-
公开(公告)号：CN114677559B
公开(公告)日：2025-04-15
申请号：CN202210253649.9
申请日：2022-03-15
Applicant: 重庆邮电大学
IPC: G06V10/774 , G06V10/764 , G06V10/80 , G06V10/82 , G06V20/10 , G06T7/00 , G06N3/0464 , G06N3/048
Abstract: 本发明涉及深度学习技术领域，尤其涉及一种改进ResNet‑50网络结构的路面裂缝检测方法，通过移除ResNet‑50网络的全连接层和平均池化层，将混合扩张卷积融入网络后三层中，在第二层与第三层、第三层与第四层、第四层与第五层之间加入空间‑通道注意力机制，并使用多尺度特征融合的方式对提取的特征进行融合形成改进ResNet‑50网络，并使用路面裂缝数据集对改进后的网络模型进行训练获得裂缝检测网络模型，最后使用裂缝检测网络模型进行裂缝分类和严重程度评估，改进的扩张卷积模块可以从更大范围的像素中提取特征，确保网络能获取全局特征信息，多尺度特征融合的方式对提取的特征融合提高了准确率。
-
公开(公告)号：CN118136192A
公开(公告)日：2024-06-04
申请号：CN202410292523.1
申请日：2024-03-14
Applicant: 重庆邮电大学
Abstract: 本发明属于人工智能技术领域，特别涉及一种基于双曲图神经网络的电子病历预处理方法，包括采用双曲信息流嵌入方法重构医疗代码层次结构得到医疗代码双曲空间结构；根据医疗代码双曲空间结构获取底层医疗代码嵌入集合；采集患者的电子病历数据集构建医疗代码有向加权图，并计算加权邻接矩阵；采用多层图神经网络学习底层医疗代码嵌入集合和加权邻接矩阵，获取医疗代码隐藏表示集合；基于医疗代码隐藏表示集合，采用双级注意力机制对电子病历数据集进行编码，得到患者向量；将患者向量输入解码器解码，输出预测医疗代码分布，根据预测医疗代码分布对患者进行标记；本发明解决了现有预测模型对电子病历数据利用不充分的问题，提升了模型预测精度。
-
公开(公告)号：CN115985435A
公开(公告)日：2023-04-18
申请号：CN202211582461.5
申请日：2022-12-09
Applicant: 重庆邮电大学
IPC: G16H10/60 , G06F16/35 , G06F16/332 , G06F40/30 , G06F40/247 , G06F40/289 , G06N20/00 , G06N3/0464 , G06N3/08
Abstract: 本发明属于信息技术领域，涉及一种医疗文本数据生成方法，包括获取医疗记录样本，采用MetaMap进行专业医学名称匹配替换的方式获取新医疗记录样本，同时还采用WordNet字典进行同义词查找，采用相似度最大的同义词替换的方式获取行医疗记录样本，扩充了医疗记录样本数据，解决了医疗文本分类训练中的数据短缺问题。
-
公开(公告)号：CN115376317A
公开(公告)日：2022-11-22
申请号：CN202211004685.8
申请日：2022-08-22
Applicant: 重庆邮电大学 , 北京钢铁侠科技有限公司
Abstract: 本发明属于智能交通技术领域，具体涉及一种基于动态图卷积和时序卷积网络的交通流预测方法，该方法包括：获取路口节点中待预测的交通流数据，并对待预测的交通流数据进行预处理；将预处理后的交通流数据输入到训练好的交通流预测模型中，得到该路口节点交通流预测结果；根据交通流预测结果对该路口进行交通管制；本方法能更加完整提取交通流数据的时空特征，提高交通流预测的准确性，同时采用时序图卷积，解决了模型梯度不稳定、动态变化响应慢等问题，这对缓解城市交通拥堵，提高行使效率具有重要意义。
-
公开(公告)号：CN115062708A
公开(公告)日：2022-09-16
申请号：CN202210699497.5
申请日：2022-06-20
Applicant: 重庆邮电大学
IPC: G06K9/62 , G06F16/901 , G06N3/04 , G06N3/08
Abstract: 本发明属于智慧交通轨迹监测领域，具体涉及一种基于轨迹偏差点嵌入和深度聚类的异常节点检测方法，构建交通轨迹检测网络结构，并初始化网络结构；根据网络结构中各个节点之间的关系构建结构嵌入；根据结构嵌入采用随机游走方法构建分层多层图；获取待检测节点的轨迹数据，将轨迹数据输入到分层多层图中，得到序列；采用深度聚类方法对序列进行聚类，得到异常节点；本发明利用有用和衍生的模式来检测群轨迹离群点或提取个体和群轨迹离群点的偏差点，提高了检测结果的准确性。
-
Patent Agency Ranking
公开(公告)号：CN117222037A
公开(公告)日：2023-12-12
申请号：CN202311308539.9
申请日：2023-10-10
Applicant: 重庆邮电大学
Abstract: 本发明属于移动通信技术领域，具体涉及一种列车无线通信网络中链路资源的调度方法，包括：构建传感器网络并安装在列车的走行部上；通过传感器网络采集列车传感器数据，将采集数据存于缓存队列进行数据归一化处理；为每个数据流设定一个时间戳，当时间戳达到时间阈值后，丢弃未被调度的数据，同时动态增加该类数据的权重，以减少后续生成的该类数据被丢弃；采用一种改进的动态加权公平队列调度算法进行数据传输的调度，决定某类传感器优先进行传输；计算虚拟时间，并选择最小虚拟时间的优先调度。本发明分别考虑了数据的公平性、时间复杂度和端到端时延，有效地降低了网络中数据传输带来的能量消耗，有效地延长了列车无线通信网络的生命周期。
-
公开(公告)号：CN115175268B
公开(公告)日：2023-07-25
申请号：CN202210767617.0
申请日：2022-07-01
Applicant: 重庆邮电大学
Abstract: 本发明属于无线传感器网络技术领域，具体涉及一种基于深度强化学习的异构网络节能路由方法，传感器节点根据自身传感器的预定义计划感知环境，收集观测数据并存入对应的缓存队列；并在等待时间内，接收邻居节点传送的聚合数据并存入对应的缓存队列；传感器节点将同一缓存队列中的数据聚合，得到多种类型的聚合数据；根据Q学习自适应算法选择每种类型的聚合数据的下一跳传感器节点并转发；传感器节点根据下一跳传感器节点的响应更新对应传感器的Q表，本发明基于机器学习的自适应路由实现对网络动态变化的实时捕获，用较小的开销实现对整个网络的动态掌控，具有较好的节能性能，有效的延长了网络生命周期。
-
公开(公告)号：CN115376317B
公开(公告)日：2023-08-11
申请号：CN202211004685.8
申请日：2022-08-22
Applicant: 重庆邮电大学 , 北京钢铁侠科技有限公司
IPC: G08G1/01 , G06N3/0464 , G06N3/08
Abstract: 本发明属于智能交通技术领域，具体涉及一种基于动态图卷积和时序卷积网络的交通流预测方法，该方法包括：获取路口节点中待预测的交通流数据，并对待预测的交通流数据进行预处理；将预处理后的交通流数据输入到训练好的交通流预测模型中，得到该路口节点交通流预测结果；根据交通流预测结果对该路口进行交通管制；本方法能更加完整提取交通流数据的时空特征，提高交通流预测的准确性，同时采用时序图卷积，解决了模型梯度不稳定、动态变化响应慢等问题，这对缓解城市交通拥堵，提高行使效率具有重要意义。
-
公开(公告)号：CN115762164A
公开(公告)日：2023-03-07
申请号：CN202211452502.9
申请日：2022-11-21
Applicant: 重庆邮电大学
IPC: G08G1/01 , G06F18/214
Abstract: 本发明涉及道路交通检测领域，具体涉及一种基于PWSL‑KF模型的道路交通拥堵检测方法及系统，包括获取目标路段的真实交通密度和交通速度；将真实交通密度输入到PWSL‑KF观测器模型进行处理，计算出预测交通密度；计算预测交通密度和真实交通密度之间的残差；将得到的残差输入到基于KNN‑Shewhart策略的检测器中，根据训练数据中每个观测值的残差计算K近邻距离和参数阈值；最后比较K近邻距离和参数阈值得出道路拥堵情况；本发明对预测交通量的准确程度较高，对硬件和工程量要求较低，方便实现。
-
公开(公告)号：CN115688049A
公开(公告)日：2023-02-03
申请号：CN202211359711.9
申请日：2022-11-02
Applicant: 重庆邮电大学
IPC: G06F18/25 , G06F18/214 , G06N3/084 , G06N3/086
Abstract: 本发明属于无线传感网络的数据传输技术领域，具体涉及一种基于改进GWO优化BPNN的数据融合方法、装置和存储介质，该方法包括：采集高铁传感器数据，并对数据进行归一化预处理；采用改进的灰狼算法调整BP神经网络权值与阈值，得到最优的BP神经网络；将处理后的高铁传感器数据输入最优的BP神经网络进行数据融合。本发明采用新的动态权重更新策略，避免灰狼探索陷入局部最优，同时采用了RNA交叉操作，增强了搜索的灵活性；并通过改进的灰狼算法改进BP神经网络的权值和阈值，提高了数据的融合效率，减少了数据传输的误差，增强了数据的融合能力，在保证信息的准确性的前提下，减少了数据的传输量，降低了高铁无线传感网络的能耗。
-
-
-
-
-
-
-
-
-
Search Results
12
records
(took 0.023 seconds)
