-
公开(公告)号：CN118749927A
公开(公告)日：2024-10-11
申请号：CN202410775071.2
申请日：2024-06-17
Applicant: 北京交通大学
IPC: A61B5/0205 , A61B5/11 , A61B5/0533 , A61B5/18 , A61B5/16 , A61B5/00
Abstract: 基于任务难度感知的飞行员抗应激能力评分方法，涉及心理状态评估技术领域及计算机程序技术领域。包括数据采集步骤、数据预处理步骤、压力源表征步骤、能力表现基本项建模步骤、能力表现个性化项建模步骤、映射主过程步骤以及模型评估步骤。本发明考虑到飞行员在不同任务难度下应激反应表现的动态反馈过程，以定量评分的方式精准地评估特定任务难度下受试飞行员的抗应激能力，进一步实现了不同飞行员个体间的个性化特征提取方案。完成了不同任务难度到受试者抗应激水平的细粒度级评估关系映射，可实现在不同任务难度下飞行员抗应激能力的个性化动态评估，进而为飞行员训练方案设置以及任务执行人选的决策提供有效建议。
-
公开(公告)号：CN112529305B
公开(公告)日：2024-08-02
申请号：CN202011485308.1
申请日：2020-12-16
Applicant: 北京交通大学
IPC: G06Q10/04 , G06Q10/083 , G06N3/0442 , G06N3/045 , G06N3/08
Abstract: 本发明提供了一种基于深度学习的快递员揽件顺序预测方法，属于物流优化领域。所述揽件顺序预测方法包括：采集历史揽件数据，提取待揽收包裹的特征和快递员个人揽件特征作为原始数据集，并划分为训练集、验证集和测试集；基于深度学习算法构建快递员揽件顺序预测模型，使用所述训练集和验证集对所述快递员揽件顺序预测模型进行训练，并使用测试集对训练完成的模型进行测试；测试达标时，通过快递员揽件顺序预测模型，输入当前快递员信息，对该快递员的待揽收包裹的揽件顺序进行预测，输出所预测的当前待预测快递员在预定时间段内的揽件顺序。本发明优化了物流调度，提高了预测揽件到达时间的准确性，提高了揽收效率，降低了逾期率。
-
公开(公告)号：CN115295143A
公开(公告)日：2022-11-04
申请号：CN202210716821.X
申请日：2022-06-23
Applicant: 北京交通大学
Abstract: 本发明提供了一种睡眠呼吸暂停自动检测方法及装置，属于睡眠监测领域。所述方法采集睡眠时心电图信号，生成心跳间期时间序列；使用包含两个不同结构残差网络的双残差神经网络模型对所述心跳间期时间序列进行特征提取，转变为两个相同维度的心率间期特征，再进行特征融合，分别输入标签分类器及域分类器，根据结果优化双残差神经网络模型参数，再根据成熟的双残差神经网络模型及标签分类器，判断是否出现呼吸暂停。本发明使用双残差神经网络进行特征提取后，使用域分类器与梯度反转层对残差神经网络进行优化，使得残差神经网络提取的特征难以被域分类器判别其来源，即对于不同域的数据，残差神经网络能够提取出一致的特征，提高了模型的泛化能力。
-
公开(公告)号：CN115062692A
公开(公告)日：2022-09-16
申请号：CN202210606069.3
申请日：2022-05-31
Applicant: 北京交通大学
Abstract: 本发明提供了一种永磁同步电机状态量预测模型构建方法及状态量预测方法，用于解决现有技术中状态量监控不实时、不准确的问题。所述方法采集包括采样时刻驱动物理量和对应状态量的历史数据作为数据点；预处理后，计算每个数据点中的驱动物理量与状态量之间的相关性，构建第一驱动物理量集合；计算第一驱动物理量集合中驱动物理量两两之间的相关性，得到第二驱动物理量集合；再计算所有第二驱动物理量集合中的同一驱动物理量间的相关性，确定时间窗长度；再设置滑动窗口及步长，构建包含同时期信息输入量及历史期信息输入量及输出状态量的样本点，得到训练集和验证集；搭建状态量预测模型后进行训练和验证。本发明提高了状态量预测的实时性及准确性。
-
公开(公告)号：CN115062686A
公开(公告)日：2022-09-16
申请号：CN202210490264.4
申请日：2022-05-07
Applicant: 北京交通大学
Abstract: 本发明提供了一种基于多角度特征的多元KPI时序异常检测方法和系统，属于KPI异常检测领域。所述方法从嵌入图、时域、频域三个角度提取KPI时序的特征，再分别使用图卷积神经网络、时域卷积神经网络和谱网络对三种特征进行数据特征学习表示，再利用全连接神经网络和Softmax函数得到各特征的注意力分数，根据注意力分数对不同特征表示进行融合，然后输入到解码器中得到原始数据的重构表示，构成完整的多元KPI时序异常检测模型；基于历史数据对模型训练完成后，将待检测的多元KPI时序输入到成熟的检测模型中，检测数据中是否存在异常。本发明提不需要人工对异常进行标注，减少了检测过程中的人力需求，提高了运维管理系统异常检测的准确度和效率。
-
Patent Agency Ranking
公开(公告)号：CN115048958A
公开(公告)日：2022-09-13
申请号：CN202210648183.2
申请日：2022-06-08
Applicant: 北京交通大学
Abstract: 本发明提供了一种情绪识别模型的构建方法、情绪识别方法及系统，属于情绪识别领域。所述模型构建方法先采集预定时间段内包含不同情绪的62导联脑电信号，去噪后滤除无效波段，再根据产生情绪的时间起止点，进行数据切分，保留起止点之间的有效脑电信号片段作为样本；基于时间近邻法提取第一正样本子集；在每个样本内提取五个波段的功率谱密度、计算微分熵特征，并构建节点特征表示，并基于节点特征表示提取第二正样本子集；再建立脑网络图，在每个样本内分别计算导联间两两之间的锁相值，并得到当前样本对应的脑网络图的邻接矩阵并构建拓扑结构特征表示，再提取第三正样本子集，取并集得到最终的正负样本集，训练后得到成熟的情绪识别模型。
-
公开(公告)号：CN110287987B
公开(公告)日：2021-06-25
申请号：CN201910407940.5
申请日：2019-05-16
Applicant: 北京交通大学
IPC: G06K9/62
Abstract: 本发明涉及大型数据中心运维技术领域，尤其涉及一种带层次网络结构的业务系统层次组织结构发现方法。该方法利用日志大数据建立了一种自动化集群发现、分层的方法，可以用来自动绘制复杂业务系统的业务架构图，从而提高运维效率和系统架构信息的时效性。该方法构建的业务系统架构图可以真实反映业务系统在服务器上的运行的业务逻辑关系，辅助运维人员管理。且本发明的输入仅需要数据中心的服务器日志数据，能够自动发现复杂业务系统的业务架构图，不仅结果准确，而且无须过多人操作，节省了大量人力、物力开支。
-
公开(公告)号：CN109758145B
公开(公告)日：2021-05-11
申请号：CN201811540387.4
申请日：2018-12-15
Applicant: 北京交通大学
Abstract: 本发明提供了一种基于脑电信号因果关系的自动睡眠分期方法。该方法包括：使用无线脑电采集设备分别采集不同睡眠分期的多导脑电信号；对所述多导脑电信号进行数据预处理，消除所述多导脑电信号中的伪迹和噪声干扰；利用希尔伯特‑黄变换提取数据预处理后的多脑电信号中的不同频段信号；提取所述不同频段信号之间的因果特征，基于所述不同频段信号之间的因果特征利用随机森林模型对所述多导脑电信号进行分类，识别出所述多导脑电信号对应的不同睡眠分期。本发明的方法通过希尔伯特‑黄变换对非线性多导脑电信号进行时频处理，提高了信号处理的自适应性，提升了现有技术对不同睡眠分期的脑电信号识别和检测的准确率，提高了分类模型的泛化性能。
-
公开(公告)号：CN111562996A
公开(公告)日：2020-08-21
申请号：CN202010282009.1
申请日：2020-04-11
Applicant: 北京交通大学
IPC: G06F11/07
Abstract: 本发明提供了一种关键性能指标数据的时序异常检测方法，用以解决现有技术中时序数据异常检测效率低、准确率低的问题。所述时序异常检测方法，先对采集的时序数据中缺失值及异常值进行修正，再提取特征对数据进行拼接，将拼接数据划分为训练集和测试集，在优化目标函数的基础上训练得到异常检测模型，再进行测试及评估得到评估标准，以所述评估标准和异常检测模型，对待检测数据进行时间序列异常检测。本发明对具有周期性的不同时间序列数据的异常检测，从时间序列数据中提取不同维度的特征以保证考虑到数据在不同维度上的相关性都能被模型学习到，减少了异常标注带来的成本，同时适用于正负样本极不均匀的场景，提高了检测效率。
-
公开(公告)号：CN111460830A
公开(公告)日：2020-07-28
申请号：CN202010164540.9
申请日：2020-03-11
Applicant: 北京交通大学
IPC: G06F40/30 , G06F40/211 , G06F40/289 , G06F40/284 , G06N3/08 , G06N3/04
Abstract: 本发明提供了一种司法文本中经济事件的抽取方法，用以解决现有技术中司法文本中事件抽取效率低下的问题。所述经济事件抽取方法首先对预选的司法文本数据集进行数据预处理，得到向量化表示的学习数据和文本全局特征，对第一深度学习模型进行训练，得到文本序列对应的实体类别序列；再根据学习数据和实体类别序列，将文本全局特征与文本序列特征进行融合，训练第二深度学习模型，利用第二深度学习模型进行经济事件抽取。本发明围绕深度学习模型，通过融合文本全局特征和文本序列特征，有效地对司法文本中的经济事件进行抽取，准确率高；同时具有较强的泛化以及自学习能力，可用于司法文本摘要、当事人经济事件追踪，减轻相关法务人员的工作压力。
-
-
-
-
-
-
-
-
-
Search Results
48
records
(took 0.05 seconds)
