN109871882A
公开(公告)日：2019-06-11
申请号：CN201910067894.9
申请日：2019-01-24
Applicant: 重庆邮电大学
Abstract: 本发明请求保护一种基于高斯伯努利卷积深度置信网络的脑电分类信号方法，该方法采用预处理阶段采用基于负熵最大的盲源分离算法去除运动想象脑电的信号干扰；基于互信息选取频率和电极参数，将高斯伯努利受限玻尔兹曼机的无监督学习和卷积神经网络相结合进行特征提取并分类，新的基于高斯伯努利受限玻尔兹曼机的卷积深度置信网络模型模型可以通过生成的卷积滤波器从全尺寸图像中提取出有意义的特性，减少相当多的负权值，能更有效地从邻近的图像补丁中学习空间信息，明显提高了脑电信号类别判别的正确率，使脑电信号类别判别的精确度得到较大改善与提高。
-
公开(公告)号：CN105740349B
公开(公告)日：2019-03-08
申请号：CN201610049581.7
申请日：2016-01-25
Applicant: 重庆邮电大学
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。
-
-
-
-
-
-
-
-
-
Search Results
157
records
(took 0.022 seconds)
