-
公开(公告)号：CN105722046A
公开(公告)日：2016-06-29
申请号：CN201610216861.2
申请日：2016-04-08
Applicant: 重庆邮电大学
CPC classification number: H04W4/16 , H04L65/1069 , H04L65/1076 , H04W4/06 , H04W4/90
Abstract: 本发明涉及一种TD?LTE应急通信系统强插/强拆业务的实现方法，属于应急通信技术领域。该方法包括以下步骤：S1：系统服务器为每位注册用户分配用户优先级，并存储在服务器的数据库中；S2：用户A与用户B正在通话，用户C向系统服务器发起呼叫用户A的新会话请求；S3：服务器接收并处理用户C发起的新呼叫请求，根据呼叫紧急类型、业务类型和用户类型确定新呼叫的综合优先级因子，并与原呼叫的综合优先级因子进行比较；S4：服务器根据比较结果，判断进行相应的强插/强拆或拒绝呼叫操作，同时给用户C返回相应的信息，用户C根据返回的信息做出相应操作，一次呼叫处理结束。本方法能够适用于应急通信场景下不同呼叫类型、不同呼叫紧急情况和不同优先级用户的具体需求。
-
Patent Agency Ranking
公开(公告)号：CN107273502A
公开(公告)日：2017-10-20
申请号：CN201710463291.1
申请日：2017-06-19
Applicant: 重庆邮电大学
Abstract: 本发明请求保护一种基于空间认知学习的图像地理标注方法,涉及深度学习及图像分类标注领域。该方法包括：对图像进行预处理，使训练集和验证集符合深度学习工具的输入格式；利用深度学习工具构建卷积神经网络，使用全局平均池化层学习图像特征的空间分布；使用训练集进行端到端的训练，使网络自动学习图像的地理特征，在训练过程修改网络的参数，使全局平均池化层对地理特征有高的敏感度；保存训练模型并用验证集对模型进行验证；使用保存好的训练模型对新的测试对象进行计算，得到图像的地理标注。本发明从输入图像中自动地学习图像中的地理特征，避免了人工选取特征的干扰，在大规模的图像地理特征学习任务中实现了自动、高效的特征学习。
-
公开(公告)号：CN107273502B
公开(公告)日：2020-05-12
申请号：CN201710463291.1
申请日：2017-06-19
Applicant: 重庆邮电大学
Abstract: 本发明请求保护一种基于空间认知学习的图像地理标注方法,涉及深度学习及图像分类标注领域。该方法包括：对图像进行预处理，使训练集和验证集符合深度学习工具的输入格式；利用深度学习工具构建卷积神经网络，使用全局平均池化层学习图像特征的空间分布；使用训练集进行端到端的训练，使网络自动学习图像的地理特征，在训练过程修改网络的参数，使全局平均池化层对地理特征有高的敏感度；保存训练模型并用验证集对模型进行验证；使用保存好的训练模型对新的测试对象进行计算，得到图像的地理标注。本发明从输入图像中自动地学习图像中的地理特征，避免了人工选取特征的干扰，在大规模的图像地理特征学习任务中实现了自动、高效的特征学习。
-
公开(公告)号：CN105227552A
公开(公告)日：2016-01-06
申请号：CN201510622090.2
申请日：2015-09-25
Applicant: 重庆邮电大学
IPC: H04L29/06
CPC classification number: H04L65/80 , H04L65/608
Abstract: 本发明涉及一种TD-LTE应急终端语音业务质量保障方法，属于无线通信技术领域。该方法包括以下步骤：语音数据发送端进行语音数据采集和编码，将含有时间戳的RTP语音数据包通过TD-LTE网络发送至语音数据接收端；语音数据接收端统计接收到的语音数据包，计算出丢包率大小，将该丢包率信息封装成控制报文并发送至语音数据接收端，同时根据丢包率大小调整接收队列长度；语音数据发送端解析接收到的控制报文获得丢包率信息，根据该丢包率信息动态调整语音数据的采集参数和发送队列长度。本方法可以根据TD-LTE无线信道的质量动态调节语音数据的质量，能实时地、有效地传输语音数据，从而实现了保证TD-LTE应急通信系统下语音业务质量的目的。
-
公开(公告)号：CN106547880B
公开(公告)日：2020-05-12
申请号：CN201610951093.5
申请日：2016-10-26
Applicant: 重庆邮电大学
IPC: G06F16/29
Abstract: 本发明请求保护一种融合地理区域知识的多维度地理场景识别方法。包括步骤：对数据库中的图像进行预处理，得到符合的地理场景图像；利用一种快速查找图像中物体区域的方法，得到物体区域图像块；将得到的地理图像物体区域图像块用深度卷积神经网络进行预训练，精调过程至场景图像深度卷积神经网络性能不再提升，把特征矩阵融合为输出特征向量；将所得采集地理场景分类中的实体名词数据预先建立地理实体名词关键词词典，对所述目标识别结果数据进行分词，获得所述目标识别结果中的关键性词语，建立文本特征；将文本特征和多个尺度的图像特征融合为特征向量作为输入，实现跨媒体数据的识别分类，进而实现融合地理实体信息的场景分类。
-
公开(公告)号：CN106547880A
公开(公告)日：2017-03-29
申请号：CN201610951093.5
申请日：2016-10-26
Applicant: 重庆邮电大学
IPC: G06F17/30
Abstract: 本发明请求保护一种融合地理区域知识的多维度地理场景识别方法。包括步骤：对数据库中的图像进行预处理，得到符合的地理场景图像；利用一种快速查找图像中物体区域的方法，得到物体区域图像块；将得到的地理图像物体区域图像块用深度卷积神经网络进行预训练，精调过程至场景图像深度卷积神经网络性能不再提升，把特征矩阵融合为输出特征向量；将所得采集地理场景分类中的实体名词数据预先建立地理实体名词关键词词典，对所述目标识别结果数据进行分词，获得所述目标识别结果中的关键性词语，建立文本特征；将文本特征和多个尺度的图像特征融合为特征向量作为输入，实现跨媒体数据的识别分类，进而实现融合地理实体信息的场景分类。
-
-
-
-
-
Search Results
6
records
(took 0.019 seconds)
