-
公开(公告)号：CN116432644A
公开(公告)日：2023-07-14
申请号：CN202310687090.5
申请日：2023-06-12
Applicant: 南京邮电大学
IPC: G06F40/289 , G06F40/30 , G06F18/213 , G06F18/25 , G06F18/214
Abstract: 本发明属于自然语言处理和机器学习领域，公开了一种基于特征融合和双重分类的新闻文本分类方法，包括如下步骤：首先，对各大新闻网站上的各类新闻文本数据进行采集构成数据集，其次，对采集到的数据集进行数据预处理并进行分词后，以json的格式进行存储，再次，利用BERT模型和TF‑IDF模型构造出特征融合模型，再与fasttext模型联合，构造基于特征融合和双重分类的新闻文本分类模型，该模型进行训练，依据该模型提出基于特征融合和双重分类的新闻文本分类方法，最后，使用基于特征融合和双重分类的新闻文本分类方法对新闻数据进行分类。本发明可以提高新闻文本分类过程中的效率和精度，在较短的时间内取得更好的分类效果。
-
公开(公告)号：CN115856881A
公开(公告)日：2023-03-28
申请号：CN202310041358.8
申请日：2023-01-12
Applicant: 南京邮电大学
IPC: G01S13/88 , G06N3/0464 , G06N3/08 , G01S7/02
Abstract: 本发明属于毫米波雷达信号行为感知技术领域，公开了一种基于动态轻量级网络的毫米波雷达行为感知方法，其将雷达微多普勒数据进行去噪处理后，将每一帧的三个二维矩阵连接为一个三维矩阵，将一个样本中所有帧的三维矩阵沿时间维度连接，生成类视频数据，克服了传统热图只能包含单一信息的弊端；同时，设计基于注意力机制和通道打乱的动态轻量级模块，提出了动态轻量级Slowfast网络，提高模型感知精度及工作效率，降低计算复杂度。
-
公开(公告)号：CN115833975A
公开(公告)日：2023-03-21
申请号：CN202310058760.7
申请日：2023-01-16
Applicant: 南京邮电大学
IPC: H04B17/309 , H04W4/33 , H04W84/12 , G06N3/0464 , G06N3/0499 , G06N3/08
Abstract: 本发明属于无线信号的跨域行为感知技术领域，公开了一种适用于WiFi跨场景感知的源域选择方法，充分考虑源域、目标域的全局数据分布和带标签数据的局部分布，设计一种基于全局和局部距离线性组合的评价策略，选择距离目标域最近的源域来构建跨域感知模型，保障跨场景无源感知的可靠性和精度；还为基于WiFi的跨场景感知问题，提供了新的研究思路。
-
公开(公告)号：CN115801152A
公开(公告)日：2023-03-14
申请号：CN202310062463.X
申请日：2023-01-16
Applicant: 南京邮电大学
IPC: H04B17/309 , H04W4/33 , H04W84/12 , G06N3/0464 , G06N3/0499 , G06N3/08
Abstract: 本发明提供一种基于层次化transformer模型的WiFi动作识别方法，通过采集人员在室内场景下的多种动作的WiFi信号，获得CSI数据作为样本数据，并标注活动类别标签后，获得数据集，将数据集划分得到训练集和测试集；构建层次化transformer模型，层次化transformer模型提取局部关联特征，以获得样本的全局特征，并得到样本的最终特征表达后，获得分类标签；获得训练后的层次化transformer模型；将测试集的样本数据输入到训练后的层次化transformer模型，输出人体动作识别的预测结果；该方法能够有效提高无线感知动作识别的精度和效率，且具有更高的可靠性和更强的泛化能力。
-
公开(公告)号：CN115242327B
公开(公告)日：2022-12-06
申请号：CN202211133707.0
申请日：2022-09-19
Applicant: 南京邮电大学
IPC: H04B17/309 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明提供一种基于多通道融合的CSI动作识别方法，通过在多组WiFi信号收发对的感知区域内，由受试者完成设定动作，并采集无线信号的多视角的二维CSI数据，分别记录对应的动作类别标签，获得CSI数据集，将采集的CSI数据集分为训练集和测试集；构建基于注意力的多通道特征融合模型，获得经过时间维度和子载波维度权重处理后的训练样本；得到每个训练样本的多视角特征向量；构建基于注意力的多视角特征融合模型，获得每个训练样本的最终特征表达；将测试集的测试样本输入到训练后的动作识别网络模型中，获得动作识别结果。该方法根据无线WiFi数据的特点，构建动作识别网络模型，能够实现高精度的被动式行为识别任务。
-
Patent Agency Ranking
公开(公告)号：CN114638264A
公开(公告)日：2022-06-17
申请号：CN202210269837.0
申请日：2022-03-18
Applicant: 南京邮电大学
IPC: G06K9/00 , H04B17/309 , H04W24/06
Abstract: 一种基于信道状态信息的人员被动入侵检测边界估计方法，实现的具体步骤如下：首先，在室内环境中采集人员入侵时对应的无线信号数据，从中提取到CSI原始数据；其次对原始CSI数据进行数据预处理，其步骤包括数据插值、数据去噪；然后，对处理后的数据进行建模，推导出理论上的入侵检测边界模型；最后实时计算滑动窗口的方差，并与初始设定的阈值相比较，检测是否有人员入侵，得到具体的入侵边界。本方法通过对信道状态信息CSI进行分析处理，根据入侵检测边界模型探究现有WiFi设备对入侵行为的可探测距离。
-
公开(公告)号：CN114581958A
公开(公告)日：2022-06-03
申请号：CN202210484261.X
申请日：2022-05-06
Applicant: 南京邮电大学
Abstract: 一种基于CSI信号到达角估计的静态人体姿势估计方法，通过CSI估计感知区域内的信号到达角并构建图像，利用师生网络从图像估计人体姿势。具体如下：首先使用带有移动轨道的接收天线柱，在不同的高度收集感知区域内的CSI信号。其次构造二维AoA图像特征，利用MUSIC算法将CSI信息转换为一维AoA数据，并将不同高度的一维AoA数据组合为二维AoA图像，设计环境降噪算法以消除静态环境因素，增强人体感知部分。最后构建师生网络模型，使用基于视觉的教师网络对基于二维AoA图像的学生网络进行监督，最终学生网络模型能独立地由CSI估计人体姿势。本方法能够识别多种静态人体姿势，以较低成本获得较高预测准确率。
-
公开(公告)号：CN114330384A
公开(公告)日：2022-04-12
申请号：CN202111407305.0
申请日：2021-11-24
Applicant: 南京邮电大学
IPC: G06K7/00 , G01S5/02 , G06F3/01 , A63F13/212
Abstract: 一种基于无源RFID相位信息的手臂运动轨迹追踪方法，将无源RFID标签贴附于手臂的指定位置，让用户做出指定动作并采集此时RFID标签的相位信息；基于标签相位信息分别计算出用户前臂和上臂的长度；采集用户手臂移动时RFID标签的相位信息；将采集到的相位信息基于运动轨迹追踪计算出手臂的运动轨迹；通过基于阈值和局部加权线性回归LWLR的修正方法对结果进行修正以达到精准追踪手臂运动轨迹的目的。本方法在降低了实现成本的同时极大地提高的用户的使用体验；不需要针对不同的用户进行特殊的调整，提高了整个方法的可适应性；对于结果中可能出现的异常点，采用局部加权线性回归的方法进行修正，同时采用阈值检测的方法筛选出异常点从而减少LWLR的算法开销。
-
公开(公告)号：CN119167343A
公开(公告)日：2024-12-20
申请号：CN202411188376.X
申请日：2024-08-28
Applicant: 南京邮电大学
IPC: G06F21/32 , H04B5/77 , H04B17/309 , G06F18/10 , G06N3/045 , G06N3/0464
Abstract: 本发明属于用户认证技术领域，公开了一种利用射频识别（Radio Frequency Identification，缩写为RFID）单天线进行环境无关的步态认证方法。首先，利用RFID单天线在室内环境下采集经RFID标签阵列反向散射的无线信号数据，得到相位和接收信号强度信息（Received Signal Strength Indication，缩写为RSSI）；其次，对相位数据和RSSI数据进行数据预处理，预处理步骤包括：相位解缠、数据平滑和去噪、数据线性插值、运动检测；然后，利用切向量模型的方案去除恢复后无线信号的静态分量，得到动态分量变化所产生的相位，进一步利用相位计算人体多普勒频移特征；利用多个标签的多普勒频移组成用户步态轮廓矩阵。最后利用深度学习模型对步态轮廓矩阵进行训练，实现利用用户步态信息进行身份认证。
-
公开(公告)号：CN113935373B
公开(公告)日：2024-11-19
申请号：CN202111182962.X
申请日：2021-10-11
Applicant: 南京邮电大学
IPC: G06F18/24 , G06F18/10 , G06F18/2131 , G06N3/0464 , G06N3/08 , G01C21/20 , G01S5/02 , G01S11/06 , G06K7/10
Abstract: 基于相位信息和信号强度的人体动作识别方法，其实现步骤包括：在室内环境中采集人体动作的相位信息和信号强度数据，提取相位信息和信号强度；对相位信息进行相位数据的解缠、平滑滤波、数据归一化等和信号强度数据进行平滑滤波等预处理步骤；对预处理后的信号进行切分，检测动作的起始和结束点，并将切分的数据段划分为训练集和测试集；通过将训练集输入基于CNN的深度神经网络进行人体动作识别模型训练，得到人体动作识别模型，采用该模型可以对采集到的相位和信号强度测试集数据进行分类，达到人体动作识别的目的。本发明采用基于CNN的深度神经网络自动学习并选择特征，实现对七种不同行为动作的识别。
-
-
-
-
-
-
-
-
-
Search Results
61
records
(took 0.032 seconds)
