-
公开(公告)号：CN114444534B
公开(公告)日：2025-02-07
申请号：CN202111456132.1
申请日：2021-12-02
Applicant: 电子科技大学 , 厦门智小金智能科技有限公司
IPC: G06F18/24 , G06F18/25 , G06N3/0464 , G06N3/08
Abstract: 本发明提供了一种基于样本生成和模态融合的跨域无线动作识别方法，为了以少量数据实现高精度跨域动作识别，将源域和目标域的同动作类别数据进行线性变换得到包含源域和目标域环境信息的新数据，然后利用生成编码器和生成解码器去除源域的环境信息并增强目标域的环境信息，通过不断训练，生成大量目标域的虚拟幅值数据和虚拟相位数据。为了进一步提升跨域动作识别精度，对虚拟幅值和虚拟相位进行特征融合。通过融合编码器从幅值和相位中提取出动作特征，并通过相似度损失使不同模态的动作特征一致，然后利用融合解码器增强动作特征提取能力。最后对不同模态的动作特征进行通道拼接，采用动作分类器对拼接的动作特征进行分类，得到动作识别结果。
-
公开(公告)号：CN116996555A
公开(公告)日：2023-11-03
申请号：CN202310871270.9
申请日：2023-07-14
Applicant: 电子科技大学长三角研究院(湖州) , 厦门智小金智能科技有限公司
IPC: H04L67/306 , G06F30/27 , G06N5/022 , G06N3/0442 , G06N3/0455 , G06N3/084 , G06N3/0985 , G06F111/06
Abstract: 本发明公开了一种基于最优化元学习的个性化推荐方法、系统及存储介质，采用基于分解的时间序列预测模型对用户行为时序数据进行分解，提取其中的趋势性特征和季节性特征，以实现对未来行为预测；采用元学习的方法训练基于分解的时间序列预测模型，对不同用户进行归纳总结，得到泛化性较好的初始化模型；采用基于帕累托最优的多目标优化算法，实现模型训练过程中的最优路径寻找并实现模型的最优解；对初始化模型进行微调得到个性化的用户行为习惯模型，用于实现对不同用户个性化推荐。本发明能够对家庭用户的行为数据进行深入挖掘，构建用户的行为习惯模型和兴趣模型，为用户生成个性化的推荐策略，极大的提高了对用户推荐策略的准确性。
-
公开(公告)号：CN108898062B
公开(公告)日：2021-12-10
申请号：CN201810546542.7
申请日：2018-05-31
Applicant: 电子科技大学
IPC: G06K9/00
Abstract: 本发明涉及一种基于改进的信号片段提取算法的手部动作识别方法。本发明包括以下步骤：S1、采集人体的手部动作数据，去除所述手部动作数据中的过渡动作数据，得到手部动作数据的雏形动作片段；S2、针对不同长度的动作雏形动作片段进行自适应的片段提取，探测手部动作的完整动作片段和其真实的起始点和终止点；S3、提取所述完整动作片段的特征值，对手部动作分类模型进行训练，最后利用所述手部动作分类模型进行手部动作识别。本发明能够自适应不同手部动作类型的运动时间长度，对人体各手部动作的完整动作片段进行精确提取，并能够探测得到各动作片段的真实状态点(起始点和终止点)，获得各个动作的精确完整动作片段。
-
公开(公告)号：CN109508677A
公开(公告)日：2019-03-22
申请号：CN201811360857.9
申请日：2018-11-15
Applicant: 电子科技大学
Abstract: 本发明公开了一种改进的卷积神经网络的空中手写动作识别方法，该方法利用多时间序列和部分权重共享技术的CNN对特征进行提取，解决了传统方法需手工设计特征等缺点。该方法主要包括以下内容：1、对传感器数据的预处理以及动作片段提取；2、利用改进的CNN提取动作特征，改进包括引入多时间序列作为输入，在卷积层利用部分权重共享技术一定程度上解决了因传统特征提取导致局部差异性削弱而带来的精度下降问题，使特征更具代表性，在池化层和反向传播上结合部分权重共享做出了相应改进，使网络能进行正确的训练。本发明通过改进的CNN提高了空中手写动作的识别精度，可用于模式识别系统中，为基于智能腕带的手部动作识别做技术支撑。
-
公开(公告)号：CN103065166B
公开(公告)日：2015-08-19
申请号：CN201210549591.9
申请日：2012-12-18
Applicant: 电子科技大学
IPC: G06K17/00 , G06K19/067
Abstract: 本发明公开了一种开放式RFID实验平台及标签，一方面可以作为RFID标签集成各类传感器进行感知能力开发；另一方面可以作为RFID协议设计的测试和验证平台。本发明的开放式RFID实验平台包括被动式可编程RFID标签和RFID集成仿真器RFID-IS：被动式可编程RFID标签包括微处理单元、JTAG接口、通用接口、存储器、天线，用于提供传感标签硬件测试平台；RFID-IS用于提供软、硬两种仿真环境，包括软仿真组件库、硬仿真组件库，控制处理模块、数据分析模块、数据展示模块。基于RFID-IS即可以进行RFID协议设计及感知功能的快速开发和软件仿真，又可以支持基于被动式可编程RFID标签的硬件开发。可广泛用于各类RFID应用、研究的验证和开发，提高开发速度并为进一步丰富和发展RFID及物联网技术提供支撑。
-
Patent Agency Ranking
公开(公告)号：CN114444534A
公开(公告)日：2022-05-06
申请号：CN202111456132.1
申请日：2021-12-02
Applicant: 电子科技大学 , 厦门智小金智能科技有限公司
Abstract: 本发明提供了一种基于样本生成和模态融合的跨域无线动作识别方法，为了以少量数据实现高精度跨域动作识别，将源域和目标域的同动作类别数据进行线性变换得到包含源域和目标域环境信息的新数据，然后利用生成编码器和生成解码器去除源域的环境信息并增强目标域的环境信息，通过不断训练，生成大量目标域的虚拟幅值数据和虚拟相位数据。为了进一步提升跨域动作识别精度，对虚拟幅值和虚拟相位进行特征融合。通过融合编码器从幅值和相位中提取出动作特征，并通过相似度损失使不同模态的动作特征一致，然后利用融合解码器增强动作特征提取能力。最后对不同模态的动作特征进行通道拼接，采用动作分类器对拼接的动作特征进行分类，得到动作识别结果。
-
公开(公告)号：CN115457732B
公开(公告)日：2023-09-01
申请号：CN202211018371.3
申请日：2022-08-24
Applicant: 电子科技大学
IPC: G08B21/04 , H04W84/12 , G06F18/241 , G06F18/214
Abstract: 本发明提供一种基于样本生成和特征分离的跌倒检测方法，从WiFi信号的CSI数据中提取各子载波的幅值信息进行跌倒检测。为了解决跌倒样本量不足和跌倒检测模型对环境的依赖，将源域数据中的跌倒动作样本进行加噪声重构得到跌倒动作虚拟样本，再利用特征提取器提取源域数据和虚拟跌倒数据的特征向量，通过特征提取器得到的特征向量层神经元可以分为两部分，上半部分带入跌倒与非跌倒检测二分类器训练，下半部分带入域分类器训练，上半部分在训练的过程中逐渐保留跌倒与非跌倒动作相关的信息，下半部分在训练的过程中逐渐保留环境相关信息，使得跌倒与非跌倒检测二分类器能够更好的区分跌倒与非跌倒动作，增强了跌倒检测针对环境的泛化能力。
-
公开(公告)号：CN116467639A
公开(公告)日：2023-07-21
申请号：CN202310391144.3
申请日：2023-04-03
Applicant: 电子科技大学长三角研究院(湖州) , 厦门智小金智能科技有限公司
IPC: G06F18/241 , G06F18/214 , G06N3/0455 , G06N3/0442 , G06N3/047 , G06N3/0985 , G06N3/084
Abstract: 本发明涉及深度学习技术领域，具体涉及一种用于智慧家庭画像构建中的新设备冷启动方法，包括对家居设备的历史记录数据集进行划分处理，得到输入数据集；将标签分类模型和元学习模型结合后在训练任务集合上进行元训练，得到最优初始化参数组；从所述输入数据集中生成测试任务集合基于所述最优初始化参数组进行元测试，得到标签归类结果；基于所述标签归类结果进行冷启动，本发明的模型能够在其他相同种类设备的历史数据中学习到一组普适性较好的初始化参数，在新设只有少量数据的情况下就可以快速迭代收敛，取得良好的分类效果。解决了在构建用户画像时小样本场景下无法对新设备的使用记录进行正确打标签分类的问题。
-
公开(公告)号：CN109670548B
公开(公告)日：2023-01-06
申请号：CN201811561547.3
申请日：2018-12-20
Applicant: 电子科技大学
IPC: G06F18/15 , G06F18/241 , G06F18/25 , G06N3/045 , G06N3/0442 , G06N3/0464 , G06N3/08 , G06F123/02
Abstract: 为了解决传统机器学习算法对特征提取的困难以及相似动作给分类识别带来的混淆性，本发明提出了一种基于改进LSTM‑CNN的多尺寸输入HAR算法。该算法将优化的CNN卷积神经网络和多层双向动态LSTM长短时记忆网络融合对HAR人体行为活动进行识别。包括多尺寸输入、模型分类识别。所述多尺寸输入将数据进行降噪、均值‑方差归一化、零填充等操作生成两个不同维度的数据作为模型输入，所述模型分类识别将优化的CNN网络与多层双向动态LSTM网络融合进行分类识别。本发明采用优化的卷积神经网络和多层双向动态长短期记忆网络融合构建分类器，具有很好的扩展性和鲁棒性，能够实现高精度的人体行为活动识别。
-
公开(公告)号：CN106919958B
公开(公告)日：2020-06-26
申请号：CN201710168313.1
申请日：2017-03-21
Applicant: 电子科技大学
IPC: G06K9/62 , G06F3/01 , G06F3/0346
Abstract: 本发明公开了一种基于智能手表的手指细微动作识别方法。该应用与识别方法可以解决在操作智能手表时，因屏幕小及按键单一，使人们使用极不方便，所带来误操作和体验度问题。该应用和识别方法具体包括如下内容：1、对手指动作加速度原始数据进行分割，精确提取手指动作片段算法；2、只提取手指动作加速度信号特征值对手指动作进行精确识别，减少系统运算开支；3、根据识别结果对智能手表进行控制和操作。本发明通过智能手表内置的加速度传感器采集人体手指细微动作传感器数据，智能手表充分利用手指动作特征数据和良好的数据处理能力，可以通过识别手指细微动作方便地控制和操作智能手表，可以大大简化人机交互过程，增强智能手表的使用价值。
-
-
-
-
-
-
-
-
-
Search Results
20
records
(took 0.019 seconds)
