-
公开(公告)号：CN100427239C
公开(公告)日：2008-10-22
申请号：CN200610043002.4
申请日：2006-06-15
Applicant: 兰州理工大学
Abstract: 一种复合冷冲压模具，包括上模和下模两部分，上模是由上模座1、卸料螺钉2、垫板3、模柄4、第一螺钉5、第一导柱6、第二螺钉7、销钉8、凸凹模9、卸料板10、顶出块23、第一弹簧25、第二弹簧26、顶出器27、导套28、第三弹簧29组成，下模是由凹模11、顶板12、第三螺钉13、定位销14、下模座15、固定板16、限位螺钉17、凸模18、托杆19、顶件弹簧20、弯曲凸模21、第二导柱22、挡料销24组成，其中凸凹模9和第一导柱6分别安装在上模座1下，顶出块22和顶出器27安装在凸凹模9里、导套28直接安装在上模座1下；第二导柱13直接安装在下模座15上，凹模11直接安装在下模座15上，凸模18和弯曲凸模21安装在凹模11里，下模通过第二导柱22和导套28与上模合模。
-
公开(公告)号：CN105978726B
公开(公告)日：2019-03-26
申请号：CN201610330117.5
申请日：2016-05-18
Applicant: 兰州理工大学
Abstract: 一种手机基站故障定位分析方法，该方法是基于众包模式的手机基站故障定位分析方法：当用户智能手机通过手机基站进行网络连接时，如果网络连接不畅通，利用安装在智能手机上的App获取该智能手机此时的网络连接方式，获取手机网络不通畅时的时间信息，通过GPS获取该智能手机用户位置信息，手机所连基站信息，该智能手机用户上网体验感知信息；并将这些信息保存到智能手机自带轻型数据库中，待智能手机通过基站或者WiFi网络连接正常时将所保存数据发送分析服务器中，分析服务器汇总与处理手机故障反馈数据，实现手机基站故障定位及分析。本发明利用分散在不同地理位置的零散资源并对其汇集与组织，完成对手机基站故障的检测与定位。
-
公开(公告)号：CN111935099A
公开(公告)日：2020-11-13
申请号：CN202010686940.6
申请日：2020-07-16
Applicant: 兰州理工大学
IPC: H04L29/06
Abstract: 本发明公开了一种基于深度降噪自编码网络的恶意域名检测方法，包括步骤：构造单层自编码网络，将输入数据压缩后重构输出，通过输入与输出数据之间的误差，训练单层自编码网络；在单层自编码网络的输入数据中加入噪声，通过学习输入数据与输出数据之间的误差，去除噪声，形成单层降噪自编码网络；通过叠加多个单层降噪自编码网络，构造深度降噪自编码网络；逐层训练深度降噪自编码网络，对域名的分布式表征进行逐层压缩，提取域名的多维字符特征；根据深度降噪自编码网络提取的域名的多维字符特征，使用随机森林分类算法对待测域名进行检测，识别其中的恶意域名。本发明可以实现广谱恶意域名的检测，具有检测精度高、误报与漏报率低等优点。
-
公开(公告)号：CN111554305A
公开(公告)日：2020-08-18
申请号：CN202010336844.9
申请日：2020-04-26
Applicant: 兰州理工大学
Abstract: 本发明公开了一种基于语谱图和注意力机制的声纹识别方法，包括步骤：数据预处理，将语音语料进行处理；特征提取，提取语谱图作为输入特征；特征处理，将语谱图输入卷积神经网络，利用卷积神经网络对多语谱图进行自动优化和降维；模型训练，利用X-Vector说话人识别模型对语谱图特征进行训练，并引入注意力机制对帧级别特征进行权重处理；打分判决，对两个待测样本的似然对数比得分和预设条件进行判定，给出两个样本是否为同一个说话人的判断。和现有X-Vector说话人识别技术相比，本发明引入卷积神经网络和语谱图，能更好地捕获说话人特征，并且采用注意力机制对统计层进行训练，成本低，效率高，提高了说话人识别系统的性能。
-
公开(公告)号：CN110049037B
公开(公告)日：2021-12-14
申请号：CN201910298469.0
申请日：2019-04-15
Applicant: 兰州理工大学
Abstract: 本发明公开了一种基于数据链路层的网络视频数据获取方法，包括步骤：在数据链路层抓取、复制传输到本地计算机网卡上的所有MAC数据帧；对MAC数据帧进行逐帧解析并生成数据包；对所述数据包进行分析，得出视频数据所在位置；根据视频数据所在位置，选择出包含视频数据的数据包；将所述包含视频数据的数据包进行整理后合并生成视频文件。与现有技术相比，本发明视频数据获取过程简短高效；解析过程速度更快、占用资源更少；执行效率更加高效；视频生成速度更快、效率更高。
-
Patent Agency Ranking
公开(公告)号：CN111554306A
公开(公告)日：2020-08-18
申请号：CN202010336788.9
申请日：2020-04-26
Applicant: 兰州理工大学
Abstract: 本发明公开了一种基于多特征的声纹识别方法，包括步骤：数据预处理，将语音语料进行处理；特征提取，将梅尔频率倒谱系数MFCC和感知线性预测PLP进行动态线性融合；特征处理，利用PCA主成分分析法将动态特征进行降维处理；模型训练，利用I-Vector说话人识别模型对动态特征进行训练；打分判决，利用概率线性判决分析算法PLDA进行似然对数比打分，并根据得分的大小判断出两个集合是否为同一个说话人。本发明动态融合MFCC和PLP两种说话人特征，能更好地包含说话人信息，并通过主成分分析法PCA降低融合特征的维度，计算效率高，同时，不依赖于在线获取的说话人数据，可以单独、快速地完成说话人的识别。
-
公开(公告)号：CN110049037A
公开(公告)日：2019-07-23
申请号：CN201910298469.0
申请日：2019-04-15
Applicant: 兰州理工大学
Abstract: 本发明公开了一种基于数据链路层的网络视频数据获取方法，包括步骤：在数据链路层抓取、复制传输到本计算机网卡上的所有MAC数据帧；对MAC数据帧进行逐帧解析并生成数据包；对所述数据包进行分析，得出视频数据所在位置；根据视频数据所在位置，选择出包含视频数据的数据包；将所述包含视频数据的数据包进行整理后合并生成视频文件。与现有技术相比，本发明视频数据获取过程简短高效；解析过程速度更快、占用资源更少；执行效率更加高效；视频生成速度更快、效率更高。
-
公开(公告)号：CN111554305B
公开(公告)日：2023-06-09
申请号：CN202010336844.9
申请日：2020-04-26
Applicant: 兰州理工大学
Abstract: 本发明公开了一种基于语谱图和注意力机制的声纹识别方法，包括步骤：数据预处理，将语音语料进行处理；特征提取，提取语谱图作为输入特征；特征处理，将语谱图输入卷积神经网络，利用卷积神经网络对多语谱图进行自动优化和降维；模型训练，利用X‑Vector说话人识别模型对语谱图特征进行训练，并引入注意力机制对帧级别特征进行权重处理；打分判决，对两个待测样本的似然对数比得分和预设条件进行判定，给出两个样本是否为同一个说话人的判断。和现有X‑Vector说话人识别技术相比，本发明引入卷积神经网络和语谱图，能更好地捕获说话人特征，并且采用注意力机制对统计层进行训练，成本低，效率高，提高了说话人识别系统的性能。
-
公开(公告)号：CN1927496A
公开(公告)日：2007-03-14
申请号：CN200610043002.4
申请日：2006-06-15
Applicant: 兰州理工大学
Abstract: 一种复合冷冲压模具，包括上模和下模两部分，上模是由上模座1、卸料螺钉2、垫板3、模柄4、第一螺钉5、第一导柱6、第二螺钉7、销钉8、凸凹模9、卸料板10、顶出块23、第一弹簧25、第二弹簧26、顶出器27、导套28、第三弹簧29组成，下模是由凹模11、顶板12、第三螺钉13、定位销14、下模座15、固定板16、限位螺钉17、凸模18、托杆19、顶件弹簧20、弯曲凸模21、第二导柱22、挡料销24组成，其中凸凹模9和第一导柱6分别安装在上模座1下，顶出块22和顶出器27安装在凸凹模9里、导套28直接安装在上模座1下；第二导柱13直接安装在下模座15上，凹模11直接安装在下模座15上，凸模18和弯曲凸模21安装在凹模11里，下模通过第二导柱22和导套28与上模合模。
-
公开(公告)号：CN209132926U
公开(公告)日：2019-07-19
申请号：CN201821886962.1
申请日：2018-11-16
Applicant: 兰州理工大学
Abstract: 本实用新型公开了一种基于多传感器融合的远程异常监控系统，包括单片机；连接单片机的NB-IoT模块、液晶显示屏、声光报警器和数据通信模块；通过电信运营商连接NB-IoT模块的手机端；连接数据通信模块的温度传感器、湿度传感器、烟雾传感器、水侵传感器、光线传感器、机器视觉模块、摄像头传感器和SD卡存储模块。本实用新型对监控区域内的移动物体或人员通过机器视觉模块进行自动识别，提高了系统的实时性与可靠性；通过多种传感器进行多方位监控，可及时有效发现监控区域内的各种异常情况；通过NB-IoT模块，可将异常信息通过远程传输方式实时反馈给用户，用户亦可远程发送指令控制监控系统，使得系统适用性大大增加。
-
-
-
-
-
-
-
-
-
Search Results
11
records
(took 0.019 seconds)
