-
公开(公告)号：CN114693141B
公开(公告)日：2022-10-25
申请号：CN202210354442.0
申请日：2022-04-06
Applicant: 长春理工大学
Abstract: 一种基于端边协同的变电站巡检方法，涉及电力物联网技术领域，该方法建立了基于端边协同变电站巡检系统模型，提出了一种权衡系统平均信息年龄和无线设备能耗指标的任务卸载和资源管理方案，提高了变电站巡检任务数据处理时效性，本方法中，巡检任务数据处理包括本地计算和卸载计算，端边设备协同完成变电站巡检工作。与现有的设备采集完数据再由人工进行数据分析的方法相比，节省了人工投入，数据处理效率明显提升，且数据处理过程不过分依赖于巡检人员经验，更具科学性。与现有的将巡检任务数据回传至云中心处理的方法相比，节省了网络带宽资源，缓解了云中心计算压力，改善了因回传链路过长导致的数据处理时效性低的问题。
-
公开(公告)号：CN114994454A
公开(公告)日：2022-09-02
申请号：CN202210509397.1
申请日：2022-05-11
Applicant: 长春理工大学
Abstract: 本发明公开了一种OPGW光缆全状态检测分析方法及系统，涉及电力光纤状态检测领域。步骤如下：获取OPGW杆塔架设区域气象数据以及分布式光纤传感数据；对分布式光纤传感数据进行数据增广，得到增广数据；将分布式光纤传感数据与增广数据作为训练数据，利用训练数据对基于DE优化的T‑S模糊神经网络模型进行训练，得到各状态分析模型；将检测数据输入到各状态分析模型中得到OPGW光缆的状态分析结果；将状态分析结果与时空间数据校验后，输出最终OPGW光缆全状态分析结果，其中时空间数据包括时间数据和OPGW杆塔架设区域气象数据。本发明在不改变检测设备硬件复杂度的前提下，利用智能算法完成OPGW光缆全状态检测分析。
-
公开(公告)号：CN114611804A
公开(公告)日：2022-06-10
申请号：CN202210257643.9
申请日：2022-03-16
Applicant: 长春理工大学
IPC: G06Q10/04 , G06Q50/02 , G06F16/215 , G06F16/2458 , G06N3/04
Abstract: 基于TSO‑GRNN组合模型的玉米产量预测方法，涉及信息处理领域，解决现有技术无法获取环境信息与产量之间的相关性以及计算量大，容易陷入局部拟合，无法实现精确预测等问题，本发明在建模前进行了相关性分析，得到对玉米生长重要的环境因子种类，降低预测的繁琐程度。采用GRNN建立了玉米产量预测模型，并利用历史统计数据对玉米量进行预测。利用TSO对基于GRNN神经网络的玉米产量预测方法进行优化，调整参数到适中时，可有效避免陷入局部最小值，使预测点逐渐逼近真实值，提高预测精度，并可以在一定程度上降低过拟合问题。本发明结合当前环境信息对当年的玉米产值进行预测，对于未来农业人员进行土地开发、环境维护以及生长期内作物培养有重要帮助。
-
公开(公告)号：CN113616395A
公开(公告)日：2021-11-09
申请号：CN202110913569.7
申请日：2021-08-10
Applicant: 长春理工大学
Abstract: 本发明公开了一种假肢控制方法，包括获取假肢对应肢体的肌电信号、肌音信号以及肌力信号；识别有效活动时间段；将每个有效活动时间段对应有效肌电信号、有效肌音信号、有效肌力信号通过DS‑CNN模型进行特征提取，并将获得肌电特征数据、肌音特征数据以及肌力特征数据通过预先训练获得的3D分层卷积融合模型，进行特征识别分类，确定肢体的控制动作；基于控制动作对假肢驱动装置进行控制驱动。本申请基于肢体的三种不同的生物信号特征之间的融合特征识别肢体动作，提升肢体动作识别分类的准确性，进而提升对假肢控制的准确性和使用者的使用体验。本申请还提供了一种假肢控制装置、假肢设备以及计算机可读存储介质，具有上述有益效果。
-
公开(公告)号：CN113456065A
公开(公告)日：2021-10-01
申请号：CN202110914694.X
申请日：2021-08-10
Applicant: 长春理工大学
Abstract: 本发明公开了一种肢体动作识别方法，包括分别获得肌电信号和加速度信号；对每个有效活动时间段对应的有效肌电信号和有效加速度信号均分别进行AR模型特征提取、小波分析特征提取以及模糊熵特征提取，并将获得的肌电第一特征数据、肌电第二特征数据、肌电第三特征数据，加速度第一特征数据、加速度第二特征数据和加速度第三特征数据进行相关性分析，获得融合特征矩阵；利用预先创建获得的支持向量机对融合特征矩阵进行识别，获得肢体动作信息。本申请以肌电信号和加速度信号三个不同方面特征的融合特征识别肌体动作，提升了肌体动作识别的准确性。本申请还提供了一种肌体动作识别装置、系统以及计算机可读存储介质，具有上述有益效果。
-
Patent Agency Ranking
公开(公告)号：CN109061330B
公开(公告)日：2020-07-07
申请号：CN201810835639.X
申请日：2018-07-26
Applicant: 长春理工大学
Abstract: 基于低频噪声与加速老化试验相结合的VCSEL预筛选方法，涉及一种垂直腔面发射激光器的预筛选方法，解决现有对VCSEL的筛选方法存在可靠性低且不具备普适性等问题，一、根据VCSEL器件结构搭建其噪声谱测量装置；二、测量VCSEL器件的初始低频电噪声；三、测量室温下经24h连续电功率老化试验后的VCSEL噪声变化量；四、测量热应力加速试验下待测VCSEL器件的缺陷状态，并确立由缺陷状态变化量引起的1/f噪声功率谱密度；五、确定最佳噪声判据阈值，建立待测VCSEL器件预筛选判据模型，对VCSEL器件预筛选；该发明可以更加有效地对初测噪声较小，经过老化试验后却较早失效的VCSEL器件进行筛选，同时对同一批次噪声阈值一致的器件进行预筛选，实现对VCSEL器件的有效精确筛选。
-
公开(公告)号：CN106529701A
公开(公告)日：2017-03-22
申请号：CN201610920043.0
申请日：2016-10-21
Applicant: 国网吉林省电力有限公司信息通信公司 , 长春理工大学高技术产业中心
Abstract: 基于改进的萤火虫算法优化神经网络的光纤状态预测方法，涉及光纤线路状态预测技术领域，解决现有技术无法实现对线路状态趋势进行分析与预测，进而无法规避即将发生的故障等问题，采用本发明所述的预测方法采用改进的萤火虫算法对Elman神经网络预测模型中的参数进行优化，准确预测出线路未来状态趋势，预知线路未来可能发生的故障，提前制定维护策略，避免故障的发生，满足光纤通信不间断传输的要求。采用改进的萤火虫算法对Elman神经网络预测模型参数进行优化，使得模型具有良好的预测精度和稳定性，避免了传统Elman神经网络容易陷入局部最优和收敛速度慢等问题，更好的实现对光线状态的预测。
-
公开(公告)号：CN118398234A
公开(公告)日：2024-07-26
申请号：CN202410822917.3
申请日：2024-06-25
Applicant: 长春理工大学
IPC: G16H50/70 , G16H20/70 , G06N3/0442 , G06N3/045 , G06N3/0464 , G06N3/084 , G06F18/213 , G06F18/25 , A61B5/372 , A61B5/369 , A61B5/00
Abstract: 本发明公开一种基于跨层连接的U型网络结构和Bi‑LSTM的睡眠分期方法，涉及睡眠处理技术领域，获取睡眠脑电信号数据；构建包括特征提取模块、跨层连接模块及特征融合模块的网络模型；在特征融合模块之后连接一个全连接层，将特征融合模块输出的抽象特征信息映射到睡眠阶段的5个类别；并通过Softmax函数得出分期结果。本发明的技术方案提供一种改进后U‑net和Bi‑LSTM的睡眠分期算法，利用信号采集设备采集到的患者脑电信号作为输入信号，设计的跨层连接模块深度刻画不同睡眠过渡阶段的连续特征，同时融入全局特征，更进一步的提升睡眠分期算法的效能及鲁棒性，以满足轻量化设备的应用需求。
-
公开(公告)号：CN116665256B
公开(公告)日：2024-03-15
申请号：CN202310658786.5
申请日：2023-06-05
Applicant: 长春理工大学
Abstract: 本发明属于指纹识别技术领域，尤其为一种基于指纹图像局部区域质量的指纹匹配方法，该方法具体包括如下步骤，步骤1，指纹图像特征提取：读取指纹图像，并采用FAST特征点检测算法提取指纹图像特征，得到特征点坐标位置和特征描述子；步骤2，指纹局部区域质量评估：首先，将指纹图像划分为互不重叠的子图像块；然后，分别计算每个子图像块的质量评估分数；最后，将计算得到的子图像块的质量评估分数与设定的阈值相比较，得到最终指纹图像局部区域的质量评估结果。本发明使用了FAST特征点检测算法来加速特征点的提取，并对提取的指纹特征进行质量评估，关注重要的高质量特征，去除了虚假特征，大大降低了数据计算量，提高了指纹匹配速度。
-
公开(公告)号：CN117392727A
公开(公告)日：2024-01-12
申请号：CN202311446975.2
申请日：2023-11-02
Applicant: 长春理工大学
IPC: G06V40/16 , G06V10/44 , G06V10/80 , G06V10/77 , G06V10/82 , G06N3/0464 , G06N3/0455 , G06N3/08 , G06T7/269
Abstract: 一种基于对比学习及特征解耦的人脸微表情识别方法，涉及人脸微表情识别技术领域，解决现有识别方法在微表情定位不准确、样本数量不足、无法有效捕捉细微变化、以及身份信息干扰识别的问题，本发明融合双端光流信息，身份信息解耦和对比学习的策略，以增强模型的识别能力。通过获取起始帧、峰值帧和偏移帧，计算差异特征及双端光流图，利用三元组损失扩大差异特征并进行解耦，同时将光流图输入自注意力微表情识别网络中进行训练并计算对比损失，最后将差异特征及光流特征拼接并获得识别结果。本方法有效地捕捉面部细微运动，减少身份信息的干扰，并加强样本之间的区分度。结合对比学习和特征解耦，使模型更加关注微表情动作信息，为人脸微表情识别提供更准确和深入的技术手段。
-
-
-
-
-
-
-
-
-
Search Results
69
records
(took 0.069 seconds)
