-
公开(公告)号：CN117609880A
公开(公告)日：2024-02-27
申请号：CN202311570808.9
申请日：2023-11-23
Applicant: 南京邮电大学
IPC: G06F18/2415 , G01S13/88 , G06F18/214 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于轻量级多态网络的毫米波雷达双任务感知系统及其方法，属于毫米波雷达感知技术领域；双任务感知系统包括多分支网络结构、损失函数模块以及单分支网络结构，多分支网络结构包括多个三维点卷积模块、多个深度卷积模块以及通道打乱机制；单分支网络结构包括多个三维点卷积模块、通道打乱机制、第三深度卷积模块以及修正线性单元；多分支网络结构用于训练阶段，单分支网络结构用于测试阶段，损失函数模块训练整个双任务感知系统的参数。本发明通过将双任务感知系统分为多分支网络结构和单分支网络结构，多分支网络结构确保双任务感知系统的精度和稳定性，而单分支网络结构保障系统的精度，同时提升运行速度，降低网络复杂度。
-
公开(公告)号：CN115630964B
公开(公告)日：2023-03-10
申请号：CN202211652775.8
申请日：2022-12-22
Applicant: 南京邮电大学
Abstract: 本发明涉及数据安全、隐私计算等相关技术领域，提出了一种面向高维隐私数据的相关性数据交易框架的构造方法，包括：建立高维用户特征之间的数据相关性模型；建立初始特征聚类方案；通过设计近似最优算法解决最优特征聚类问题；在最优特征聚类的基础上设计了一种新的数据扰动机制，生成与原始数据具有相近联合分布的隐私保护的高维数据集；基于近似最优的特征聚类方案对隐私损失进行量化。本发明主要包含数据扰动机制与隐私补偿机制，平衡了数据效用和隐私保护，并实现了预算均衡、个人理性和真实性等所有理想的经济属性。
-
公开(公告)号：CN114742193A
公开(公告)日：2022-07-12
申请号：CN202210414946.7
申请日：2022-04-20
Applicant: 南京邮电大学
IPC: G06K19/077 , G06K7/10 , G06F3/0354
Abstract: 一种基于射频识别RFID的手写轨迹追踪方法，采用阅读器、小型微带天线以及商用无源RFID标签的组合，用于特定区域中手写轨迹的追踪，具体包括系统构建与数据采、建立轨迹追踪模型和生成最终轨迹结果，利用RFID技术获取标签在平面中的坐标位置和3D空间中的方向关系，得到手写笔的笔尖在手写板上的运动轨迹。本方法利用天线阵列收集标签对在三维运动过程中的相位变化，来恢复二维平面中的手写轨迹，构建了小型化的手写轨迹追踪系统，能达到厘米级的轨迹追踪效果，并能实时的获得手写轨迹结果。
-
公开(公告)号：CN114668383A
公开(公告)日：2022-06-28
申请号：CN202210269846.X
申请日：2022-03-18
Applicant: 南京邮电大学
IPC: A61B5/08 , A61B5/00 , H04B17/309
Abstract: 一种基于信道状态信息的人员呼吸感知边界检测方法，具体实现步骤包括：首先，在室内环境下采集人员呼吸时对应的无线信号数据，从WiFi信号中提取出CSI原始数据；其次，对原始CSI数据进行数据预处理，预处理步骤包括：离群值去除、噪声滤波；然后，对预处理的数据，使用子载波选择和快速傅里叶变换(Fast Fourier Transform,FFT)得到呼吸频率；接着，对处理后的数据进行建模，推导出理论上的呼吸频率检测边界的条件；最后，在模型的基础上进行测试，实现人员呼吸频率边界的检测。本方法通过对信道状态信息CSI进行分析处理，实现对人员呼吸行为的感知以及呼吸速率的估计。结合呼吸检测边界模型，实现了对人员呼吸频率边界的检测。
-
公开(公告)号：CN114742193B
公开(公告)日：2025-05-16
申请号：CN202210414946.7
申请日：2022-04-20
Applicant: 南京邮电大学
IPC: G06K19/077 , G06K7/10 , G06F3/0354
Abstract: 一种基于射频识别RFID的手写轨迹追踪方法，采用阅读器、小型微带天线以及商用无源RFID标签的组合，用于特定区域中手写轨迹的追踪，具体包括系统构建与数据采、建立轨迹追踪模型和生成最终轨迹结果，利用RFID技术获取标签在平面中的坐标位置和3D空间中的方向关系，得到手写笔的笔尖在手写板上的运动轨迹。本方法利用天线阵列收集标签对在三维运动过程中的相位变化，来恢复二维平面中的手写轨迹，构建了小型化的手写轨迹追踪系统，能达到厘米级的轨迹追踪效果，并能实时的获得手写轨迹结果。
-
Patent Agency Ranking
公开(公告)号：CN119151020A
公开(公告)日：2024-12-17
申请号：CN202411669744.2
申请日：2024-11-21
Applicant: 南京邮电大学
IPC: G06N20/00 , G06F18/25 , G06N3/0499 , G06N3/08 , G06F18/213
Abstract: 本发明属于人工智能和机器学习领域，公开了一种具有鲁棒性的多模态联邦学习框架，包括：S1获取缺失模态，筛选出和缺失模态相关性强的模态，采用多层感知机训练进行预测，完成模态对齐；S2对模态中的特征数据打上标签，结合特征数据合成特征向量；S3使用基于注意力机制，融合特征数据，构成模态向量；S4对已经对齐并融合的模态数据进行本地训练；S5上传本地训练模型至服务器，采用联邦学习框架进行聚合操作，并将模型分发给客户端进行下轮迭代直至模型收敛。本发明通过预测缺失模态与多模态数据融合，有效解决模态缺失时训练模型精度降低的问题，减轻了模态缺失对训练精度的影响，提高了联邦学习的可靠性。
-
公开(公告)号：CN118172799A
公开(公告)日：2024-06-11
申请号：CN202410591561.7
申请日：2024-05-14
Applicant: 南京邮电大学
IPC: G06V40/10 , G06V10/762 , G06V10/80 , G06V10/40
Abstract: 本发明的一种毫米波雷达行人重识别方法、设备及存储介质，包括以下步骤，采集不同场景的行人步态数据并预处理；对行人步态数据进行子采样模拟和生成具有不同速度的步行序列，即慢、中、快步态；使用分层注意力机制模型提取训练集中不同速度的步态的上下文特征，然后进行融合，最终得到能够描述不同速度关键信息的特征向量；再通过全连接层，将特征向量映射到一个256维的空间得到最终的输出结果，通过标签不断优化分层注意力机制模型并更新模型参数；本发明采用子采样策略，分别模拟慢、中、快速度路径，并利用层次注意力机制表征速度特异性和跨速度序列依赖性，以生成更鲁棒的步态表征，提高了毫米波雷达做行人重识别任务的准确性。
-
公开(公告)号：CN117272234A
公开(公告)日：2023-12-22
申请号：CN202311550615.7
申请日：2023-11-21
Applicant: 南京邮电大学
IPC: G06F18/25 , H04W4/80 , G06F18/213 , G06F18/2136 , G06F18/24 , G06N3/0455 , G06N3/047 , G06N3/048 , G06N3/08 , G06F123/02
Abstract: 本发明属于无线信号行为感知技术领域，公开了一种基于稠密‑稀疏的时空transformer模型的WiFi行为识别方法，包括：步骤1、生成多维稀疏数据；步骤2、构建基于稠密‑稀疏的时空transformer模型，获得全局特征表达；步骤3、训练稠密‑稀疏的时空transformer模型的网络参数，获得训练后的稠密‑稀疏的时空transformer模型；步骤4、将测试集的样本数据输入到训练后的稠密‑稀疏的时空transformer模型，输出行为识别的预测结果。本发明解决了现有技术中存在数据预处理和特征提取模型未考虑CSI特性的问题，提高特征表示能力和WiFi行为识别精度。
-
公开(公告)号：CN116340849A
公开(公告)日：2023-06-27
申请号：CN202310556403.3
申请日：2023-05-17
Applicant: 南京邮电大学
IPC: G06F18/241 , G06F18/10 , G06F18/214 , G06F18/22 , G06N3/0455 , G06N3/0464 , G06N3/0442 , G06N3/08 , H04B17/391
Abstract: 一种基于度量学习的非接触式跨域人体活动识别方法，通过对已采集到的活动数据采用自编码器进行数据增强，然后通过采用度量学习完成未出现在训练集中的新活动类别的识别。具体步骤如下：在室内环境中采集人员活动时对应的无线信号数据，从中提取CSI原始数据；对原始CSI数据进行数据预处理，数据插值，统一数据长度，数据去噪；对已知活动类型的数据使用自编码器进行数据增强，扩充数据集；使用扩充后的数据集训练特征提取网络，将待识别活动数据和支持集输入特征提取网络得到相应特征，使用度量学习的方法将待识别数据特征与支持集数据特征一一对比，从而判断活动类型。本方法对于未训练的活动类型能实现较高识别精度，增强泛化性和鲁棒性。
-
公开(公告)号：CN115242327A
公开(公告)日：2022-10-25
申请号：CN202211133707.0
申请日：2022-09-19
Applicant: 南京邮电大学
IPC: H04B17/309 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明提供一种基于多通道融合的CSI动作识别方法，通过在多组WiFi信号收发对的感知区域内，由受试者完成设定动作，并采集无线信号的多视角的二维CSI数据，分别记录对应的动作类别标签，获得CSI数据集，将采集的CSI数据集分为训练集和测试集；构建基于注意力的多通道特征融合模型，获得经过时间维度和子载波维度权重处理后的训练样本；得到每个训练样本的多视角特征向量；构建基于注意力的多视角特征融合模型，获得每个训练样本的最终特征表达；将测试集的测试样本输入到训练后的动作识别网络模型中，获得动作识别结果。该方法根据无线WiFi数据的特点，构建动作识别网络模型，能够实现高精度的被动式行为识别任务。
-
-
-
-
-
-
-
-
-
Search Results
35
records
(took 0.024 seconds)
