-
公开(公告)号：CN114882553A
公开(公告)日：2022-08-09
申请号：CN202210422919.4
申请日：2022-04-21
Applicant: 厦门大学
IPC: G06V40/16 , G06V10/82 , G06V10/774 , G06V10/764 , G06V10/40 , G06V10/80 , G06K9/62 , G06N3/04 , G06N3/08 , G06F17/16 , G06F17/18
Abstract: 本发明提供了表情识别技术领域的一种基于深度学习的微表情识别方法及系统，方法包括：步骤S10、交互型机器人通过3D摄像头获取图像流；步骤S20、交互型机器人通过人脸识别算法检测所述图像流中的人脸并进行截取，获取人脸数据流并上传服务器；步骤S30、服务器从所述人脸数据流中提取包括人脸动态数据和人脸静态数据的人脸数据组；步骤S40、服务器基于软编码输出创建一微表情识别模型，并对所述微表情识别模型进行训练；步骤S50、服务器将所述人脸数据组输入训练后的微表情识别模型得到微表情信息，并将所述微表情信息反馈给交互型机器人，交互型机器人基于接收的所述微表情信息进行互动响应。本发明的优点在于：极大的提升了微表情识别的准确率。
-
公开(公告)号：CN106131862B
公开(公告)日：2019-08-16
申请号：CN201610511177.7
申请日：2016-07-01
Applicant: 厦门大学 , 常州梯卫士网络科技有限公司
CPC classification number: Y02D70/00
Abstract: 本发明提出一种无线传感器网络中基于多目标进化算法的优化覆盖方法，首先创建无线传感器网络的数学模型及目标函数，随机生成一种群，采用基于非支配排序和维度双向搜索的多目标进化算法主要流程如下：维持一个大小为N的种群，并通过不断迭代，引导算法逼近Pareto最优前沿。在每一次迭代过程中，首先给定一个种群Pt；引入基于改进差分运算的双向定向局部搜索策略用于产生一个更好的种群Pt′；然后，采用快速非支配排序算法对合并种群Pt∪Pt′进行排序并生成偏序边界，引入新分布度维持策略与快速非支配排序算法结合，以选择一个新的种群进入下一次进化，最终获得使得无线传感器网络所有节点的总工作功率小，同时又能保证覆盖率的最大化的种群方案。
-
公开(公告)号：CN109815493A
公开(公告)日：2019-05-28
申请号：CN201910018462.9
申请日：2019-01-09
Applicant: 厦门大学
IPC: G06F17/27 , G06F16/36 , G06F16/9535
Abstract: 一种智能嘻哈音乐歌词生成的建模方法。从网易云音乐完成数据清洗工作形成嘻哈歌词语料库；生成基于语料库的主题词库；确定与每个主题语义相近的歌词作为生成结果的首句候选；使用现代汉语拼音体系的声母韵母提取每句歌词的最后1～5个字的拼音；将歌词数据使用结巴分词器的精确模式进行分词，抽取每句歌词的关键词语；将歌词输入Word2Vec模型，获取歌词对应的词向量；将获得的词向量作为训练数据，利用训练神经网络模型；利用网页的客户端界面，由神经网络输出其余的歌词；将神经网络输出的歌词输出给网页程序的接口；利用网页的客户端界面，将神经网络输出的歌词输出给网页程序的接口；生成对应的押韵词语和下一句歌词供创作者参考。
-
公开(公告)号：CN116484190A
公开(公告)日：2023-07-25
申请号：CN202310473049.8
申请日：2023-04-27
Applicant: 厦门大学
IPC: G06F18/20 , G06K17/00 , G06N3/0442 , G06N3/08
Abstract: 本发明公开了一种协助学生上网课的行为识别方法，首先，获取学生的头部动作信号，其中，学生的头部动作信号包括RFID电子标签的相位和接收的信号强度指示；接着，构建训练好的动作识别模型，并将学生的头部动作信号输入到动作识别模型以便输出对应的头部动作；最后，根据预设应用场景对输出的所述头部动作进行解析，以便执行对应操作；由此，通过RFID识别学生头部动作信号，以便根据头部动作实现多应用场景执行对应操作，从而在降低学生隐私公开的同时还提高了上网课效率。
-
公开(公告)号：CN116381600A
公开(公告)日：2023-07-04
申请号：CN202310473902.6
申请日：2023-04-27
Applicant: 厦门大学
IPC: G01S5/02
Abstract: 本发明公开了一种基于模糊神经网络的RFID定位方法，首先，实时获取设置在定位区域的多个锚点标签和目标标签的信号强度指示，以便得到带有时序性特征的数据集；接着，对带有时序性特征的数据集进行判断，以得到目标标签相对多个锚点标签的目标隶属度值；最后，将目标隶属度值输入到神经网络模型以得到目标隶属度值对应的概率值，以便根据概率值中的最大值得到目标标签的当前位置；由此，通过结合模糊推理系统和神经网络比较锚点标签的信号强度与目标标签的信号强度，从而得到比只计算目标标签和RFID阅读器距离更精确的定位信息。
-
Patent Agency Ranking
公开(公告)号：CN114973362A
公开(公告)日：2022-08-30
申请号：CN202210549594.6
申请日：2022-05-20
Applicant: 厦门大学
Abstract: 本发明公开了一种应用于社交机器人的动态延长编码微表情识别方法，属于微表情领域；所述方法包括如下步骤：S1、对数据集中的数据进行增强扩充数据量并预处理；S2、搭建表情识别模型并利用S1中的数据集进行训练；S3、将步骤S2中训练后的表情识别模型进行优化调整；S4、输出最终的表情识别模型；本发明方法构建表情识别模型为基于一个标准卷积神经网络的实时CNN，有四个residual模块，每一个卷积均有一个BatchNormalization和Relu处理，末尾的卷积层也添加了全局平均池化层和softmax层；此架构包含大约六万个参数，是基本模型的十分之一；经过测试，系统在自闭症患儿数据集上的准确率达到70％，改进后的模型相较于之前获得了更高的识别精度。
-
公开(公告)号：CN110175578A
公开(公告)日：2019-08-27
申请号：CN201910456807.9
申请日：2019-05-29
Applicant: 厦门大学
Abstract: 应用于刑侦的基于深度森林的微表情识别方法，涉及生物特征识别技术领域。借助专业的摄像机，对犯罪嫌疑人在讯问过程中的面部表情进行录像，将视频数据输入到客户端；将视频数据通过逐帧扫描的方法，识别出犯罪嫌疑人的脸部，截取脸部其出现的微表情，从起始、峰值到结束；将微表情图像数据进行归一化，检测人脸的关键点；将选取的关键点作为中心像素点，用DCP-TOP方法，从XY、XT、YT三个正交平面进行编码，提取图像的纹理特征；将纹理特征向量输入到系统预先训练好的深度森林模型里进行分类；将分类结果返回到客户端界面，为侦讯人员正确把握嫌犯供述的真伪提供了帮助。有较高的鲁棒性和泛化能力。预测精度高，分类效率高。
-
公开(公告)号：CN106131862A
公开(公告)日：2016-11-16
申请号：CN201610511177.7
申请日：2016-07-01
Applicant: 厦门大学
Abstract: 本发明提出一种无线传感器网络中基于多目标进化算法的优化覆盖方法，首先创建无线传感器网络的数学模型及目标函数，随机生成一种群，采用基于非支配排序和维度双向搜索的多目标进化算法主要流程如下：维持一个大小为N的种群，并通过不断迭代，引导算法逼近Pareto最优前沿。在每一次迭代过程中，首先给定一个种群Pt；引入基于改进差分运算的双向定向局部搜索策略用于产生一个更好的种群Pt′；然后，采用快速非支配排序算法对合并种群Pt∪Pt′进行排序并生成偏序边界，引入新分布度维持策略与快速非支配排序算法结合，以选择一个新的种群进入下一次进化，最终获得使得无线传感器网络所有节点的总工作功率小，同时又能保证覆盖率的最大化的种群方案。
-
公开(公告)号：CN104978612A
公开(公告)日：2015-10-14
申请号：CN201510414923.6
申请日：2015-07-15
Abstract: 本发明公开一种基于AHP-RBF的分布式大数据系统风险预测方法，包括如下步骤：步骤1：采用AHP方法构建云计算虚拟机的单点风险描述模型；步骤2：用RBF神经网络实现AHP的风险指标的预测；RBF神经网络包含3层：第一层是输入层，由信号源节点组成；第二层为隐含层，该层所含的神经元数目是由具体问题而定的；第三层为输出层，主要是对输入模式做出响应；步骤3：采用MRPGA算法对RBF神经网络的隐含层优化，实现RBF神经网络对云计算虚拟机的单点风险预测；首先采用混合递阶遗传算法训练RBF神经网络，其将递阶遗传算法与递推最小二乘法相结合，利用递阶遗传算法确定RBF神经网络的结构、隐含层节点的中心和宽度，同时用递推最小二乘法对隐含层和输出层之间的连接权值进行构造。
-
公开(公告)号：CN104636449A
公开(公告)日：2015-05-20
申请号：CN201510038331.9
申请日：2015-01-27
IPC: G06F17/30
CPC classification number: H04L41/145 , G06F17/30705 , H04L41/069
Abstract: 本发明公开一种基于LSA-GCC的分布式大数据系统风险识别方法，其包括如下过程：步骤1：建立LSA-GCC模型，该LSA-GCC模型用于将数据集映射到一个语义空间下，并采用聚类算法对其进行分类后，从聚类结果中抽取特定分类的原型向量，并对各个分类赋予一定权值，建立初始的原型向量模型；步骤2：通过LSA-SAM安全识别模型对风险进行前馈识别，LSA-SAM安全识别模型以LSA-GCC模型为基础进行信息系统风险评测，将待评估数据映射到同一语义空间后，与各个分类的原型向量作计算得到属于该分类的相似度，作相似度与对应分类的权值的累加和，最后求均值得到该待评估数据的风险值，即求得该数据到来时刻的风险值。
-
-
-
-
-
-
-
-
-
Search Results
21
records
(took 0.028 seconds)
