-
公开(公告)号：CN104408455A
公开(公告)日：2015-03-11
申请号：CN201410707078.7
申请日：2014-11-27
Applicant: 上海理工大学
IPC: G06K9/34
CPC classification number: G06K9/342 , G06K2209/01
Abstract: 本发明提供一种粘连字符分割方法，首先将粘连字符的图像骨架化处理，选择骨架特征点，接着，对粘连字符图像像素点的坐标进行SOM神经网络聚类分析，得到神经元的拓扑分布；然后能够确定字符分割点，字符分割点为邻域范围内含有SOM神经元的骨架特征点，最后根据字符分割点分割粘连字符的骨架图像，复原被分割的字符骨架，从而能得到分割好的字符。本发明的粘连字符分割方法，相对于滴水分割法和利用隐型马尔科夫链的分割法，分割字符的准确率大大提高。
-
公开(公告)号：CN106529594B
公开(公告)日：2019-07-23
申请号：CN201610982038.2
申请日：2016-11-08
Applicant: 上海理工大学
Abstract: 本发明涉及一种应用于大数据行为识别的监督降维方法，关联线性近似稀疏表示LASRC快速分类算法将高维的行为数据投影到一个低维空间时可以保留数据的类别信息，实现数据维数的有效缩减，OP‑LASRC用分类残差为标准，追求一个线性正交投影，这赋予了OP‑LASRC的监督作用，将高维的行为图片转化为具有分歧信息的小特征来分类，计算数量少，能降低存储和提高分类效率，从而LASRC快速分类算法达到较高的识别。在KTH行为数据库上从精确度、速度、鲁棒性来验证OP‑LASRC算法，从而验证OP‑LASRC能完美匹配LASRC算法，关联降维和分类的结构，可以组成一个行为识别的系统，高效的运用于大数据的行为识别。
-
公开(公告)号：CN104392116A
公开(公告)日：2015-03-04
申请号：CN201410632644.2
申请日：2014-11-11
Applicant: 上海理工大学
Abstract: 本发明提供一种求解光伏电池单二极管模型参数的方法，包括以下步骤：步骤1，构建光伏电池单二极管四参数模型，取作为目标函数，令理想因子n＝1.5，使目标函数中的未知参数减少到四个，即Rs、Rsh、Iph以及Isd；步骤2，采用蜂群算法计算目标函数的最优解，包括：对每只蜜蜂进行初始化，计算每个蜜蜂的目标函数的值，将至少两个目标函数值较小的蜜蜂作为采蜜蜂，其他的蜜蜂作为跟随蜂，采蜜蜂中至少一个目标函数值最小的蜜蜂作为精英蜜蜂，根据随机步进函数来更新跟随蜂的位置，根据精英蜜蜂来更新采蜜蜂的位置，迭代预定次数，求出目标函数的最优解，从而得到Rs、Rsh、Iph以及Isd这四个模型参数的值。
-
公开(公告)号：CN111224992B
公开(公告)日：2022-10-14
申请号：CN202010025679.5
申请日：2020-01-10
Applicant: 上海理工大学
Abstract: 本发明涉及一种基于生成对抗网络的电能质量信号压缩重构方法，抗网络模型由生成器和鉴别器构成，一维电能质量原信号x输入生成器，依次经过压缩和重构后输出一维重构信号G(x)，原信号x和重构信号G(x)送入鉴别器，鉴别器输出的D来判断输入是原信号x还是重构信号G(x)，让生成器在和鉴别器对抗的过程不断学习原信号的分布，使得重构信号G(x)逐渐逼近原信号x；以此训练后抗网络模型对电能质量信号进行压缩重构。此方法可以实现应用于电能质量的压缩感知重构时间更短，稳定性更强。经过实验证明，本发明提出的方法在低采样率下对于不同种类的电能质量信号均具有较好的重构效果，并且相较于传统的压缩重构方法压缩重构信号的时间更短，稳定性更强。
-
公开(公告)号：CN104408455B
公开(公告)日：2017-09-12
申请号：CN201410707078.7
申请日：2014-11-27
Applicant: 上海理工大学
IPC: G06K9/34
Abstract: 本发明提供一种粘连字符分割方法，首先将粘连字符的图像骨架化处理，选择骨架特征点，接着，对粘连字符图像像素点的坐标进行SOM神经网络聚类分析，得到神经元的拓扑分布；然后能够确定字符分割点，字符分割点为邻域范围内含有SOM神经元的骨架特征点，最后根据字符分割点分割粘连字符的骨架图像，复原被分割的字符骨架，从而能得到分割好的字符。本发明的粘连字符分割方法，相对于滴水分割法和利用隐型马尔科夫链的分割法，分割字符的准确率大大提高。
-
Patent Agency Ranking
公开(公告)号：CN106529594A
公开(公告)日：2017-03-22
申请号：CN201610982038.2
申请日：2016-11-08
Applicant: 上海理工大学
CPC classification number: G06K9/6249 , G06K9/00335 , G06K9/6255 , G06K9/6256 , G06K9/6269
Abstract: 本发明涉及一种应用于大数据行为识别的监督降维算法，关联线性近似稀疏表示LASRC快速分类算法将高维的行为数据投影到一个低维空间时可以保留数据的类别信息，实现数据维数的有效缩减，OP-LASRC用分类残差为标准，追求一个线性正交投影，这赋予了OP-LASRC的监督作用，将高维的行为图片转化为具有分歧信息的小特征来分类，计算数量少，能降低存储和提高分类效率，从而LASRC快速分类算法达到较高的识别。在KTH行为数据库上从精确度、速度、鲁棒性来验证OP-LASRC算法，从而验证OP-LASRC能完美匹配LASRC算法，关联降维和分类的结构，可以组成一个行为识别的系统，高效的运用于大数据的行为识别。
-
公开(公告)号：CN101707724A
公开(公告)日：2010-05-12
申请号：CN200910199173.X
申请日：2009-11-20
Applicant: 上海理工大学
Abstract: 本发明涉及一种实现计算全息三维动态显示装置及方法，主机个人计算机通过高速的USB接口将原始物体的三维信息传输给数据处理系统进行运算处理；获得的计算全息图数据，通过PCI总线接口传输给主机，并在其显示器上显示，同时主机通过VGA接口将计算全息图传输给空间光调制器SLM，并在SLM高分辨率的显示芯片上显示出计算全息图，激光器发射相干光经过扩束镜后射向一个反射镜，反射镜将光束射向SLM的显示芯片上，即可在观察屏幕上观看到再现物体的实像。此装置及方法能够快速有效地实现计算全息图的计算，保证再现三维图像的清晰度和实时性，能够再现动态的三维物体图像。
-
公开(公告)号：CN1687714A
公开(公告)日：2005-10-26
申请号：CN200510025497.3
申请日：2005-04-28
Applicant: 上海理工大学
Abstract: 一种探测器表面响应特性测试仪及其测试方法，该测试仪包括光学聚焦系统、XY两轴位置控制平台、信号放大与采集系统、控制与显示系统。由计算机分别连接并控制I/O端口和A/D转换器，I/O端口分别连接并控制X、Y轴步进电机驱动电路和半导体激光器，X、Y轴步进电机驱动电路分别连接并控制X、Y轴步进电机，从而控制二维位移平台，半导体激光器的光束经过设有直径0.1mm小孔的聚焦镜筒形成＜0.1mm直径的光斑，光斑照射于设在XY二维位移平台上的探测器表面使其产生响应的电信号，探测器表面经放大器连接A/D转换器，电信号经放大器放大后，由A/D转换器转换为数据信号送计算机处理。
-
公开(公告)号：CN111224992A
公开(公告)日：2020-06-02
申请号：CN202010025679.5
申请日：2020-01-10
Applicant: 上海理工大学
Abstract: 本发明涉及一种基于生成对抗网络的电能质量信号压缩重构方法，抗网络模型由生成器和鉴别器构成，一维电能质量原信号x输入生成器，依次经过压缩和重构后输出一维重构信号G(x)，原信号x和重构信号G(x)送入鉴别器，鉴别器输出的D来判断输入是原信号x还是重构信号G(x)，让生成器在和鉴别器对抗的过程不断学习原信号的分布，使得重构信号G(x)逐渐逼近原信号x；以此训练后抗网络模型对电能质量信号进行压缩重构。此方法可以实现应用于电能质量的压缩感知重构时间更短，稳定性更强。经过实验证明，本发明提出的方法在低采样率下对于不同种类的电能质量信号均具有较好的重构效果，并且相较于传统的压缩重构方法压缩重构信号的时间更短，稳定性更强。
-
公开(公告)号：CN109636747A
公开(公告)日：2019-04-16
申请号：CN201811473365.0
申请日：2018-12-04
Applicant: 上海理工大学
CPC classification number: G06T5/006 , G06T5/20 , G06T2207/10048 , G06T2207/20024 , G06T2207/20081 , G06T2207/20084
Abstract: 本发明涉及一种应用于单幅红外图像非均匀校正的深度高频网络校正算法，将单幅含有非均匀噪声的图像Y，先经过双边滤波器，分离出高频分量IH；将包含图像边缘细节以及非均匀噪声的高频分量IH作为深度残差网络的输入，再通过训练后红外图像模型进一步拟合，得出非均匀噪声图像N；最后将非均匀红外图像Y引入通过差值结构将噪声N从非均匀红外图像Y中提取出来，最终得到预估的校正红外图像X。成功将深度学习应用于红外图像非均匀校正。方法中将滤波器和差值结构的思想应用于深度学习的网络结构设计，构建了深度高频网络，解决了卷积神经网络的欠拟合和训练复杂度高的问题，提高了校正精度，为单幅图像非均匀校正提供一种新的思路。
-
-
-
-
-
-
-
-
-
Search Results
15
records
(took 0.018 seconds)
