-
公开(公告)号：CN118447312A
公开(公告)日：2024-08-06
申请号：CN202410557855.8
申请日：2024-05-08
Applicant: 杭州电子科技大学 , 浙江伽奈维医疗科技有限公司
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于交互式融合与匹配的三模态少样本目标检测方法，该方法首先对多模态少样本目标检测数据集进行预处理。其次采用U型网络架构，由权重共享的编码器、特征融合与匹配FC模块、多模态特征匹配MC模块和三层渐进式解码器，构建三模态少样本目标检测网络。最后采用二元交叉熵损失函数，以及深度监督的方式，计算损失并对三模态少样本目标检测网络进行训练。本发明有效提升泛化性能，并降低对数据标注的依赖，预测结果与实际物体边界更为一致。
-
公开(公告)号：CN114622243A
公开(公告)日：2022-06-14
申请号：CN202210438639.2
申请日：2022-04-25
Applicant: 杭州电子科技大学
IPC: C25B11/091 , C25B11/031 , C25B11/054 , C25B1/04
Abstract: 本发明属于电极材料制备技术领域，涉及一种Fe掺杂Ni3S2电极材料的制备方法，包括以下步骤；泡沫镍预处理：将泡沫镍置于稀盐酸中，超声处理去除表面氧化层，后依次通过蒸馏水、无水乙醇中超声，干燥处理后备用；Fe掺杂Ni3S2电极材料的制备：分别将硫脲、硝酸铁和蒸馏水置于特氟龙内胆进行搅拌30分钟形成混合溶液，将泡沫镍浸没于混合溶液中，进行水热反应，温度控制在120℃温度保温12小时，待反应结束冷却后，将载有电极材料的泡沫镍清洗、干燥得到独特的Fe掺杂Ni3S2电极材料。本发明Fe掺杂Ni3S2电极材料高比表面积能够充分暴露电极材料表面的催化反应活性位点，同时由Fe掺杂诱导的材料电子结构调节能够改善催化活性位点的活性。
-
公开(公告)号：CN116607167A
公开(公告)日：2023-08-18
申请号：CN202310689250.X
申请日：2023-06-12
Applicant: 杭州电子科技大学
IPC: C25B11/091 , C25B1/04 , C25B11/031 , C25B11/061 , B82Y40/00 , B82Y30/00
Abstract: 本发明涉及了一种Ni3S2/CeO2异质结电催化材料及其制备方法和应用，属于电催化材料制备方法技术领域。本发明制备的异质结催化剂通过简单的一步水热法制备而得，表现为Ni3S2薄层纳米片与CeO2颗粒的复合结构。由于作为助催化剂CeO2与Ni3S2形成的异质结诱导界面间电荷转移，优化了Ni3S2对反应中间体的吸附作用；而且薄层片状结构能够导致Ni3S2表面催化反应活性位点与电解液的充分接触。本发明制备的催化剂表现出非常优异的电催化OER性能。
-
公开(公告)号：CN109674445B
公开(公告)日：2021-10-08
申请号：CN201811313078.3
申请日：2018-11-06
Applicant: 杭州电子科技大学
Abstract: 本发明提出了一种结合非负矩阵分解和复杂网络的肌间耦合分析方法；本发明采集了不同握力输出时，7通道表面肌电信号，首先采用广义偏定向相干计算多通道之间的相干性；然后用非负矩阵分解算法对相干性值进行分解；最后用复杂网络建立不同条件下的肌肉功能网络。利用图论的特征指标，评估肌肉功能网络信息流的传递效率。结果显示：不同握力下肌肉的激活程度存在显著性差异；肌肉间的耦合在10～20Hz波段上较为显著；并且在10～20Hz波段上其耦合程度随着握力水平不同呈现显著性变化。本发明通过对多通道肌间耦合分析，体现了中枢神经系统对不同输出握力的控制模式，为运动功能障碍的诊断和康复效果的评价提供依据。
-
Patent Agency Ranking
公开(公告)号：CN119397339A
公开(公告)日：2025-02-07
申请号：CN202411622630.2
申请日：2024-11-14
Applicant: 杭州电子科技大学
IPC: G06F18/24 , A61B5/00 , A61B5/1455 , A61B5/374 , G06N3/045 , G06F18/25 , G06N3/08 , G06F17/16 , G06F18/213 , G06N3/0464 , G06N3/048 , G06F18/22
Abstract: 本发明公开了基于特征解耦的EEG‑fNIRS深度融合的认知状态分类方法，该方法首先同步采集被试心算任务下的脑电信号EEG与功能性近红外光谱信号fNIRS数据，对采集到的两个数据进行预处理得到脑电信号数据和血红蛋白浓度变化数据。其次取脑电信号数据和血红蛋白浓度变化数据，通过时间窗进行数据增强后送入深度融合网络，获取EEG的公共特征和私有特征、fNIRS的初级特征；以及EEG分类结果、fNIRS分类结果及输出的融合分类结果。最后设计解耦损失和基于标签平滑策略的交叉熵损失，进行训练。本发明有效缓解fNIRS模态深度学习中的过拟合问题，能够准确的进行认知状态分类。
-
公开(公告)号：CN109376580B
公开(公告)日：2022-05-20
申请号：CN201811002575.1
申请日：2018-08-30
Applicant: 杭州电子科技大学
IPC: G06V20/13 , G06V10/774 , G06V10/764 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明公开一种基于深度学习的无人机电力塔架部件识别方法。本发明包含以下步骤：1、使用无人机搭载图像采集设备采集包含电力塔架部件的图片；2、从采集的图片中选取合适数量图片进行预处理，并按一定比例制作成训练集、验证集和测试集；3、利用改进的YOLOv2算法对处理好的数据集进行训练；4、利用训练好的模型对测试集进行测试并对结果进行评价。本发明提出的改进的YOLOv2算法与YOLOv2算法相比，有效地提高了模型对电力塔架部件的识别准确率和速率，同时具有更好的鲁棒性。
-
公开(公告)号：CN109376580A
公开(公告)日：2019-02-22
申请号：CN201811002575.1
申请日：2018-08-30
Applicant: 杭州电子科技大学
Abstract: 本发明公开一种基于深度学习的无人机电力塔架部件识别方法。本发明包含以下步骤：1、使用无人机搭载图像采集设备采集包含电力塔架部件的图片；2、从采集的图片中选取合适数量图片进行预处理，并按一定比例制作成训练集、验证集和测试集；3、利用改进的YOLOv2算法对处理好的数据集进行训练；4、利用训练好的模型对测试集进行测试并对结果进行评价。本发明提出的改进的YOLOv2算法与YOLOv2算法相比，有效地提高了模型对电力塔架部件的识别准确率和速率，同时具有更好的鲁棒性。
-
公开(公告)号：CN109674445A
公开(公告)日：2019-04-26
申请号：CN201811313078.3
申请日：2018-11-06
Applicant: 杭州电子科技大学
IPC: A61B5/00 , A61B5/0488
CPC classification number: A61B5/0488 , A61B5/7203 , A61B5/7235
Abstract: 本发明提出了一种结合非负矩阵分解和复杂网络的肌间耦合分析方法；本发明采集了不同握力输出时，7通道表面肌电信号，首先采用广义偏定向相干计算多通道之间的相干性；然后用非负矩阵分解算法对相干性值进行分解；最后用复杂网络建立不同条件下的肌肉功能网络。利用图论的特征指标，评估肌肉功能网络信息流的传递效率。结果显示：不同握力下肌肉的激活程度存在显著性差异；肌肉间的耦合在10～20Hz波段上较为显著；并且在10～20Hz波段上其耦合程度随着握力水平不同呈现显著性变化。本发明通过对多通道肌间耦合分析，体现了中枢神经系统对不同输出握力的控制模式，为运动功能障碍的诊断和康复效果的评价提供依据。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.034 seconds)
