-
公开(公告)号:CN117390962A
公开(公告)日:2024-01-12
申请号:CN202311409885.6
申请日:2023-10-27
Applicant: 桂林电子科技大学
IPC: G06F30/27 , G06F18/214 , G06F119/02
Abstract: 本发明公开了一种基于二阶循环神经网络的空气质量预测方法,依次包含以下步骤:首先,利用PM2.5,PM10,SO2,CO,O3,NO2等空气污染指标构建输入向量时间序列X,并计算相应的空气质量指标AQI;然后,利用缺失值补插以及最大最小归一化等方法对X和AQI进行预处理;接着,构建二阶循环神经网络,并利用利用预处理过的X和AQI训练得到最优二阶循环神经网络模型;最后,利用最优二阶循环神经网络模型,根据X的历史值对AQI的未来值进行预测,最终形成AQI预测值序列。本发明为空气质量预测提供了一种新思路,实验结果表明本发明方法具有时长跨度建模能力强,误差率低的优点。
-
公开(公告)号:CN117351949A
公开(公告)日:2024-01-05
申请号:CN202311517330.3
申请日:2023-11-15
Applicant: 桂林电子科技大学
Abstract: 本发明公开了一种基于二阶循环神经网络的环境声音识别方法,能运用在音频监控、机器人导航的音频场景识别方面等。其过程包括:构建原始音频的特征提取模块;构建对特征模块进行处理的数据增强模块;构建基于二阶循环神经网络的序列识别模块;构建含有全局注意力的注意力模块,结合二阶循环神经网络的输出生成音频标签进行音频识别与分类。
-
公开(公告)号:CN116468930A
公开(公告)日:2023-07-21
申请号:CN202310213457.X
申请日:2023-03-07
Applicant: 桂林电子科技大学
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种利用辅助数据集和格拉姆矩阵的汽车异类检测方案,该方案包括以下几个步骤:建立汽车训练数据集、非汽车辅助训练数据集和测试数据集;预处理数据并构建卷积神经网络,在训练数据集和辅助数据集上进行预训练;计算网络各层的Gram矩阵,作为该层单类支持向量机(OSVM)的输入,并根据各层OSVM的正确率,选择其中最高的作为整个系统的异类检测分类器。这种方案提高了卷积神经网络对汽车异类检测的精度,同时增强了系统的鲁棒性和泛化能力。
-
公开(公告)号:CN115880668A
公开(公告)日:2023-03-31
申请号:CN202211598380.4
申请日:2022-12-13
Applicant: 桂林电子科技大学
IPC: G06V20/58 , G06V10/82 , G06V10/764 , G06N3/0464 , G06N3/048
Abstract: 本发明公开了一种基于卷积神经网络针对车辆识别任务中异类检测方案,本方包括建立车辆的训练数据、非车辆的辅助训练数据集,以及测试数据集,并对数据增强与预处理,建立卷积神经网络,然后对该网络进行训练;接着,计算出该网络各层的Gram矩阵,由此计算出该网络各层的特征相关系数的范围;最后给该网络输入测试数据集,并计算出当前输出的特征相关系数与上述范围的偏差值,通关该偏差值的大小进行异类输入的检测。该方案在不影响原系统对车辆识别正确率的情况下,提高了卷积神经网络检测异类样本的能力。该方案可以获得优于传统方法对车辆异类检测的效果。在实际应用中,能提高诸如交通车辆识别系统等模型的抗干扰能力和泛化能力。
-
公开(公告)号:CN119623722A
公开(公告)日:2025-03-14
申请号:CN202411691061.7
申请日:2024-11-25
Applicant: 桂林电子科技大学
IPC: G06Q10/04 , G06Q50/06 , G06N3/0464
Abstract: 本发明公开了一种基于上下采样卷积层和双预测头的多用户电力消耗特征预测方法,依次包含以下步骤:首先将电力消耗时间序列划分为重叠或非重叠的分块序列;通过线性变换对分块后的电力消耗序列进行编码,以捕捉时间块之间的依赖关系;接着,使用线性预测头对编码后的电力消耗时间序列进行预测,得到线性预测输出;其次,使用上下采样层对此电力消耗时间序列进行处理,以捕捉序列间的长期依赖关系;使用卷积预测头对处理后的电力消耗时间序列进行预测,得到卷积预测输出,最后将卷积预测输出与线性预测输出相加得到最终预测结果。本发明为电力消耗特征预测提供了新思路,实验结果表明本方法具有高效处理长时间序列,误差率低的优点。
-
公开(公告)号:CN119295296A
公开(公告)日:2025-01-10
申请号:CN202411428901.0
申请日:2024-10-14
Applicant: 桂林电子科技大学
IPC: G06T3/04 , G06T11/00 , G06N3/0455 , G06N3/0464 , G06N3/048 , G06N3/0499 , G06N3/084
Abstract: 本发明公开了一种基于颜色和纹理双通道的轻量级图像风格迁移方法。其特征在于:首先准备一张风格图像和一个内容图像数据集并进行归一化,构建并训练图像风格迁移模型;将待迁移图像调整为512x512像素并进行归一化;接着,图像被输入颜色和纹理风格编码器,分别提取颜色和纹理特征;这些特征随后被送入对应的解码器,生成颜色和纹理迁移特征;最后,融合这两种特征,通过融合解码器生成具有目标风格的高质量图像。本发明引入了颜色和纹理双通道的设计,并采用编码器‑解码器结构,实现了高效、高质量的图像风格迁移。同时,本发明的方法具有轻量级的特点,能够在保持较小计算开销的同时,生成视觉效果优异的风格化图像,具有广阔的应用前景。
-
公开(公告)号:CN118710538A
公开(公告)日:2024-09-27
申请号:CN202310276120.3
申请日:2023-03-21
Applicant: 桂林电子科技大学
IPC: G06T5/73 , G06T5/50 , G06T5/60 , G06N3/048 , G06N3/0464 , G06N3/0442 , G06N3/0455 , G06N3/08
Abstract: 本发明公开了一种基于改进Transformer的轻量级图像去模糊方法,包括:获取模糊图像;将模糊图像输入至训练好的基于改进Transformer的轻量级图像去模糊模型中,得到模糊图像对应的清晰去模糊图像;其中,基于改进Transformer的轻量级图像去模糊模型包括:编码模块、中间模块和解码模块,其中编码模块由动态卷积残差模块组成,中间模块和解码模块由简单Transformer模块组成;由于简单Transformer模块可以获取空间上的全局信息和位置信息且只需要接近线性的计算复杂度,所以本发明公开的基于改进Transformer的轻量级图像去模糊方法可以在很短的时间内获取高质量的去模糊图像。
-
公开(公告)号:CN119623723A
公开(公告)日:2025-03-14
申请号:CN202411691440.6
申请日:2024-11-25
Applicant: 桂林电子科技大学
IPC: G06Q10/04 , G06Q50/06 , G06N3/0442
Abstract: 本发明公开了一种基于趋势季节分解和二阶可控门单元的多用户电力消耗特征预测方法,依次包含以下步骤:通过趋势季节分解层,输入的电力消耗序列被拆分成趋势季节两个特征,送入到对应趋势季节编码器进行处理,趋势季节编码器具有相同的结构。在编码器中,趋势和季节特征被切分成小块,送入到线性层进行编码,并送入二阶可控门单元中进行进一步编码,得到趋势季节编码,并送入到趋势与季节解码器中。趋势季节解码器具有相同的结构,趋势季节编码会通过二阶可控门单元进行解码后,送入线性层进行解码,最后趋势季节解码相加得到预测结果。本发明为电力消耗预测提供了新思路,实验结果表明本方法具有高效处理长时间序列,误差率低的优点。
-
公开(公告)号:CN119620238A
公开(公告)日:2025-03-14
申请号:CN202411691631.2
申请日:2024-11-25
Applicant: 桂林电子科技大学
IPC: G01W1/10 , G06F18/213 , G06N3/0455 , G06N3/0464 , G06N3/048
Abstract: 本发明提出了一种基于U‑Net和PatchMixer模块的气象特征预测方法,旨在提高预测精度。首先,对气象序列数据进行归一化,并通过自适应模块动态调整特征矩阵,增强数据的局部相关性。然后,对调整后的特征矩阵填充、分块,并通过线性映射嵌入高维空间,为后续特征提取提供支持。模型利用多个PatchMixer块搭建U‑Net,包含编码器、底部特征聚合层和解码器。编码器逐层提取不同层次的气象特征,底部层进一步整合深层特征,解码器通过跳跃连接和残差连接将编码特征融合,生成预测结果。最后,模型使用均方误差(MSE)损失函数进行优化。实验结果表明,该方法显著提高了气象预测精度,同时降低了模型复杂度,实现了较高的效率和较低的误差。
-
公开(公告)号:CN119228632A
公开(公告)日:2024-12-31
申请号:CN202411475135.3
申请日:2024-10-22
Applicant: 桂林电子科技大学
Abstract: 本发明公开了一种亲和力增强注意力网络的图像任意艺术风格迁移方法,旨在把内容图像按照目标艺术风格创作出一幅全新的图像,使其不仅具有风格图像的艺术特征同时又保持自身的内容纹理结构信息。该方法首先利用内容亲和增强注意力模块提取内容图像特征和增强内容表征,风格亲和增强注意力模块提取风格图像特征,然后利用内容图像细节增强模块对内容图像特征进行细节增强,风格图像细节增强模块对风格图像特征进行细节增强,接着利用混合注意模块根据内容特征分布来调整风格特征分布。公开图像数据集上的对比实验验证了本发明可以实现高质量的图像任意艺术风格迁移。
-
-
-
-
-
-
-
-
-