-
公开(公告)号：CN118780360A
公开(公告)日：2024-10-15
申请号：CN202410850246.1
申请日：2024-06-28
Applicant: 电子科技大学 , 喀什地区电子信息产业技术研究院
IPC: G06N5/025 , G06N5/04 , G06N3/042 , G06N3/0464 , G06N3/045 , G06N3/044 , G06N3/0442 , G06N3/08
Abstract: 本发明属于知识图谱推理技术领域，公开了一种基于长短期依赖的时序知识图谱推理方法，将若干个历史子图序列合并为一个长期稠密图，并使用关系图神经网络进行建模，实体长期嵌入表示；针对当前时刻之前的若干子图序列，使用长期嵌入表示进行初始化，然后针对每一个子图序列，使用基于注意力机制的关系图神经网络和双重循环网络来对事件近期的演化进行建模，生成包含长期演化依赖和短期演化偏好的实体嵌入表示和关系嵌入表示；依据当前时刻的实体嵌入表示、关系嵌入表示和已知实体，通过解码器获取未来事件的最终预测结果。本发明通过联合建模长期和短期的事件演化动态性，以一种自适应的方法巧妙地融合长短期预测，从而提高了对未来事件预测精度。
-
公开(公告)号：CN110647403B
公开(公告)日：2023-04-11
申请号：CN201911049702.8
申请日：2019-10-31
Applicant: 桂林电子科技大学
IPC: G06F9/50
Abstract: 本发明公开一种多用户MEC系统中的云端计算资源分配方法，基于移动用户的任务信息以及移动用户与MEC服务器之间的信道信息，以收益最大化为目标建立误工损失模型，不计入任务等待时间，利用误工损失模型中的函数剔除完成时间大于等于截止期限的任务，对剩余任务进行EDD排序，再利用分支定界法确定执行次序，MEC服务器根据执行次序执行完成时间小于截止期限的任务，并获取最大化收益，本发明以收益最大化为目标，将MEC服务器误工最小化问题建模成以任务执行次序为优化变量的最优化问题，并建立误工损失模型，提出了一种基于分支定界法的排序算法来寻找该问题的最优解，在满足卸载任务的截止期限的同时，尽可能拒绝造成损失较小的任务，以实现收益最大化。
-
公开(公告)号：CN111371877A
公开(公告)日：2020-07-03
申请号：CN202010128491.3
申请日：2020-02-28
Applicant: 桂林电子科技大学
Abstract: 本发明公开一种异构联盟链的共识方法，在PBFT算法的基础上，结合RAFT算法，并使用了分层的结构，不仅有效降低节点之间数据传输的通信开销，使其更适合应用于设备数量大，通信复杂的工业物联网中；而且能够使区块链中参与共识的节点数量得到扩展，增加了可扩展性；此外，增加监督机制和重启机制，从而增加了容错率，保持了安全性，以满足医疗领域下的信息交互需求。
-
公开(公告)号：CN110110584A
公开(公告)日：2019-08-09
申请号：CN201910193232.6
申请日：2019-03-14
Applicant: 杭州电子科技大学
Abstract: 本发明涉及一种基于CNN的情绪特征分类方法。首先以Russell情绪维度模型为基准，探索了不同脑区受情绪极性与强度的影响，采用DEAP数据集作为情绪研究的样本，再进行特征通道的选择，然后通过特征归一化以及数据降维提取主要特征，我们的主要分类模型使用卷积神经网络来有效地对以2D阵列形式呈现的预处理EEG数据进行分类。本次研究提供了可观的分类精度，比以往的研究有了特征提取上的改进，更重要的是证明了神经网络可以作为强有力的脑电信号分类器，优于传统的学习技术。
-
公开(公告)号：CN110059565A
公开(公告)日：2019-07-26
申请号：CN201910212733.4
申请日：2019-03-20
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于改进卷积神经网络的P300脑电信号识别方法。本发明包含以下步骤：1、使用脑电采集设备采集P300脑电信号；2、选取16个通道的脑电信号，对采集到的脑电信号进行降频、降噪及重采样；3、将原始的五维样本重构为二维矩阵，进行15次叠加平均以增大信噪比，每个P300样本标签设为1，噪声样本标签设为0；4、构建新的卷积神经网络结构，5、训练网络，将预处理后的数据送入卷积神经网络，确定网络参数，得到改进的用于P300脑电信号识别的卷积神经网络模型；本发明使用改进卷积神经网络对P300脑电信号进行特征提取和分类，可有效地提高P300信号的识别率。
-
Patent Agency Ranking
公开(公告)号：CN109254654A
公开(公告)日：2019-01-22
申请号：CN201810947723.0
申请日：2018-08-20
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种结合PCA和PCANet的驾驶疲劳特征提取方法。本发明包含以下步骤：1、使用脑电采集设备采集驾驶脑电信号；2、对采集到的脑电信号进行预处理，包括降频、降噪；3、对预处理后的信号通过结合PCA和PCANet的特征提取方法提取特征；4、对提取的特征使用分类器进行分类学习、识别。本发明使用结合PCA和PCANet的驾驶疲劳特征提取方法，相比单独使用PCANet产生的维度爆炸，一方面可以降低对计算机的运算要求，同时加快了计算速度，减少了运算的时间，有利于后续的实时监测；另一方面PCANet这个图像的处理方法跨领域使用在驾驶疲劳特征的提取，也使分类的准确率有了有效的提升。
-
公开(公告)号：CN104577348B
公开(公告)日：2017-11-03
申请号：CN201410797061.5
申请日：2014-12-18
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种低轴比多臂平面缝隙螺旋天线，包括圆形介质基板、圆形金属贴片、串馈微带线、金属反射腔、介质支架环及同轴接口，所述的圆形介质基板的背面设置腐蚀多个缝隙的圆形金属贴片，圆形介质基板的正面设置腐蚀的串馈微带线，所述圆形介质基板的下方设有同轴接口及金属反射腔，所述圆形介质基板通过介质支架环与金属反射腔连接。该低轴比多臂平面缝隙螺旋天线馈电网络简单、馈电幅度可调节、驻波小、轴比小；该低轴比多臂平面缝隙螺旋天线既可以保证多个缝隙间稳定的相位差，又可以保证各缝隙馈电幅度一致，波束范围内相位中心稳定，宜推广使用。
-
公开(公告)号：CN107194344A
公开(公告)日：2017-09-22
申请号：CN201710344361.1
申请日：2017-05-16
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种自适应骨骼中心的人体行为识别方法。主要解决现有技术动作识别精度低的问题。其实现步骤是：1)从骨骼序列数据集中获取三维骨架序列，并对其进行预处理，得到坐标矩阵；2)根据坐标矩阵选择特征参数，自适应选择坐标中心，重新对动作进行归一化，得到动作坐标矩阵；3)通过DTW方法对动作坐标矩阵进行降噪处理，借助FTP方法减少动作坐标矩阵时间错位和噪声问题，再使用SVM进行对动作坐标矩阵进行分类。本发明相比于现有的行为识别方法，有效地提高了识别精度。可应用于监控、视频游戏和人机交互。
-
公开(公告)号：CN106327496A
公开(公告)日：2017-01-11
申请号：CN201610742302.5
申请日：2016-08-26
Applicant: 西安电子科技大学
CPC classification number: G06T7/0008 , G06T5/001 , G06T2207/10004 , G06T2207/30141
Abstract: 本发明提出了一种基于AOI的PCB裸板盲孔缺陷检测系统及方法，用于解决现有检测系统及方法中存在的弱光照环境下盲孔检测准确率低的技术问题，检测系统包括依次相连的图像采集单元、图像预处理单元、文件预处理单元、参数读取单元、盲孔检测单元和误差计算单元；该系统首先采集待测PCB裸板的扫描图像，通过预处理得到二值图像，接着读取标准PCB裸板的设计文件信息，根据标准PCB裸板的设计文件信息，检测二值图像中所有盲孔的坐标及半径，最后计算待测PCB裸板扫描图像上所有盲孔的误差。本发明在弱光照环境下的检测准确率高，且系统成本低，可用于电路板加工环境中盲孔缺陷的检测。
-
公开(公告)号：CN102709688A
公开(公告)日：2012-10-03
申请号：CN201210190060.5
申请日：2012-06-11
Applicant: 杭州电子科技大学
IPC: H01Q1/38 , H01Q1/40 , G06K19/077 , G06F17/50
Abstract: 本发明涉及一种RFID标签天线仿真设计方法及标签天线。本发明的RFID标签天线在芯片短路状态时，标签的本征频率与阅读器发射频率都是915MHz，此时标签谐振，标签回波最多，用于表示二进制1。芯片匹配状态时，标签天线输入阻抗与芯片阻抗共轭匹配，芯片获得最大输入功率，标签回波最少，用于表示二进制0。该RFID标签天线为单面结构，介质基板选用RF-4板材，导电材料使用金属铜；RFID标签天线由一对主辐射体、一个谐振匹配单元和两根馈线组成。利用本发明设计的RFID标签天线，在RFID系统中应用，使得整个RFID阅读器对1和0的区分程度最好，调制比最大，阅读器的读取误码率也将达到最低，提高了可读性指标。
-
-
-
-
-
-
-
-
-
Search Results
30
records
(took 0.081 seconds)
