-
公开(公告)号：CN110598676A
公开(公告)日：2019-12-20
申请号：CN201910912473.1
申请日：2019-09-25
Applicant: 南京邮电大学
Abstract: 基于置信度得分模型的深度学习手势肌电信号识别方法，包含以下步骤：采集的肌电原始数据并进行预处理；预处理之后使用标签分别标注类别，然后每一个类别通过滑动窗口分割为多段数据；将数据划分为训练与测试数据，将训练与测试数据分别随机排序；对所有数据进行归一化操作；使用离散傅里叶变换转换为频谱数据，依据频谱计算出每个频率的能量，不同频率能量组成序列作为分类模型的输入；使用卷积神经网络模型与残差网络模型两种分类方法，原始肌电数据与频谱数据两种数据集，一共4种组合构成4个分类模型，模型分别单独进行训练；获取各个模型对手势的识别结果，使用置信度得分组合各个不同模型的结果，置信度总评分最高的为最终结果。
-
公开(公告)号：CN109508653A
公开(公告)日：2019-03-22
申请号：CN201811255128.7
申请日：2018-10-26
Applicant: 南京邮电大学
Abstract: 本发明的目的是提供一种基于脑电信号与心理学融合的主客观单兵作战情绪识别方法，该方法能够有效识别士兵在作战过程中的情绪状态。与很多已研究出来的单一的情绪识别相关方法不同，本方法是采用PNN分类器对脑电信号进行情绪识别，在此基础上采用实时问卷形式融合主观表达这一辅助因素，通过层次分析法对问卷结果进行权重的寻优，并进行权重赋值，最终通过BP神经网络融合这两类类决策结果得到最后的情绪识别结果。使用本发明提出的新方法可以有效识别单兵作战过程中的情绪状态。
-
公开(公告)号：CN109085569A
公开(公告)日：2018-12-25
申请号：CN201810914787.0
申请日：2018-08-13
Applicant: 南京邮电大学
IPC: G01S13/66
Abstract: 本发明提出一种基于区域划分的多雷达航迹关联方法，针对目前多雷达航迹关联融合算法计算量大及航迹关联时易受其他航迹影响而产生关联错误等缺陷，对其进行改进。首先在数据预处理的时候对航迹进行区域划分，后续的关联融合流程再基于航迹区号进行关联计算，避免不相干航迹的干扰，使算法能在处理流程上提高航迹关联的准确性。而且能够最大程度的避免大量不必要的冗余计算，使得算法更适用于数据量大的场景。
-
公开(公告)号：CN107918487A
公开(公告)日：2018-04-17
申请号：CN201710998545.X
申请日：2017-10-20
Applicant: 南京邮电大学
CPC classification number: G06F3/015 , G06F16/35 , G06K9/0051 , G06K9/00523 , G06K9/00536 , G06N3/02
Abstract: 本发明公开了一种基于皮肤电信号识别中文情感词的方法。该方法将生理参数识别情感的优势用于识别中文情感词。具体包含皮肤电采集、对采集之后的数据进行预处理、特征提取、归一化处理、特征选择、利用改进的模拟退火人工神经网络算法得到分类结果，最后在分类结果中加入情感词比对，进行识别。作为实施例，本发明基于从《现代汉语词典》、《现代汉语分类词典》、《新世纪汉语新词词典》中筛选出的50个情感强度最高的情感词进行了识别。实验证明本发明能够完成对中文情感词的识别且准确度很高，充分表明利用生理参数对文本情感词的提取是可行的，为后期文本分析提供了新的思路，而且本发明系统架构清晰、简单，易于实现。
-
公开(公告)号：CN106789293A
公开(公告)日：2017-05-31
申请号：CN201611245812.8
申请日：2016-12-29
Applicant: 南京邮电大学
IPC: H04L12/24 , H04L12/751 , H04B7/185
Abstract: 本发明公开了一种空间信息网络空间层控制器选举算法，首先各卫星节点检查自身状态，发布其负载程度值与其他卫星发生的跳数信息；综合考虑负载程度与跳数，选取出负载程度轻且一跳，二跳尽可能多的节点，确定控制器；发布各个区域控制器卫星的信息，通知到各个控制器节点卫星当中去，随即进入下一个周期；将上个周期中的控制器节点卫星编号放入若干个缓存区域；将与控制器节点卫星直接相连的卫星加入该控制器卫星所属的缓存区域。本发明将整体空间信息网划分为空间层，临近空间层与地面层，保证控制器在层与层之间的传输尽量减少。
-
Patent Agency Ranking
公开(公告)号：CN102215123B
公开(公告)日：2013-10-30
申请号：CN201110150538.7
申请日：2011-06-07
Applicant: 南京邮电大学
Abstract: 本发明公开了一种基于多环网络拓扑结构的大规模集群系统。本发明中，计算节点按照节点在线的时间段分为多个组，每个组具有一个唯一的环标识，每个组中的计算节点具有一个唯一的节点标识符；每个组的计算节点按以下方法连接为一个环形拓扑结构：对该组内的计算节点网络地址进行散列运算，以散列运算得到的关键值作为组内节点标识符，并沿顺时针方向按节点标识符从小到大的次序将各计算节点排列起来；管理节点上保存每个环的全环节点列表。环中的每个节点上均存储有一张局部环节点列表，保存了与该节点直接和间接相邻的节点的信息，各节点定期向其直接前驱结点和直接后继节点发送自身状态消息。本发明具有更好的稳定性、可伸缩性、可管理性。
-
公开(公告)号：CN114913607B
公开(公告)日：2025-04-15
申请号：CN202210668731.8
申请日：2022-06-14
Applicant: 南京邮电大学
IPC: G06V40/40 , G06V40/14 , G06V10/54 , G06V10/80 , G06V10/30 , G06T5/70 , G06T5/73 , G06T5/60 , G06N3/006
Abstract: 一种基于多特征融合的指静脉仿冒检测方法，利用真伪静脉图像在成像质量上的差异，将图像的噪声特征和模糊特征进行融合，来进行仿冒攻击的检测。本方法实现简单，原始指静脉图像在实现真伪鉴别的同时，可同时用于后续的身份识别，减少了额外的计算机资源消耗；相比于仅使用单一图像纹理特征的指静脉仿冒检测方法，本方法融合静脉图像的噪声特征和模糊特征，可增加真伪静脉图像的区分度，有助于提高指静脉仿冒检测的准确度；相比于传统的直接串联或并行的多特征融合方法，本方法使用加权特征融合，考虑了各特征的重要程度，减小了特征间的相互影响，提高了分类器的泛化能力。
-
公开(公告)号：CN113989718B
公开(公告)日：2024-11-29
申请号：CN202111273690.4
申请日：2021-10-29
Applicant: 南京邮电大学
IPC: G06V20/40 , G06V10/40 , G06V10/774 , G06N3/0464 , G06N3/084
Abstract: 面向雷达信号热图的人体目标检测方法，该方法基于残差网络ResNet，并采用雷达信号热图作为网络输入。与视频图像相比，热图可从水平、垂直双向视角展示目标信息，并有效去除了冗余背景，更加直观。为简化训练过程，该方法对热图输入进行了预处理，在整合网络输入参数、重组热图图像数据的同时，也有助于提升训练效率、减少训练时间。在训练模型中，该方法提取残差网络输出的特征，并依靠网络末端的特征矩阵重构操作，对水平、垂直热图特征进行融合，以进一步提高特征提取效果。
-
公开(公告)号：CN117808689A
公开(公告)日：2024-04-02
申请号：CN202311448167.X
申请日：2023-11-02
Applicant: 南京邮电大学
IPC: G06T5/50 , G06T5/60 , G06T3/4038 , G06T7/521 , G06T7/55 , G06N3/0464 , G06N3/0455 , G06N3/09 , G06N3/098 , G06V10/26 , G06V20/70 , G06V10/30 , G06V10/44 , G06V10/52 , G06V10/764 , G06V10/766 , G06V10/82 , G01S13/86
Abstract: 基于毫米波雷达与摄像头融合的深度补全方法，利用多模态融合与监督的方法，预处理毫米波雷达点云与摄像头图像数据，在训练中将毫米波雷达点云和摄像头图像作为神经网络的输入，累积多帧毫米波雷达点云并投影至图像上，同步毫米波雷达点云与图像数据，累积多帧激光雷达并执行光流估计与语义分割以去除噪音作为神经网络深度补全的标签监督。经过训练后的系统，只需要使用毫米波雷达点云与摄像头图像作为输入就可以实现对真实场景的深度补全的深度输出。通过上述方式，本方法能够实现在降低经济与计算成本且不考虑光照、恶劣天气条件等情况下提升对深度图的准确度，具有鲁棒性强，稳定性、实时性、高效性的特点。
-
公开(公告)号：CN116035546A
公开(公告)日：2023-05-02
申请号：CN202310056016.3
申请日：2023-01-18
Applicant: 南京邮电大学
Abstract: 基于射频信号的人体心率估计方法，提升了心率预测的实时性。基于1.2s的短时间样本数据进行心率预测，可减少从雷达数据采集到心率估计的时间间隔，实时性比传统方法有较大提升；降低了人员位移对预测准确率的影响，提升了心率预测系统的鲁棒性；本方法对FMCW雷达射频数据进行Range‑FFT变换时，利用得到的人员位置信息作为参考，以此判断被监测人员是否发生较大幅度的移动，并丢弃移动幅度过大的数据，可以减少预测的误差，提升系统的健壮性；本方法引入残差网络ResNet50，有利于解决CNN带来的梯度爆炸、梯度消失以及退化问题，从而提升深度神经网络的训练效率，增强训练过程的鲁棒性。
-
-
-
-
-
-
-
-
-
Search Results
129
records
(took 0.03 seconds)
