-
公开(公告)号：CN116090627A
公开(公告)日：2023-05-09
申请号：CN202310003746.7
申请日：2023-01-03
Applicant: 重庆邮电大学
IPC: G06Q10/04 , G06Q50/06 , G06N3/08 , G06F18/23 , G06N3/0464
Abstract: 本发明请求保护一种结合CDC‑VMD和回声状态网络的短期电力负荷预测方法，首先使用局部方向中心性聚类算法CDC对原始负荷数据进行精确聚类，并采用戴维森堡丁指数DBI对比其他聚类算法，得出CDC算法聚类效果最优。之后采用变分模态分解VMD对负荷数据进行处理，将负荷序列分解得到多个本征模态函数(IMF)，以降低神经网络预测模型输入数据的复杂程度，分别计算各个IMF分量的样本熵(SE)，将相近样本熵值的分量合并为一个新的序列，以减少所需训练的模型数量，最后利用深度回声状态网络DESN来拟合各个序列的历史数据和预测数据的关系，并叠加各模型的预测结果得到最后的预测值。本发明相比于传统预测方法，有更高的精确性。
-
公开(公告)号：CN111046900B
公开(公告)日：2022-10-18
申请号：CN201911023691.6
申请日：2019-10-25
Applicant: 重庆邮电大学
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06N3/04 , G06N3/08
Abstract: 本发明请求保护一种基于局部流形正则化的半监督生成对抗网络图像分类方法，该方法将局部流形正则化引入半监督生成对抗网络。该方法基于生成对抗网络对数据流形优秀的拟合能力，引入局部流形正则化，可以很好地解决判别器过度训练问题。通过在判别器和生成器的损失函数中加入流形正则化项，以对数据流形的突变进行惩罚，能够防止模型陷入局部崩溃，增强模型对数据流形的局部扰动保持不变性，使模型具有更好的鲁棒性。结合局部流形正则化的半监督生成对抗网络图像分类方法在半监督图像分类问题上可显著提高图像分类的准确率。
-
公开(公告)号：CN114493776A
公开(公告)日：2022-05-13
申请号：CN202210065574.1
申请日：2022-01-20
Applicant: 重庆邮电大学
Abstract: 本发明涉及一种基于区块链的多租户分布式租赁卫星网络资源的方法，属于移动通信领域。该方法包括：S1：构建卫星网络资源租赁的多租户商业生态系统；S2：构建基于区块链的卫星网络资源租赁机制，具体包括：S21：构建卫星网络资源的双重租赁机制；S22：构建基于区块链的资源租赁机制；S23：获取参与者的信誉值：先计算参与者的声誉分数，然后结合交易费用来保证参与者的诚实度，最后使用滑动窗口来确保选择的领导者是持续贡献的诚实参与者。本发明将声誉与基于区块链的租赁机制相结合，防止中间实体操纵交易结果，并提高系统的交易吞吐量，减少交易延迟。
-
公开(公告)号：CN112464985A
公开(公告)日：2021-03-09
申请号：CN202011188078.2
申请日：2020-10-29
Applicant: 重庆邮电大学移通学院
Abstract: 本申请实施例公开了一种目标检测方法及相关装置，方法包括：获取多张待检测图片；将多张待检测图片输入融合神经网络模型进行处理，输出均包括一个或多个设定目标的至少一个目标检测结果，至少一个目标检测结果与至少一张待检测图片一一对应；其中，融合神经网络模型包括卷积神经网络模型和生成式对抗网络模型；对至少一个目标检测结果执行显示操作。采用本申请实施例有助于提高检测大量图片中存在的多个设定目标的准确性和效率。
-
公开(公告)号：CN117807553A
公开(公告)日：2024-04-02
申请号：CN202311847281.X
申请日：2023-12-28
Applicant: 重庆邮电大学
IPC: G06F18/25 , G06F18/214 , G06F18/10 , G06F18/2131 , G06N3/0464 , G06N3/049 , G06N3/045 , G06F18/2415 , G06F17/14 , A61B5/372 , A61B5/397
Abstract: 本发明请求保护一种基于时频卷积的脑肌电信号融合解码方法。首先对脑电信号和肌电信号的同步触发采集，并对实时信号进行存储，构建了脑肌电同步信号数据集；将预处理后的脑肌电信号进行短时傅里叶变换，分别获取脑肌电信号的时域融合特征和频域独立特征；通过设计的双分支网络结构获取脑肌电信号深层次时域特征，以及在频域特征分支引入频域注意力机制，来增强脑肌电信号在探索不同频域成分中的有效性，提高脑电频域特征的提取与表达；最终将脑肌电信号的时域特征和频域特征在特征层后期进行拼接融合，再将融合后的特征向量输入到两个全连接层中，最后对其进行解码分类，有效的提高了脑肌电融合解码的准确率和稳定性。
-
Patent Agency Ranking
公开(公告)号：CN117710252A
公开(公告)日：2024-03-15
申请号：CN202311465117.2
申请日：2023-11-06
Applicant: 重庆邮电大学
IPC: G06T5/77 , G06T5/70 , G06T7/41 , G06V10/54 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/0475 , G06N3/094
Abstract: 本发明请求保护一种基于细化边缘语义的人脸复原方法。首先通过构建身份‑纹理数据库，复原时检索同一人的面部纹理以实现复原人脸身份的强一致性；然后通过细化边缘语义机制明确退化人脸的大致轮廓和组件范围以近似先验信息，摒弃获取先验信息获取的时间，并通过特征选择模块中的双分支结构，进一步对细化边缘特征进行选择以实现复原人脸图像的清晰边缘。最后借助细节补充模块，动态的融合检索到的纹理，使得复原结果更加的真实。在实际场景中，通过平滑复原人脸边缘杜绝复原人脸和背景的明显差异，实现更加自然的图像复原效果。该方法具有可靠的纹理生成效果和优秀的推理速度，部署所需要的资源和难度较低，并为超高清人脸场景提供了一种思路。
-
公开(公告)号：CN112506029B
公开(公告)日：2022-04-22
申请号：CN202011460350.8
申请日：2020-12-11
Applicant: 重庆邮电大学
IPC: G04F10/00
Abstract: 本发明涉及一种采用多个环形延迟链的TDC电路系统，属于时间精密测量领域。该系统包括延迟器、与门电路和D触发器，且该系统通过将START信号同时引入环形结构的延迟线，然后在STOP信号来临时也同时引入各个延迟线上D触发器的时钟端口对延迟线状态进行采样，计算通过延迟单元的个数。本发明通过将每个环形延迟线的首个延迟单元以及末位的延迟单元用与门以及反相器代替，但延迟时间通过设计与其他延迟单元一致，这样此结构在不耗费其他资源的条件下，减少使用延迟单元以及触发器就达到了传统结构所达到的测量效果。
-
公开(公告)号：CN114360041A
公开(公告)日：2022-04-15
申请号：CN202210013760.0
申请日：2022-01-06
Applicant: 重庆邮电大学
Abstract: 本发明公开了基于关键点检测和头部姿态的疲劳状态检测方法及系统，构建并训练主干网络采用深度可分离卷积网络的MMC多任务预测模型，获取单位时间内的若干帧人脸图像，采用MTCNN网络检测每张图像的人脸位置并裁剪出头部图像；将头部图像输入训练好的MMC多任务预测模型中，得到头部姿态角度和人脸关键点的位置信息；利用双阈值法分别判定头部、眼部和嘴部疲劳状态；设定相关系数综合判定人的疲劳状态，结合人脸关键点检测和头部姿态的相关性，采用主干网络为深度可分离卷积网络的MMC多任务预测模型，将两个任务放在同一个网络中同时进行，可以大幅度的减少需要的参数量和运算量，从而提高了模型的检测速度，进而达到实时的效果。
-
公开(公告)号：CN112052946A
公开(公告)日：2020-12-08
申请号：CN202010704089.5
申请日：2020-07-21
Applicant: 重庆邮电大学移通学院
Abstract: 本申请公开了一种神经网络训练方法及相关产品，该神经网络包括第一网络和第二网络，该神经网络训练方法包括：获取第一图像样本；将所述第一图像样本输入到所述第一网络，确定所述第一目标物体的预测区域；从所述第一图像样本中截取与所述预测区域对应的图像，得到第二图像样本；对所述第二图像进行噪声处理，得到第三图像样本；将所述第三图像样本输入到所述第二网络，确定所述第一目标物体的预测类别；根据所述预测区域、所述真实区域、所述预测类别以及所述真实类别调整所述神经网络的网络参数的参数值。本申请实施例有利于提高对目标物体的定位精度和识别精度。
-
公开(公告)号：CN110929798A
公开(公告)日：2020-03-27
申请号：CN201911197205.2
申请日：2019-11-29
Applicant: 重庆邮电大学
Abstract: 本发明请求保护一种基于结构优化稀疏卷积神经网络的图像分类方法及介质。针对卷积神经网络的卷积层对其输入特征图通道的连接结构，利用遗传算法对其进行稀疏化，并使用稀疏化之后的卷积模型进行图像分类。首先预训练一个卷积模型并保存预训练权重；然后，根据除模型输入层以外的某个卷积层对其输入特征通道的连接进行二进制编码，生成若干个二进制序列，作为初始种群；接着，利用遗传算法对二进制编码进行选择、交叉和变异；最后，经过若干次迭代后，将获得的最优二进制序列，并进行解码，得到稀疏化的特征通道连接结构，并通过权重微调来恢复模型的分类准确率。
-
-
-
-
-
-
-
-
-
Search Results
28
records
(took 0.022 seconds)
