-
公开(公告)号：CN112183240B
公开(公告)日：2022-07-22
申请号：CN202010951064.5
申请日：2020-09-11
Applicant: 山东大学
Abstract: 本发明公开了一种基于3D时间流和并行空间流的双流卷积行为识别方法，包括如下步骤：首先对于输入视频，进行光流块提取；其次对输入视频进行分段，抽取视频帧，并剪裁出人体部分；然后将光流块输入3D卷积神经网络，将剪裁帧输入并行空间流卷积网络；最后将并行空间流的分类结果进行融合，并与时间流得分进行拼接形成全连接层，最后经过输出层输出识别结果。本发明利用人体部分剪裁以及并行的空间流网络进行单帧识别，在空间上提高了单帧的识别准确率，同时利用3D卷积神经网络进行光流的动作特征提取，提高了时间流部分的识别准确率，并利用最后的单层神经网络结合空间外观特征和时间动作特征进行决策融合，提高了整体的识别效果。
-
公开(公告)号：CN116032706B
公开(公告)日：2025-03-21
申请号：CN202211580079.0
申请日：2022-12-09
Applicant: 山东大学 , 中国电波传播研究所(中国电子科技集团公司第二十二研究所)
Abstract: 本发明公开了一种适用于电离层散射信道的抗多径衰落通信方法，包括以下步骤；发射端对编码数据和本地生成的两种UW序列按照特定的方式进行组帧，然后发送出去；接收端对经过电离层散射信道传输的信号进行采样，将采样得到的信号与本地存储的序列进行互相关，获取多路多径数据；对每一路多径数据进行去循环前缀处理，然后再进行FFT变换到频域，使用子帧中插入的已知序列进行信道估计，获取电离层散射信道的信道响应，对数据进行频域均衡后再经IFFT变换到时域；对均衡后的多路多径数据进行加权求和，得到合并后的信号数据。本发明从接收端采样信号分离出多路多径数据后再进行均衡合并，具有良好的抗多径衰落性能；在工程中使用非常方便。
-
公开(公告)号：CN113808581B
公开(公告)日：2024-03-12
申请号：CN202110943687.2
申请日：2021-08-17
Applicant: 山东大学
IPC: G10L15/06 , G10L15/10 , G10L15/16 , G10L15/183
Abstract: 本发明公开了一种声学和语言模型训练及联合优化的中文语音识别方法，分别对声学模型和预训练语言模型进行训练，将得到的声学模型和预训练语言模型的输出特征同时输入联合优化网络，训练得到声学模型与语言模型联合优化的中文语音识别算法，然后输入语音经过上述处理获得最终的识别结果。本发明采用预训练语言模型训练、声学模型与语言模型联合优化训练的方式，将大量语音训练转变为部分语音训练与大量易于得到中文语料训练，降低了训练难度，还可以根据特殊场景中文训练语料训练定制语音情景，增大了特定场景中文语音识别的适用性，且通过联合优化网络充分利用声学和语言特征信息，解决了输出之间无关联问题，极大的提高了模型整体的识别效果。
-
公开(公告)号：CN116032706A
公开(公告)日：2023-04-28
申请号：CN202211580079.0
申请日：2022-12-09
Applicant: 山东大学 , 中国电波传播研究所(中国电子科技集团公司第二十二研究所)
Abstract: 本发明公开了一种适用于电离层散射信道的抗多径衰落通信方法，包括以下步骤；发射端对编码数据和本地生成的两种UW序列按照特定的方式进行组帧，然后发送出去；接收端对经过电离层散射信道传输的信号进行采样，将采样得到的信号与本地存储的序列进行互相关，获取多路多径数据；对每一路多径数据进行去循环前缀处理，然后再进行FFT变换到频域，使用子帧中插入的已知序列进行信道估计，获取电离层散射信道的信道响应，对数据进行频域均衡后再经IFFT变换到时域；对均衡后的多路多径数据进行加权求和，得到合并后的信号数据。本发明从接收端采样信号分离出多路多径数据后再进行均衡合并，具有良好的抗多径衰落性能；在工程中使用非常方便。
-
公开(公告)号：CN112040408A
公开(公告)日：2020-12-04
申请号：CN202010816294.0
申请日：2020-08-14
Applicant: 山东大学
Abstract: 本发明公开了一种适用于监管场所的多目标精确智能定位跟踪方法，包括如下步骤：采集定位区域感兴趣位置点的信号强度信息，并且对信号强度信息进行预处理，将其转换为符合深度LSTM网络模型的格式；将预处理后的数据进行局部特征提取，得到原始数据更丰富的信息表示，并输入深度LSTM网络模型对模型进行训练；采集监管场所的实时位置信息，并对信息进行预处理，将其转换为符合深度LSTM网络模型的格式；将预处理后的数据输入训练好的深度LSTM网络模型中，将深度LSTM网络模型的输出送入全连接层，得到更具区分性的表示形式；最后利用线性回归层得到最终的位置映射，输出位置信息。本发明所公开的方法可以有效提高定位精度，提高定位速度。
-
Patent Agency Ranking
公开(公告)号：CN115037412B
公开(公告)日：2023-11-17
申请号：CN202210565242.X
申请日：2022-05-23
Applicant: 山东大学
Abstract: 本发明属于通信技术领域，涉及高动态通信系统中联合载波同步的自适应迭代译码方法。高动态通信系统中联合载波同步的自适应迭代译码方法，包括：(1)发送端对信息序列进行信道编码，构造基于光正交码的准循环LDPC码；信道编码后的信号经调制、扩频、模数转换、模拟上变频后，被发送出；(2)接收端在完成信号同步捕获后，通过锁频环和锁相环对捕获的信号进行频偏和相偏的粗估和校正；(3)采用联合载波同步的迭代译码算法进行译码，每次译码迭代过程中利用更新的残余频偏和残余相偏估计值再次校正步骤(2)校正后的信号。本发明利将译码与残余频偏/相偏的估计校正相结合，实现了高动态通信系统中载波同步的准确性，提升了系统的抗干扰性能。
-
公开(公告)号：CN116011457A
公开(公告)日：2023-04-25
申请号：CN202211568707.3
申请日：2022-12-08
Applicant: 山东大学
IPC: G06F40/30 , G06F16/35 , G06F18/25 , G06F18/214 , G06F40/151 , G06F40/247 , G06F40/289 , G06F40/40 , G06F16/951 , G06F18/22 , G06N3/048 , G06N3/0464 , G06N3/0442 , G06N3/0455 , G06N3/0499 , G06N3/08 , G06F18/241 , G10L15/26
Abstract: 本发明公开了一种基于数据增强及跨模态特征融合的情绪智能识别方法，包括如下步骤：多模态数据采集；将文本数据进行数据增强，并利用增强后的文本数据构造文本情感特征；将语音数据提取3D语谱图特征，并进行增强得到语音情感特征；使用跨模态Transformer模型对文本情感特征和语音情感特征进行跨模态特征信息融合，得到融合后的多模态情感特征；使用基于BiGRU与双池化层的分类模型对融合后的多模态情感特征进行特征学习，并使用交叉熵损失函数进行训练；利用训练后的分类模型进行情绪识别。本发明所公开的方法可以有效利用多种模态所包含的情感信息，捕捉不同模态之间的互补信息，从而提升情绪识别模型的识别能力和泛化能力。
-
公开(公告)号：CN115037412A
公开(公告)日：2022-09-09
申请号：CN202210565242.X
申请日：2022-05-23
Applicant: 山东大学
Abstract: 本发明属于通信技术领域，涉及高动态通信系统中联合载波同步的自适应迭代译码方法。高动态通信系统中联合载波同步的自适应迭代译码方法，包括：(1)发送端对信息序列进行信道编码，构造基于光正交码的准循环LDPC码；信道编码后的信号经调制、扩频、模数转换、模拟上变频后，被发送出；(2)接收端在完成信号同步捕获后，通过锁频环和锁相环对捕获的信号进行频偏和相偏的粗估和校正；(3)采用联合载波同步的迭代译码算法进行译码，每次译码迭代过程中利用更新的残余频偏和残余相偏估计值再次校正步骤(2)校正后的信号。本发明利将译码与残余频偏/相偏的估计校正相结合，实现了高动态通信系统中载波同步的准确性，提升了系统的抗干扰性能。
-
公开(公告)号：CN113808581A
公开(公告)日：2021-12-17
申请号：CN202110943687.2
申请日：2021-08-17
Applicant: 山东大学
IPC: G10L15/06 , G10L15/10 , G10L15/16 , G10L15/183
Abstract: 本发明公开了一种声学和语言模型训练及联合优化的中文语音识别方法，分别对声学模型和预训练语言模型进行训练，将得到的声学模型和预训练语言模型的输出特征同时输入联合优化网络，训练得到声学模型与语言模型联合优化的中文语音识别算法，然后输入语音经过上述处理获得最终的识别结果。本发明采用预训练语言模型训练、声学模型与语言模型联合优化训练的方式，将大量语音训练转变为部分语音训练与大量易于得到中文语料训练，降低了训练难度，还可以根据特殊场景中文训练语料训练定制语音情景，增大了特定场景中文语音识别的适用性，且通过联合优化网络充分利用声学和语言特征信息，解决了输出之间无关联问题，极大的提高了模型整体的识别效果。
-
公开(公告)号：CN112040408B
公开(公告)日：2021-08-03
申请号：CN202010816294.0
申请日：2020-08-14
Applicant: 山东大学
Abstract: 本发明公开了一种适用于监管场所的多目标精确智能定位跟踪方法，包括如下步骤：采集定位区域感兴趣位置点的信号强度信息，并且对信号强度信息进行预处理，将其转换为符合深度LSTM网络模型的格式；将预处理后的数据进行局部特征提取，得到原始数据更丰富的信息表示，并输入深度LSTM网络模型对模型进行训练；采集监管场所的实时位置信息，并对信息进行预处理，将其转换为符合深度LSTM网络模型的格式；将预处理后的数据输入训练好的深度LSTM网络模型中，将深度LSTM网络模型的输出送入全连接层，得到更具区分性的表示形式；最后利用线性回归层得到最终的位置映射，输出位置信息。本发明所公开的方法可以有效提高定位精度，提高定位速度。
-
-
-
-
-
-
-
-
-
Search Results
16
records
(took 0.029 seconds)
