-
公开(公告)号：CN104091172A
公开(公告)日：2014-10-08
申请号：CN201410319149.6
申请日：2014-07-04
Applicant: 北京工业大学
Abstract: 本发明涉及一种运动想象脑电信号的特征提取方法。所述方法首先将采集到的脑电信号进行预处理，然后对每导信号进行经验模态分解(EMD)，得到多阶的固有模态函数(IMF)信号，接着选取相同阶数的IMF信号作为新的信号，通过共同空间模式算法(CSP)获得空间滤波器，提取脑电信号的特征，并输入到分类器中进行分类，并根据分类准确率选取EMD和CSP中参数的最优值，最终获得最优参数下的脑电特征。本发明采用基于EMD与CSP对运动想象脑电信号进行特征提取，可以根据每个人脑电信号的特点，将信号自适应地分解成多个IMF信号，只需较少的电极就可以进行脑电信号的特征提取，并且从而较大程度地提高了脑电信号的分类准确率。
-
公开(公告)号：CN103712617A
公开(公告)日：2014-04-09
申请号：CN201310700792.9
申请日：2013-12-18
Applicant: 北京工业大学
CPC classification number: G01C21/00 , G06F17/30241
Abstract: 本发明公开一种基于视觉内容的多层语义地图的创建方法，包括：将机器人在环境中漫游拍摄的图像集合按照拍摄地点场景进行标注；构建分层词汇树；构建知识拓扑层，为知识拓扑层赋予知识；构建场景拓扑层；构建地点拓扑层。本发明利用视觉传感器对空间构建多层语义地图，在知识拓扑层使用有向图结构存储和查询知识，可以省去知识表达系统中不必要的操作，插入和查询速度快；利用场景拓扑层对环境进行抽象划分，将整个环境抽象成子区域，可减小图像的检索空间和路径搜索空间；利用地点拓扑层对特定的地点图像进行保存，采用图像检索技术即可自定位，不必维护全局的世界坐标系，解决了自定位估计误差累计问题。
-
公开(公告)号：CN102697493B
公开(公告)日：2013-10-16
申请号：CN201210135556.2
申请日：2012-05-03
Applicant: 北京工业大学
IPC: A61B5/0476 , G06F19/00
Abstract: 本发明提出了一种快速的脑电信号中眼电伪迹自动识别和去除的方法，属于生物信息技术领域，主要应用于脑电信号采集与预处理的过程中。具体包括：将采集得到的多导脑电信号和眼电信号进行离散小波变换，获取多尺度的小波系数；将串接小波系数作为独立分量分析的输入，利用基于负熵判据的FastICA算法实现独立成分的快速获取；通过夹角余弦法识别出眼电伪迹后，将该独立成分置零，并经过ICA逆变换将其余成分投影返回到原信号各个电极；最后通过反演小波变换得到去除眼电伪迹的脑电信号。本发明解决了ICA方法应用于含噪脑电信号中分离效果差，收敛速度慢的问题，实现了从脑电中快速自动去除眼电伪迹的功能。
-
公开(公告)号：CN102609719B
公开(公告)日：2013-07-31
申请号：CN201210017692.1
申请日：2012-01-19
Applicant: 北京工业大学
Abstract: 一种基于改进概率主题模型的地点图像识别方法，属于图像识别技术领域。目的在于更好地解决地点图像识别中由于不同角度、光照，以及人物和物体的高度动态变化导致的不确定性问题。包括以下步骤：图像获取步骤；图像预处理步骤；特征提取步骤，采用SIFT算法对图像进行特征提取；特征聚类步骤，将所有特征聚类，得到若干聚类中心；特征分配步骤，将每幅图像的特征在聚类中心上投票，得出对应每个聚类中心的频数向量；潜在主题建模步骤，采用改进的概率主题模型学习图像的潜在主题分布；采用分类器识别未知地点图像。本发明在LDA模型中加入量化函数，通过改进LDA模型学习图像的潜在主题，在保证实时性的前提下，可有效提高识别性能。
-
公开(公告)号：CN102306303A
公开(公告)日：2012-01-04
申请号：CN201110274365.X
申请日：2011-09-16
Applicant: 北京工业大学
Abstract: 本发明涉及脑-机接口(Brain-ComputerInterface，BCI)装置中想象动作电位的特征提取方法，具体讲的是正则化方法与CSSD算法相结合的特征提取方法。本发明引入正则化参数，在正则化参数的作用下将目标实验者训练数据的协方差矩阵和辅助实验者训练数据的协方差矩阵相结合构成正则化协方差矩阵，然后构造正则化空间滤波器。然后利用正则化空间滤波器对目标实验者的测试数据进行特征分析，在处理小样本问题时，解决了CSSD算法中特征值不稳定和分类准确率等问题。
-
Patent Agency Ranking
公开(公告)号：CN119559075A
公开(公告)日：2025-03-04
申请号：CN202411696703.2
申请日：2024-11-26
Applicant: 北京工业大学
Abstract: 本发明公开了一种基于边缘信息引导的伪监督学习交通图像质量增强方法，旨在解决因“欠曝”“过曝”现象导致的目标检测精度下降问题，所述方法如下：首先，设计一种基于可见光图像‑SAM掩码的视觉内容生成器，分别提取图像、掩码特征并进行深度融合，以生成对应的增强矩阵γ；其次，设计伪标签生成器，利用输入图像随机生成2N个参考图像，旨在为模型提供丰富的参考数据，增强模型的泛化性和鲁棒性；再次，构建全局‑局部图像质量评估器评估参考图像的图像质量，选取质量最好的图像作为伪标签；最后，引入L1‑SSIM作为模型的结构重建损失，有效捕捉图像的细节和结构信息，在提升图像质量的同时保证图像的视觉连贯性。
-
公开(公告)号：CN118095363A
公开(公告)日：2024-05-28
申请号：CN202410173505.1
申请日：2024-02-07
Applicant: 北京工业大学
IPC: G06N3/0464 , G06N3/09
Abstract: 本发明公开了一种基于信息熵度量的混合精度量化方法，在训练集上对深度神经网络进行浮点精度训练，训练后通过浮点‑整型变换公式在模型上进行整型精度量化，获取整型模型；将评价集输入整型模型中进行前向推理，并计算每层输出特征图的信息熵作为该层的量化代价；提出了信息熵驱动的量化代价计算方法，对网络中所有层的量化代价进行排序，将量化代价较低的层记为需要降低位宽精度的层；根据硬件感知的量化位宽优化策略获取最优混合精度配置；进行再训练并保存在测试集上性能最优的混合精度量化模型。本发明利用了信息熵能够度量特征图信息复杂性的特点，在搜索最优混合精度配置时充分考虑中间特征的影响，从而有效提升混合精度模型的泛化能力。
-
公开(公告)号：CN113160269B
公开(公告)日：2024-03-12
申请号：CN202110176024.2
申请日：2021-02-09
Applicant: 北京工业大学
Abstract: 本发明涉及一种基于注意力的行人轨迹预测方法，用于更准确快速地预测行人的未来轨迹。具体包括三个模块，个体注意力编码模块，用于计算行人自身历史轨迹中隐藏向量的相似性并输出个体注意力特征矩阵，以获取在运动过程中行人自身的主要影响因素；社会注意力池化模块，用于接收个体注意力编码模块的计算结果，即个体注意力特征矩阵，计算场景中所有行人的历史轨迹中隐藏向量的相似性并输出综合运动特征矩阵，以获取在运动过程中行人之间的相互影响关系；门控循环单元解码模块，用于接收社会注意力池化模块的计算结果，即综合运动特征矩阵，利用门控循环单元计算并输出行人的未来轨迹坐标；本方法有效地提高了预测精度和速度。
-
公开(公告)号：CN112668424B
公开(公告)日：2024-02-06
申请号：CN202011509929.9
申请日：2020-12-19
Applicant: 北京工业大学
IPC: G06F18/10 , G06F18/214 , G06N3/0475 , G06N3/045 , G06N3/0464
Abstract: 本发明公开了一种基于RBSAGAN的脑电信号数据增广的方法，设计Up ResBlock与Down ResBlock网络结构，通过主干的两个1D卷积层与分支的一个1D卷积层提取不同尺度感受野下的特征，并分别采用1D反卷积层和平均池化层分别进行数据维度的扩大和缩小。基于Self‑Attention机制设计1D Self‑Attention网络。该网络结构无视各离散时刻数据之间的距离，能够通过并行计算各离散时刻数据之间的相似度直接获得全局的时序特征，适用于具有丰富时序信息的脑电信号。Down ResBlock与1D Self‑Attention等网络组成RBSAGAN的判别器，输出损失值对生成器以及判别器的参数进行更新，直至达到纳什平衡。生成器产生的新数据与原有数据构成增广数据集，输入1D CNN进行分类，以评估生成数据的质量。
-
公开(公告)号：CN110569901B
公开(公告)日：2022-11-29
申请号：CN201910838283.X
申请日：2019-09-05
Applicant: 北京工业大学
IPC: G06V10/764 , G06V10/774 , G06V10/80 , G06V10/82 , G06V10/25 , G06N3/04 , G06N3/08
Abstract: 本发明涉及一种基于特征通道选择的对抗消除弱监督目标检测方法，用于解决弱监督目标检测定位误差的问题。首先，以弱监督深度目标检测为底层框架，采用选择性搜索方法在训练集数据上生成候选框，并与训练集图像和对应的图像标签一起作为弱监督网络的输入；其次，以VGG16为基础网络构建特征提取网络模型，并对得到的特征图像用特征通道压缩的方式进行通道加权选择，激励有利于分类的图像特征层，而抑制对分类有干扰的特征层；然后，采用对抗消除方法得到能够表达图像目标的完整特征表达作为预测网络的输入；最后，根据多任务交叉熵损失来训练预测网络，实现目标检测。本发明不仅可以更加精确定位目标物体的位置，而且能够提高物体识别的精度。
-
-
-
-
-
-
-
-
-
Search Results
86
records
(took 0.028 seconds)
