一种手掌静脉识别汽车身份识别及其控制方法

    公开(公告)号:CN113505631A

    公开(公告)日:2021-10-15

    申请号:CN202110440469.7

    申请日:2021-04-25

    Abstract: 本发明公开了一种基于手掌静脉识别的汽车身份识别及其控制方法,其包括:两个手掌静脉采集装置、门锁控制装置、座椅调节装置、方向盘调节装置、后视镜调节装置、影音娱乐装置、存储装置、中央控制器;手掌静脉采集装置用来采集用户手掌静脉信息并将该信息传输到中央控制器;用户信息检验通过后发送相关指令给控制中心,从而做出相应的偏好设置;中央控制器具备4G/5G通讯功能,可通过手机APP进行控制与交互;手掌静脉识别装置可以将已经录入的身份设置偏好,从而避免了每次用车需要调节的麻烦;手掌静脉识别装置相对于传统的钥匙解锁,可以避免去车内拿东西时钥匙不在或者钥匙丢失的情况,从而快捷打开车门;增强了车辆的安全性与便捷性。

    一种基于压缩感知方法的掌纹掌静脉智能锁

    公开(公告)号:CN111696228A

    公开(公告)日:2020-09-22

    申请号:CN202010324488.9

    申请日:2020-04-22

    Abstract: 本发明提供一种基于压缩感知方法的掌纹掌静脉智能锁,包括掌纹掌静脉智能锁设备,所述掌纹掌静脉智能锁设备包括锁体、锁把手、钥匙孔及掌纹掌静脉认证设备,钥匙与掌纹掌静脉认证设备同时具备开锁功能。基于压缩感知的掌纹掌静脉识别方法可以提高智能锁的性能,主要是通过采用压缩感知算法处理图像来实现。采用压缩感知算法对采集到的掌纹掌静脉图像进行处理,其优点在于该算法采样率低可以减少存储资源的要求和传输宽带的要求,抗噪能力强,图像传输过程中安全性强。从而,可以提高身份验证的准确率,降低设备成本。

    一种单细胞多组学数据整合方法
    6.
    发明公开

    公开(公告)号:CN119252326A

    公开(公告)日:2025-01-03

    申请号:CN202411262388.2

    申请日:2024-09-10

    Abstract: 本发明公开了一种单细胞多组学数据整合方法,涉及生物信息技术领域,其技术要点为:S1:对单细胞RNA测序数据与单细胞ATAC测序数据进行预处理,包括数据筛选与基因选择两个部分;S2:构建低维共享空间,使用自编码器构建一个两种组学数据的低维共享空间;S3:使用低维共享空间中的单细胞RNA测序数据训练深度金字塔卷积神经网络;S4:使用训练好的深度金字塔卷积神经网络,对单细胞ATAC测序数据进行分类,得到细胞类型标签,实现单细胞RNA测序数据与单细胞ATAC测序数据的数据整合。本发明通过使用自编码器网络,构建出低维共享空间,最大化不同组学数据之间的相似性,通过文本卷积网络学习不同细胞类型数据之间的分布,最终实现整合多组学数据的目的。

    一种基于GSO粒子群算法的移动机器人路径规划方法

    公开(公告)号:CN118394084B

    公开(公告)日:2024-12-20

    申请号:CN202410494862.8

    申请日:2024-04-23

    Abstract: 本发明公开了一种基于GSO粒子群算法的移动机器人路径规划方法,涉及移动机器人路径规划技术领域;该方法包括如下步骤:S1、构建目标函数;采用栅格法对工作环境空间进行建模,并以最短路径函数为目标函数;S2、通过GSO粒子群算法计算最短路径的路径点;将初始化后的粒子代替移动机器人,采用GSO粒子群算法对粒子进行优化更新,得到最短路径;S3、对最短路径进行平滑处理;根据粒子优化迭代所得到的最短路径,对其进行三次样条插值调整,得到平滑的最短路径。本发明中方法采用GSO粒子群算法,对不同等级的粒子采用不同的学习策略,在保证优势粒子的挖掘能力的前提下,增加粒子的多样性,从而增加算法的探索能力。

    一种基于GSO粒子群算法的移动机器人路径规划方法

    公开(公告)号:CN118394084A

    公开(公告)日:2024-07-26

    申请号:CN202410494862.8

    申请日:2024-04-23

    Abstract: 本发明公开了一种基于GSO粒子群算法的移动机器人路径规划方法,涉及移动机器人路径规划技术领域;该方法包括如下步骤:S1、构建目标函数;采用栅格法对工作环境空间进行建模,并以最短路径函数为目标函数;S2、通过GSO粒子群算法计算最短路径的路径点;将初始化后的粒子代替移动机器人,采用GSO粒子群算法对粒子进行优化更新,得到最短路径;S3、对最短路径进行平滑处理;根据粒子优化迭代所得到的最短路径,对其进行三次样条插值调整,得到平滑的最短路径。本发明中方法采用GSO粒子群算法,对不同等级的粒子采用不同的学习策略,在保证优势粒子的挖掘能力的前提下,增加粒子的多样性,从而增加算法的探索能力。

    一种基于深度学习的点云几何纹理上采样方法

    公开(公告)号:CN116485656A

    公开(公告)日:2023-07-25

    申请号:CN202310523823.1

    申请日:2023-05-10

    Abstract: 本发明提出了一种基于深度学习的点云几何纹理上采样方法,旨在解决现有点云上采样方法只关注几何坐标增密而忽视纹理信息的问题。本发明的方法通过数据预处理、点云几何纹理特征提取、点云特征上采样、点云几何纹理回归等步骤,实现了点云的几何坐标和纹理的同时上采样。通过此方法,我们可以获得更高质量和更高分辨率的点云表示,显著提高自动驾驶、增强/虚拟现实(AR/VR)、3D表面重建和机器人感知等应用的质量和性能,同时优化点云渲染的结果,进一步提高三维视觉的真实感。本发明为三维视觉领域提供了一种新的、高效的点云处理方法。

Patent Agency Ranking