-
公开(公告)号：CN101539961A
公开(公告)日：2009-09-23
申请号：CN200910103705.5
申请日：2009-04-28
Applicant: 重庆邮电大学
Abstract: 本发明公开了一个基于遗传算法的双频段Wilkinson功率分配器优化设计方法，涉及移动通信专用器件设计。针对工作于两个任意频率的双频等分Wilkinson功率分配器，传统数值计算方法在运用传输线理论进行结构参数计算时，需要求解超越方程，并且不能保证功分器的多个结构参数同时达到最佳值。本发明采用遗传算法，加入了最优保持操作、自适应概率的交叉和变异操作等，根据每个染色体所对应的适应度函数F，判断适应度值F是否收敛，输出最优解，由此确定功分器的最优电子参数。该方法只需要影响搜索方向的目标函数和相应的适应度，大大简化了运算量，能容易得到功率分配器最佳的物理参数。
-
公开(公告)号：CN118816917A
公开(公告)日：2024-10-22
申请号：CN202410778247.X
申请日：2024-06-17
Applicant: 重庆邮电大学
IPC: G01C21/34
Abstract: 本发明为基于蚁群与自适应遗传算法的机器人路径规划方法，包括以下步骤：S1,初始化地图以及机器人的位置信息；S2，首先使用蚁群算法规划出多条可行路径，作为遗传算法的初始种群；S3,在适应度函数中考虑路径的长度、拐点数以及行驶时间，将适应度函数作为最优路径的评判方式；S4，将蚁群算法规划出的多条路径，按适应度值排序，并选出一定数量的路径后，进行自适应交叉、变异；S5，采用冗余点剔除策略精炼路径；S6，实现移动机器人的避障和全局路径规划。本发明有效地解决了传统遗传算法搜索效率低、路径不平滑、冗余节点多、以及在复杂环境中避障的问题。并且其搜索效率更高，路径长度和平滑性也均得到了优化。
-
公开(公告)号：CN113887513B
公开(公告)日：2024-09-24
申请号：CN202111260895.9
申请日：2021-10-28
Applicant: 重庆邮电大学
IPC: G06F18/24 , G06F18/10 , G06N3/0464 , G06N3/0455 , G06N3/09
Abstract: 本发明公开了一种基于并行CNN‑Transformer神经网络的运动想象脑电信号分类方法，包括S1，对运动想象脑电信号进行预处理；S2，在预处理后的运动想象脑电信号中添加噪声来扩充数据；S3，对步骤S1和步骤S2处理后的运动想象脑电信号进行时频分析生成包含时间特征、频率特征和位置信息的二维特征图；S4，构建CNN模型，设置网络参数，提取二维特征图中的频率特征和位置信息；S5，构建Transformer模型，设置网络参数，提取二维特征图中的时间特征；S6，将步骤S4和步骤S5提取的特征进行串联，并输入到分类器得到运动想象分类结果。通过在数据集BCI competition IV dataset 2b上进行验证，并与近年来具有良好表现的运动想象分类方法进行比较，实验结果表明，本发明有更好的分类性能。
-
公开(公告)号：CN118505551A
公开(公告)日：2024-08-16
申请号：CN202410568195.3
申请日：2024-05-09
Applicant: 重庆邮电大学
Abstract: 本发明涉及一种量子彩色图像高斯滤波方法及系统，属于量子计算领域。该方法包括以下步骤：S1：制备待处理图像和八邻域图像的OCQR模型；S2：设计量子图像噪声检测模块的量子线路，对S1制备的量子图像和其八邻域图像进行噪声检测操作；S3：设计量子图像零加群平均滤波模块的量子线路，并对S2经过噪声检测的量子图像进行滤波；S4：对S3处理后的量子图像表达式进行测量，得到图像表达式中的信息，并将其转化为经典图像信息。本发明通过对辅助比特的复用以及对量子图像的制备的优化，使得量子图像高斯滤波算法得以实现，大幅度提高了量子图像处理的性能，为后续处理量子图像打下了基础。
-
公开(公告)号：CN113643723B
公开(公告)日：2023-07-25
申请号：CN202110726187.3
申请日：2021-06-29
Applicant: 重庆邮电大学
IPC: G10L25/63 , G10L25/30 , G10L25/03 , G06F18/241 , G06V40/16 , G06N3/044 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于注意力CNN Bi‑GRU融合视觉信息的语音情感识别方法，包括步骤：S1，将语音信号经过预处理得到三维对数梅尔谱图；S2，利用三维对数梅尔谱图预训练3DRACNN语音网络提高泛化能力；S3，通过CNN和AGRUs分别提取面部静态外观特征和几何特征；S4，为了降低语音特征识别率低的问题，采用融合模型将语音特征依次与面部特征进行融合得到混合特征，并由KLDA过滤无关特征；S5，在模型训练的过程中通过更新参数最小化损失，同时通过算法进行优化，最后由softmax层进行情感分类。本发明能够有效解决情感识别模型识别率低以及泛化能力弱的问题，提高识别准确率和鲁棒性。
-
Patent Agency Ranking
公开(公告)号：CN116467654A
公开(公告)日：2023-07-21
申请号：CN202310405083.1
申请日：2023-04-14
Applicant: 重庆邮电大学
IPC: G06F18/2415 , G06F18/213 , G06F18/25 , G06N3/0464 , G06N3/0442 , G06N3/045 , G06N3/084
Abstract: 本发明请求保护一种基于多维特征的混合神经网络情感识别方法及系统，构造了包含时频空信息的4D特征作为识别模型的输入，保留电极间的空间信息、脑电序列的时间关联性以及充分利用对应着不同情感的各种子频带信息。然后，提出了一种基于深度可分离卷积的残差网络，除了提取输入信号中的空频特征之外也进一步减少了训练参数，并应用Fca‑Block抑制特征中与情感识别不相关的信息。最后我们使用Bi‑LSTM双向学习样本中的时间信息，为了突出样本中帧窗口的时间重要性，选择所有帧时刻隐藏层状态的加权和作为Softmax的输入。与近几年方法相比，提出的模型依旧取得了显著效果。
-
公开(公告)号：CN110246154B
公开(公告)日：2022-12-27
申请号：CN201910376926.3
申请日：2019-05-07
Applicant: 重庆邮电大学
IPC: G06T7/246
Abstract: 本发明请求保护一种基于ICA‑R多特征融合与自适应更新的视觉目标跟踪方法，该方法首先利用微调后的VGG‑m网络得到深度调整，并结合参考独立成分分析的方法(Independent Component Analysis with Reference,ICA‑R)，将其与传统手工特征信息融合，得到更具判别性的特征。其次，在模型更新阶段，提出一种基于图像块中心移位欧式距离的自适应更新策略。最后在OTB‑2015，VOT‑2016两个标准跟踪数据集上进行测试，实验结果表明，利用深度特征与传统手工特征融合的方法能够很好地区分背景与目标，提出的视觉目标跟踪算法在应对目标超出视野、运动模糊、遮挡等因素的干扰下均表现出很好的鲁棒性与准确性，其中在OTB‑2015中的成功率达到65.2％,准确率达到86.3％，在VOT‑2016中的准确率排在第一。
-
公开(公告)号：CN111564160B
公开(公告)日：2022-10-18
申请号：CN202010316731.2
申请日：2020-04-21
Applicant: 重庆邮电大学
IPC: G10L21/0208 , G10L21/0264 , G10L25/30
Abstract: 本发明请求保护一种基于AEWGAN的语音降噪方法，该方法包括步骤：S1，将时域语音信号做为AEWGAN的生成器的输入，使用无监督方式让生成器自动生成新的语音；S2，将纯净语音和生成语音做为判别器的输入，训练判别器对干净语音的判别能力；S4，同时，在模型训练的过程会各自更新自身的参数使得损失最小，通过不断迭代优化，最终达到一个纳什均衡，此时模型达到最优；该发明能够有效的去除带噪语音信号的噪声，为后续的语音识别模型提供干净的语音信号，且鲁棒性好。
-
公开(公告)号：CN112330718B
公开(公告)日：2022-08-23
申请号：CN202011259436.4
申请日：2020-11-12
Applicant: 重庆邮电大学
Abstract: 本发明请求保护一种基于CNN的三级信息融合视觉目标跟踪方法。包括以下步骤S1：提取模板图像和检测序列图像，进行图像预处理；S2：模板图像和检测图像作为两个分支同时输入网络，网络框架采用Siamese孪生网络；S3：网络选取改进后的VGG‑11，通过三级网络融合策略，提取三个层次的卷积特征；S4：对三个层次的特征分别进行相关操作，构建三个层次的得分图；S5：对三个层次的得分图进行融合；S6：使用融合得分图输出结果。本发明有效提高了视觉目标跟踪的准确性和鲁棒性。
-
公开(公告)号：CN113887513A
公开(公告)日：2022-01-04
申请号：CN202111260895.9
申请日：2021-10-28
Applicant: 重庆邮电大学
Abstract: 本发明公开了一种基于并行CNN‑Transformer神经网络的运动想象脑电信号分类方法，包括S1，对运动想象脑电信号进行预处理；S2，在预处理后的运动想象脑电信号中添加噪声来扩充数据；S3，对步骤S1和步骤S2处理后的运动想象脑电信号进行时频分析生成包含时间特征、频率特征和位置信息的二维特征图；S4，构建CNN模型，设置网络参数，提取二维特征图中的频率特征和位置信息；S5，构建Transformer模型，设置网络参数，提取二维特征图中的时间特征；S6，将步骤S4和步骤S5提取的特征进行串联，并输入到分类器得到运动想象分类结果。通过在数据集BCI competition IV dataset 2b上进行验证，并与近年来具有良好表现的运动想象分类方法进行比较，实验结果表明，本发明有更好的分类性能。
-
-
-
-
-
-
-
-
-
Search Results
199
records
(took 0.022 seconds)
