-
公开(公告)号：CN110046665A
公开(公告)日：2019-07-23
申请号：CN201910309830.5
申请日：2019-04-17
Applicant: 成都信息工程大学
IPC: G06K9/62
Abstract: 本发明属于通信控制及通信处理技术领域，公开了一种基于孤立森林二分类异常点检测方法、信息数据处理终端；将原始数据集进行初始的静态平均分块，计算块内密度和均值密度；计算出静态分块的各块内密度后，以原数据集的均值密度作为阈值将数据集进行精简；利用节点的递归方法构建孤立森林；对原始数据集进行相应特征的提取并数据化，计算聚类中心点与其他点的空间位置距离；将由基于密度和距离算出的异常分数及由基于特证信息计算出来的异常分数相加与相对应的阈值进行比较。本发明有效提高异常点检测算法的准确率，能大幅度减少异常检测过程中的实际数据量，节省计算资源，并且提高了异常检测效率；增强了异常检测算法的鲁棒性。
-
公开(公告)号：CN109102019A
公开(公告)日：2018-12-28
申请号：CN201810907142.4
申请日：2018-08-09
Applicant: 成都信息工程大学
Abstract: 本发明涉及图像处理技术领域，具体的说是基于HP-Net卷积神经网络的图像分类方法。本发明包括以下步骤：步骤1：读取输入图像I；步骤2：将输入图像I分为大小为m×m的图像块集合，每一块用Ii表示，i＝1，2，...，n，n表示图像块的数量；步骤3：将Ii输入到卷积神经网络中进行训练；步骤4：经过若干次提取特征，再通过三层全连接层，得到一维的矩阵，然后使用丢弃正则化操作避免过拟合；步骤5：将卷积神经网络中的输出结果输入到softmax分类器里，最终得到分类结果。本发明所提出的网络模型表现出更好的性能，在RO-5和花卉数据集上比其他现有的网络模型要高。
-
公开(公告)号：CN107341515A
公开(公告)日：2017-11-10
申请号：CN201710548770.3
申请日：2017-07-07
Applicant: 成都信息工程大学
IPC: G06K9/62
CPC classification number: G06K9/6227 , G06K9/6218 , G06K9/6267
Abstract: 本发明涉及一种基于数据表达的特殊点检测方法，基于仿射组合中负值元素存在的位置，结合数据集中仿射组合理论，利用可逆不可达测度值NCi去判定样本点属于特殊点的程度，通过自动设定门限值γ来自动确定特殊点，提高了特殊点检测的精度和速度，更好的反应了数据集的结构特征，并同时检测到异常点和边缘点，另外本发明受数据分布和数据维度影响较弱，在实际应用中适用范围更广，解决了现有技术对特殊点的检测精度和对高维数据检测性能不佳的不足。
-
公开(公告)号：CN119622812A
公开(公告)日：2025-03-14
申请号：CN202411749067.5
申请日：2024-12-02
Applicant: 成都信息工程大学
IPC: G06F21/62 , G06F11/34 , G06F18/22 , G06F18/2433 , G06F123/02
Abstract: 本发明涉及一种存储安全管理方法及系统，其包括：安全管理平台的数据获取模块根据用户客户端中每个用户的交互行为数据为所有用户构建相应的行为拓扑图；行为识别模块根据行为拓扑图中每个用户对应的所有行为边分析得到对应用户的交互行为特征；时序分析模块根据每个用户的交互行为特征分析得到每个用户的时序异常度和每个用户之间在不同监测周期内的行为相似度以供敏感度分析模块确定当前监测周期对应的行为敏感度；访问控制模块根据所述行为敏感度判断是否允许用户对存储进行访问。
-
公开(公告)号：CN119458318A
公开(公告)日：2025-02-18
申请号：CN202411516231.8
申请日：2024-10-29
Applicant: 成都信息工程大学
Abstract: 本发明涉及一种基于大数据和智能制造的装配优化方法，包括特征分析模块根据若干装配特征点和若干组合特征点得到目标待装配面的第一装配角度特征和目标组合面的第二装配角度特征；点位关联模块根据方位相似度建立每个待装配基准点与每个组合基准点之间的空间点位映射关系；动作分解模块对装配机器人的装配动作进行实时分析以得到对应的装配运动方向和装配运动距离；误差分析模块根据装配运动方向、装配运动距离、第二装配角度特征和第一装配角度特征进行误差分析以得到组装方向偏离误差；方位修正模块对装配机器人的运动轨迹和组装角度进行实时修正以得到对应空间运动点上的方位修正参数，并将所述方位修正参数发送至对应的装配机器人。
-
Patent Agency Ranking
公开(公告)号：CN118194961A
公开(公告)日：2024-06-14
申请号：CN202410412170.4
申请日：2024-04-08
Applicant: 成都信息工程大学
IPC: G06N3/088 , G06N3/084 , G06V10/774 , G06V10/82
Abstract: 本发明提出基于自适应语义特征的无监督解释方法，构建的可解释模型主要包括三个核心模块：特征级可解释性模块、自适应特征表达模块和特征重要性计算模块。首先将深度神经网络的深层特征映射视为其学习到的高级概念语义的抽象表达，然后使用非负矩阵分解技术从中无监督地提取出关键的语义信息，并进行特征级解释或结构化归因；通过维度缩放方案去实现自适应数量的特征提取；在特征重要性计算上，采用Shapley值算法进行计算。此外，生成显著性视觉解释来突出显示模型决策的关键区域。实验表明，本发明方法在解释准确度上更高，在不同的数据集和被解释模型的环境中，其解释准确度比现有方法有更好的表现，具有解释准确、鲁棒性和通用性的特点。
-
公开(公告)号：CN117765378B
公开(公告)日：2024-04-26
申请号：CN202410197246.6
申请日：2024-02-22
Applicant: 成都信息工程大学
IPC: G06V20/00 , G06V10/44 , G06V10/80 , G06V10/82 , G06V10/774 , G06N3/0464 , G06N3/08
Abstract: 本发明提出一种多尺度特征融合的复杂环境下违禁物品检测方法和装置，通过加强局部特征提取和缓解特征融合的语义冲突来提高对重叠目标和小目标的检测能力，设计多尺度注意力模块主干增强网络对重叠物体的局部特征提取能力，引入挤压激励注意力机制减少目标区域的冗余信息；针对小目标的信息丢失问题，设计自适应融合特征金字塔网络，引入包含细节信息的浅层特征和包含语义信息的深层特征防止小目标信息丢失；采用自适应权重融合策略和通道注意力机制，避免直接融合造成的目标信息丢失。实验结果表明，与现有方法相比，本发明即使在物品遮挡严重、背景复杂的情况下也能准确检测出目标，同时具有更优秀的小目标检测能力。
-
公开(公告)号：CN116776731A
公开(公告)日：2023-09-19
申请号：CN202310746326.8
申请日：2023-06-25
Applicant: 成都信息工程大学
IPC: G06F30/27 , G06N3/0464 , G06N3/048 , G06N3/084 , G06F111/10 , G06F111/04
Abstract: 本发明涉及一种基于物理约束的自适应神经网络海洋垂直混合参数化方法，主要针对海洋垂直混合参数化过程精度不高的问题，本发明构建了一个自适应网络模型，在海上实际站点观测数据的基础上加入一定的人工合成数据，构成训练集进行学习，构建参数化神经网络，参数化神经网络由四个自适应全连接模块AFCM堆叠构成，学习不同深度的海洋密度ρ、剪切平方S2、分层N2、速度U与垂直扩散系数Kt的关系，然后通过融合学习到的特征预测垂直混合参数化过程中的垂直扩散系数Kt，在训练过程和网络推理过程中引入物理约束来提高网络的预测精度，使得本发明的参数化网络在精度和泛化能力方面比现有技术表现更好。
-
公开(公告)号：CN116776269A
公开(公告)日：2023-09-19
申请号：CN202310746435.X
申请日：2023-06-25
Applicant: 成都信息工程大学
IPC: G06F18/2433 , G06F18/213 , G06N3/0455 , G06N3/042 , G06N3/0464 , G06N3/048 , G06N3/0442 , G06N3/08 , G08G1/01
Abstract: 本发明涉及一种基于图卷积神经网络自编码器的交通异常检测方法，设计一种结合交通异常和深度学习的一维卷积及上下文编码网络，所述网络主要包括镜像时域卷积模块和依次级联的两个图卷积门控循环模块，通过提取交通特征像是速度和流量来预测交通状况和可能发送的异常，在镜像时域卷积模块之前使用了自适应方法来适应不同的路段，通过镜像传入更多的特征给时间卷积模块，通过时间卷积模块获取更多的信息，让网络不断地学习这种交通网络，图卷积门控循环模块使用了高斯核函数模块，让分布更加集中于高维空间，再利用图卷积网络架构的特点捕获了隐藏的空间相关性结合图卷积神经网络捕获可能的异常点发生，更加准确，大大提高了预测异常的可靠性。
-
公开(公告)号：CN116363635A
公开(公告)日：2023-06-30
申请号：CN202310265323.2
申请日：2023-03-17
Applicant: 成都信息工程大学
IPC: G06V20/59 , G06V40/16 , G06V40/18 , G06V10/80 , G06V10/82 , G06V10/774 , G06N3/0464 , G06N3/0442 , G06N3/048 , G06N3/045 , G06N3/08
Abstract: 本发明公开了一种驾驶员疲劳检测方法，所述驾驶员疲劳检测方法包括：S1：利用Wider_face人脸数据集训练MTCNN模型结构，得到训练好的MTCNN模型结构；S2：利用所述训练好的MTCNN模型结构对人脸图像中的人脸关键特征进行定位，得到定位后的人脸图像；S3：对所述定位后的人脸图像进行眼部特征提取，得到眼部时间特征和眼部空间特征；S4：利用多维度的深度融合网络对所述眼部时间特征和所述眼部空间特征进行融合，得到融合结果；S5：对所述融合结果进行状态识别，得到驾驶员疲劳检测结果。本发明能够将眼睛特征转化为时间特征和空间特征，以从不同的角度深入挖掘局部特征，从而最大化疲劳检测的效果。
-
-
-
-
-
-
-
-
-
Search Results
77
records
(took 0.029 seconds)
