-
公开(公告)号：CN109548165A
公开(公告)日：2019-03-29
申请号：CN201910069247.1
申请日：2019-01-24
Applicant: 重庆邮电大学 , 国网宁夏电力有限公司电力科学研究院
IPC: H04W74/02
Abstract: 本发明涉及一种低时延的智能变电站无线通信机制，主要解决智能变电站无线网络中报文传输时延不稳定的问题。其方案是：利用TDMA协议，根据变电站SV和GOOSE周期业务需求，采用周期性公平分配的方法为通信网络中的所有节点分配固定时隙；固定分配的时隙中出现空闲时，利用CSMA/CA协议同时引入报文优先级，为闭锁等突发性业务或者其它不确定性业务竞争信道。本发明为智能变电站设备提供了一种无线通信机制，基于TDMA与CSMA/CA混合的低时延的智能变电站无线通信机制，保证了智能变电站无线网络中周期性报文的时延稳定性，保证突发性报文的传递，提高了信道利用率。
-
公开(公告)号：CN109062639A
公开(公告)日：2018-12-21
申请号：CN201810629993.7
申请日：2018-06-19
Applicant: 国网宁夏电力有限公司电力科学研究院 , 重庆邮电大学
IPC: G06F9/451
CPC classification number: G06F9/451
Abstract: 本发明实施例公开一种变电站SCD文件的升级信息的显示方法及系统，该方法包括：解析升级前的第一SCD文件和升级后的第二SCD文件，分别得到第一解析结果和第二解析结果；比较所述第一解析结果和所述第二解析结果，获得升级信息；获取智能电子设备的哈希值；将所述智能电子设备的哈希值分别与所述智能电子设备的升级信息和所述智能电子设备的名称关联；根据用户输入的所述智能电子设备的名称，显示所述智能电子设备的名称对应的所述智能电子设备的所述升级信息的可视化报告。本发明实施例，可使新旧SCD文件的比对结果实现可视化，简化智能变电站建设者和维护者的工作，降低工作人员的知识门槛，提高工作效率。
-
公开(公告)号：CN106953780A
公开(公告)日：2017-07-14
申请号：CN201710154545.1
申请日：2017-03-15
Applicant: 重庆邮电大学
IPC: H04L12/26
Abstract: 本发明涉及一种支持网络产品信息查询的众核平台深度包检测装置及方法，该装置使用三颗TILE‑Gx36众核处理器。其中一颗负责完成数据预处理，另外两颗众核处理器各自独立完成DPI、产品信息查询与数据整合、输出等功能。众核按照一定的核心分配方案，并借助产品信息库完成以上三种功能。本发明利用众核的并行处理能力完成对原始网络数据包内容级别的DPI处理，与传统方法相比，计算性能、功耗比大幅提升，实时性强，集成度高。
-
公开(公告)号：CN119676664A
公开(公告)日：2025-03-21
申请号：CN202411889432.2
申请日：2024-12-20
Applicant: 重庆邮电大学
IPC: H04W4/33 , H04W4/20 , H04B7/06 , G06N3/0442
Abstract: 本发明涉及一种基于CSI信息的室内人类行为识别方法，属于行为识别技术领域。该方法包括：通过无线路由器和无线网卡采集室内人类不同行为的CSI信号；对无线网卡各天线接收的CSI信号进行迭代方差计算，剔除对活动最不敏感的天线；采用离散小波变换对处理后的CSI信号进行降噪，采用主成分分析法对CSI信号进行降维；构建基于BiLSTM和自注意力机制的人类行为识别模型，通过训练集训练该模型，并利用验证集指导该模型进行参数优化，直至训练完成；收集人类活动的CSI信号输入到训练好的人类行为识别模型中，实现对人类行为的识别。本发明提高了模型对关键动作特征的捕捉能力，增强了模型的识别精度和鲁棒性。
-
公开(公告)号：CN119535510A
公开(公告)日：2025-02-28
申请号：CN202411599607.6
申请日：2024-11-11
Applicant: 重庆邮电大学
IPC: G01S19/27 , G01S19/37 , G06F18/15 , G06F18/2113 , G06F18/2131 , G06F18/2433 , G06N3/0455 , G06N3/08 , G06N5/045 , G06F123/02
Abstract: 本发明涉及一种融合时序分解与深度学习的卫星短期钟差预报方法，属于卫星钟差预报技术领域。方法包括：对卫星历史钟差序列进行一次差处理，并根据拉伊达准则筛除数据中存在的异常值，对钟差一次差数据进行时序分解，首先采用自适应噪声完备集合经验模态分解算法对钟差一次差序列进行分解得到多个模态分量，引入排列熵算法对各模态分量进行排序，利用t检验算法对上述分量进行随机项和周期项归类并重构为趋势项、周期项和随机项。将重构项以通道独立的模式输入Transformer模型中进行训练，经反一次差处理并叠加各分量预测结果后得到所需预报钟差。本发明在提升了卫星短期钟差预报的精度和稳定性的同时，也提高了预报结果的可解释性。
-
Patent Agency Ranking
公开(公告)号：CN119006336A
公开(公告)日：2024-11-22
申请号：CN202411151038.9
申请日：2024-08-21
Applicant: 重庆邮电大学
IPC: G06T5/73 , G06T3/4053 , G06T5/60 , G06N3/0464 , G06N3/0455 , G06N3/08
Abstract: 本申请公开了基于超分辨率的图像去雾方法、装置、设备及程序产品，涉及图像处理领域，其技术方案要点是：获取雾天场景下拍摄的第一图像；根据预先配置的超分辨率增强网络对第一图像进行增强，获得第二图像；所述超分辨率增强网络包括依次连接的上下文特征聚合网络、特征提取网络、图像重建网络和边缘增强网络；基于门控上下文聚合网络对第二图像进行去雾，获得无雾图像；其中引入由图像重构损失函数和图像结构相似损失函数加权求和所得的复合损失函数作为门控上下文聚合网络的损失函数。解决了超分辨率重建时忽略了图像中高频特征分量导致的无法有效保留图像细节，以及去雾方式未考虑图像的整体结构信息和图像细节保留的问题。
-
公开(公告)号：CN117809053A
公开(公告)日：2024-04-02
申请号：CN202311663638.9
申请日：2023-12-06
Applicant: 重庆邮电大学
Abstract: 本发明涉及一种基于邻域相对差异性的DETR目标检测方法，属于图像目标检测领域。将源图像分割成规定尺寸的矩阵块，通过邻域相对差异性由颜色、灰度值、纹理底层特征生成每个矩阵块的颜色得分、灰度得分、纹理得分，进而构建矩阵块颜色得分图、灰度得分图、纹理得分图，并通过权重矩阵构建整张图像矩阵块多因素得分图。根据多因素得分图得分值由大到小编号，输入训练好的基于邻域相对差异性的DEtection TRansformer中依次进行检测。本发明通过对目标出现概率大的区域优先进行检测，会将注意力放在局部信息上，对目标对象优先处理，避免无意义的图像计算，减小图像处理的检测时间，满足实时性目标检测的需要。
-
公开(公告)号：CN117391247A
公开(公告)日：2024-01-12
申请号：CN202311326650.0
申请日：2023-10-12
Applicant: 重庆邮电大学
IPC: G06Q10/04 , G06Q10/0635 , G06Q10/0639 , G06N3/006 , G06N3/08 , G06F18/15 , G06F18/214
Abstract: 本发明公开了一种基于深度学习的企业风险等级预测方法及系统，涉及企业风险管控技术领域，解决了现有风险评估模型不适配企业具体情况的问题，其技术方案要点是：获取与企业风险有关的多维度数据样本；对采集数据进行预处理，构建企业风险数据集；使用过采样方法均衡少数类样本；建立基于多目标粒子群优化的深度神经网络企业风险预测模型，优化模型参数；将数据集分为训练集、测试集和验证集，用训练集对模型进行训练，测试集测试模型精度，验证集进行调参；将待评估风险等级的企业样本输入训练好的模型，预测出企业的风险等级。本发明通过优化特征选择、样本比例以及模型参数，提升企业风险预测准确率。
-
公开(公告)号：CN116486233A
公开(公告)日：2023-07-25
申请号：CN202310454914.4
申请日：2023-04-25
Applicant: 重庆邮电大学
IPC: G06V10/82 , G06V10/80 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及一种多光谱双流网络的目标检测方法，属于图像识别领域。该方法在YOLOv5的Backbone开始阶段有两条数据流，分别对所输入的可见光图像和红外光图像进行特征提取操作，首先构建双流网络，第一个融合模块基于残差网络与基于改进的SwinTransformer模态融合模块进行模态融合特征学习，第二个与第三个基于残差网络以特征图叠加的方式进行模态融合，重复三个模态融合模块的操作后，结束Backbone阶段，之后的Head层与预测程序与YOLOv5相同。本发明解决了在昏暗环境下目标检测性能弱的问题，提高小目标检测精度与运算速度。
-
公开(公告)号：CN116189278A
公开(公告)日：2023-05-30
申请号：CN202211550147.9
申请日：2022-12-05
Applicant: 重庆邮电大学
Abstract: 本发明涉及一种基于全局上下文感知的细粒度篮球动作识别方法，属于计算机视觉领域，包括以下步骤：S1：针对篮球动作视频，利用MTSA模块采用时间金字塔的方式将不同距离的帧进行聚合；S2：利用SCI模块分别沿着空间的两个方向和通道进行特征的跨维度交互；S3：采用动态卷积融合MTSA模块和SCI得到GCA‑Module；S4：在ResNet‑50中引入块GCA‑Module，构成GCA‑Block；S5：堆叠多个GCA‑Block，搭建细粒度篮球动作识别模型GCA‑Net；S6：构造训练数据集；S7：对模型进行训练、预测及优化，得到训练后的模型，对篮球动作视频进行细粒度篮球动作识别。
-
-
-
-
-
-
-
-
-
Search Results
90
records
(took 0.022 seconds)
