-
公开(公告)号：CN114360041B
公开(公告)日：2025-04-15
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：CN114332989B
公开(公告)日：2025-04-08
申请号：CN202111495330.9
申请日：2021-12-08
Applicant: 重庆邮电大学
IPC: G06V40/16 , G06N3/0464 , G06V10/82 , G06V10/774 , G06N3/0475
Abstract: 本发明公开了一种多任务级联卷积神经网络的人脸检测方法及系统，将获取的人脸检测数据集分为训练集和测试集，采用多支路的扩张卷积结构对MTCNN网络中的P网络进行改进，利用训练集分别训练O网络、R网络和改进后的P网络的其中一条支路，得到MTCNN网络的最优参数；以此生成训练好的MTCNN网络；对测试集中的图片进行预处理，将预处理后的图片输入到训练好的MTCNN网络中进行人脸检测，输出检测结果，去除了极其耗时的图像金字塔结构，改之以多支路的扩张卷积代替，不再需要大量搬运数据来完成对图像的多次缩放，也不再需要多次重复的将图像输入到P‑net中，减少了无用操作，从而提高人脸检测的效率。
-
公开(公告)号：CN114358389B
公开(公告)日：2024-09-27
申请号：CN202111520535.8
申请日：2021-12-13
Applicant: 重庆邮电大学
IPC: H02J3/00 , G06Q50/06 , G06N3/0464 , G06N3/049 , G06N3/08
Abstract: 本发明请求保护一种结合VMD分解和时间卷积网络的短期电力负荷预测方法，首先使用变分模态分解(VMD)对原始负荷数据进行处理，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。然后，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，最后利用时间卷积网络(TCN)来拟合各个序列的历史数据和预测数据的非线性关系，并叠加各模型的预测结果得到最后的预测值。本发明相比于其他负荷预测传统方法，具有更高的预测精度。
-
公开(公告)号：CN114254614B
公开(公告)日：2024-08-23
申请号：CN202111510160.7
申请日：2021-12-10
Applicant: 重庆邮电大学
IPC: G06F40/194 , G06F40/247 , G06F16/35
Abstract: 本发明公开了一种结合知网与词林的词语相似度获取方法及系统，利用《知网》义原层次树计算知网义原信息内容含量；并构建第一词语相似度计算模型；根据扩展版《同义词词林》词林拓扑树中的路径信息构建第二词语相似度计算模型；根据待测词语对在《知网》和扩展版《同义词词林》中的分布情况，综合两个计算模型的计算结果，获得待测词语对的最终词语相似度，在原本的信息内容含量的基础上引入义原节点的密度信息，能够得到更符合人类判断的词语相似度计算结果，同时在词林的计算过程中设置关于路径信息的权重参数，通过改变该参数的值，得到更高的皮尔森相关系数，更符合人类主观判断的结果，从而提高词语相似度的计算精度和范围。
-
公开(公告)号：CN114254187B
公开(公告)日：2024-08-16
申请号：CN202111506522.5
申请日：2021-12-10
Applicant: 重庆邮电大学
IPC: G06F16/9535 , G06F18/214 , G06N3/0464 , G06N3/042
Abstract: 本发明公开了基于自适应降噪训练的推荐方法、系统、电子设备及介质，涉及计算机技术领域，本发明在一个以图卷积神经网络为基础的推荐系统上，在训练阶段对损失函数做截断处理或重新加权处理，在模型的训练阶段自动地进行降噪处理。与现有技术相比而言，以往的推荐模型不考虑在训练阶段专门针对隐式反馈伴随的噪声问题进行处理；而本发明通过对损失函数进行截断或加权处理，以此来对打分函数进行优化处理，可以大大减少假阳性交互行给训练模型带来的噪声影响，不仅可以减少人工筛除假阳性交互行为的工作量，提升推荐的准确率，同时可缓解训练模型过早的出现过拟合现象。
-
Patent Agency Ranking
公开(公告)号：CN112699921B
公开(公告)日：2022-07-15
申请号：CN202011486689.5
申请日：2020-12-16
Applicant: 重庆邮电大学
Abstract: 本发明涉及一种基于堆栈降噪自编码的电网暂态故障数据聚类清洗方法，属于电力技术领域。该方法包括以下步骤：S1：基于堆栈降噪自编码的故障数据特征提取阶段；S2：基于主成分分析的故障特征降维阶段；S3：基于密度峰快速搜寻聚类的故障数清洗阶段。本发明对故障数据进行聚类清洗和代表数据点提取推送，能有效的从海量的故障数据中提取出真实准确的故障信息，为智能告警提供优质的故障信息，同时解决了配电告警平台频繁刷屏的根本原因。
-
公开(公告)号：CN114254187A
公开(公告)日：2022-03-29
申请号：CN202111506522.5
申请日：2021-12-10
Applicant: 重庆邮电大学
IPC: G06F16/9535 , G06K9/62 , G06N3/04
Abstract: 本发明公开了基于自适应降噪训练的推荐方法、系统、电子设备及介质，涉及计算机技术领域，本发明在一个以图卷积神经网络为基础的推荐系统上，在训练阶段对损失函数做截断处理或重新加权处理，在模型的训练阶段自动地进行降噪处理。与现有技术相比而言，以往的推荐模型不考虑在训练阶段专门针对隐式反馈伴随的噪声问题进行处理；而本发明通过对损失函数进行截断或加权处理，以此来对打分函数进行优化处理，可以大大减少假阳性交互行给训练模型带来的噪声影响，不仅可以减少人工筛除假阳性交互行为的工作量，提升推荐的准确率，同时可缓解训练模型过早的出现过拟合现象。
-
公开(公告)号：CN119990804A
公开(公告)日：2025-05-13
申请号：CN202510055378.X
申请日：2025-01-14
Applicant: 重庆邮电大学
IPC: G06Q10/0637 , H02J3/00 , G06Q50/06 , G06N3/047 , G06N3/084
Abstract: 本发明涉及一种基于非齐次马尔可夫时空网络的电动汽车充电负荷时空预测方法，属于电动汽车充电负荷预测领域。该方法包括城市区域时空特征构建和时空预测模型两大部分。城市区域时空特征构建模块对电动汽车充电负荷的空间分布和时间变化特征进行提取和构建，目的是捕捉城市区域内的时空关联性；时空预测模型利用非齐次马尔可夫链与神经网络结合的方法，建模电动汽车充电负荷的时空关联性，并作为高精度预测的核心方法。本发明能够在复杂时空数据条件下实现城市空间尺度下的电动汽车充电负荷的高效预测。通过实验对比，本发明所提出的预测方法能有效地提升预测精度，具有良好的稳定性，并能适应不同应用场景的负荷变化。
-
公开(公告)号：CN117744378A
公开(公告)日：2024-03-22
申请号：CN202311769834.4
申请日：2023-12-21
Applicant: 重庆邮电大学
IPC: G06F30/20 , G06F119/02
Abstract: 本发明涉及一种用于直流偏磁下变压器差动保护仿真的π型等效方法，属于电力技术领域。建立3D FEM模型定性分析直流偏磁下T型和π型等效电路在差动保护仿真中的性能，开展直流偏磁下变压器差动保护电流仿真和实验对比研究和故障仿真研究，证明π型等效电路在差动保护仿真中的优越性，能够为直流偏磁环境下，大规模差动保护仿真提供准确的基础模型。通过直流偏磁下变压器故障电路仿真研究，证明直流偏磁下基于π型等效电路的变压器差动保护仿真模型的准确性，达到为直流偏磁环境下大规模差动保护仿真提供准确的基础变压器模型的目的。
-
公开(公告)号：CN117741443A
公开(公告)日：2024-03-22
申请号：CN202311719912.X
申请日：2023-12-14
Applicant: 重庆邮电大学
IPC: G01R31/367
Abstract: 本发明涉及一种基于A‑CNN‑LSTM的储能锂电池SOC估计方法，属于电力技术领域。本发明提出将注意机制与CNN–LSTM网络相结合的A–CNN–LSTM模型。利用CNN层可以快速提取输入数据的空间特征，利用LSTM提取时间序列数据中的长短期依赖关系。引入注意力机制，自适应地分配每次输入的特征权值。在估计过程中自动放大关键的输入特征，加快模型的收敛速度，实现针对BESS的高精度、高鲁棒性SOC实时估计。开展集装箱式储能系统数据采集、模型搭建、实验验证研究，证明本发明所提的A–CNN–LSTM模型优越性。
-
-
-
-
-
-
-
-
-
Search Results
39
records
(took 0.023 seconds)
