-
公开(公告)号：CN116030837A
公开(公告)日：2023-04-28
申请号：CN202211183294.7
申请日：2022-09-27
Applicant: 安徽农业大学
IPC: G10L25/60 , G10L25/66 , G10L21/0272 , G06F18/23213 , G06F18/2136
Abstract: 本发明公开了一种基于稀疏化理论的欠定生猪盲源信号分离方法，包括：获取混合生猪音频信号；构建欠定盲源分离模型；基于所述欠定盲源分离模型对所述混合生猪音频信号进行稀疏化以及单源点提取，获取单源点；基于所述单源点获取估算混合矩阵；基于所述欠定盲源分离模型与所述估算混合矩阵获取源信号；对所述源信号的音频质量进行测量。本发明能够较为有效地分理出混合猪声信号的各源信号分量，为混合生猪音频的特征提取提供了新方案，有助于生猪的健康养殖。
-
公开(公告)号：CN114449609B
公开(公告)日：2022-11-29
申请号：CN202210162981.4
申请日：2022-02-22
Applicant: 安徽农业大学
Abstract: 面对无线传感器网络存在的节点能耗不均衡、生存期短等问题，本发明公开了一种基于能耗均衡的LEACH分簇路由方法，在簇首选举阶段，挑选剩余能量大、邻居节点较多，且靠近BS的节点为簇首；然后，非簇首节点依据自己与不同簇首之间通信信号的强度和剩余能量，计算加入不同簇的成本，并加入成本最小的簇；在传输数据阶段，若信息发送簇首距离基站一跳距离以外，则该簇首需要考虑各邻居簇首的剩余能量、簇内节点数、与BS距离等因素，计算各邻居簇首的转发概率，选择具有最大转发概率值的邻居簇首作为下一跳中继节点。本发明与LEACH、LEACH‑C和FIGWO相比，可以使网络生命周期延长，同时可以使BS接收更多的数据。
-
公开(公告)号：CN114449609A
公开(公告)日：2022-05-06
申请号：CN202210162981.4
申请日：2022-02-22
Applicant: 安徽农业大学
Abstract: 面对无线传感器网络存在的节点能耗不均衡、生存期短等问题，本发明公开了一种基于能耗均衡的LEACH分簇路由方法，在簇首选举阶段，挑选剩余能量大、邻居节点较多，且靠近BS的节点为簇首；然后，非簇首节点依据自己与不同簇首之间通信信号的强度和剩余能量，计算加入不同簇的成本，并加入成本最小的簇；在传输数据阶段，若信息发送簇首距离基站一跳距离以外，则该簇首需要考虑各邻居簇首的剩余能量、簇内节点数、与BS距离等因素，计算各邻居簇首的转发概率，选择具有最大转发概率值的邻居簇首作为下一跳中继节点。本发明与LEACH、LEACH‑C和FIGWO相比，可以使网络生命周期延长，同时可以使BS接收更多的数据。
-
Patent Agency Ranking
公开(公告)号：CN113780408A
公开(公告)日：2021-12-10
申请号：CN202111057226.1
申请日：2021-09-09
Applicant: 安徽农业大学 , 蒙城县京徽蒙农业科技发展有限公司
Abstract: 本发明公开了一种基于音频特征的生猪状态识别方法，包括：采集待识别猪声音频，将待识别猪声音频经过数据处理后进行音频数据的预增强及特征提取；将提取到的音频特征作为观测序列输入到训练后的DNN‑HMM生猪状态音频识别模型中，获取某个音素的某个状态对某一帧声学特征的观察值概率。本发明有效提高了对生猪音频识别的效率和准确率，对于生猪音频识别和行为状态的判定具有较高的实用价值。
-
公开(公告)号：CN114625136A
公开(公告)日：2022-06-14
申请号：CN202210238283.8
申请日：2022-03-10
Applicant: 安徽农业大学
IPC: G05D1/02
Abstract: 本发明提供了一种基于深度学习的机器人轨迹跟踪控制方法，属于机器人控制领域，包括：建立机器人的运动学模型、跟踪误差模型、动力学模型；建立基于长短时记忆神经网络LSTM和滑模控制SMC的控制器，所述控制器包括运动学控制器、基于SMC的动力学控制器和LSTM网络；基于所述机器人的运动学模型、跟踪误差模型、动力学模型，通过所述基于长短时记忆神经网络LSTM和滑模控制SMC的控制器对机器人跟踪轨迹进行控制。本发明提出的提出LSTM和SMC相结合的控制方法实现了LSTM网络对控制的补偿，提高收敛速度和控制的精度及稳定性；在不降低鲁棒性的情况下，LSTM和SMC相结合的方法可以有效抑制滑模控制的抖动现象。
-
公开(公告)号：CN114625136B
公开(公告)日：2024-11-22
申请号：CN202210238283.8
申请日：2022-03-10
Applicant: 安徽农业大学
IPC: G05D1/43 , G05D1/65 , G05D1/644 , G05D109/10
Abstract: 本发明提供了一种基于深度学习的机器人轨迹跟踪控制方法，属于机器人控制领域，包括：建立机器人的运动学模型、跟踪误差模型、动力学模型；建立基于长短时记忆神经网络LSTM和滑模控制SMC的控制器，所述控制器包括运动学控制器、基于SMC的动力学控制器和LSTM网络；基于所述机器人的运动学模型、跟踪误差模型、动力学模型，通过所述基于长短时记忆神经网络LSTM和滑模控制SMC的控制器对机器人跟踪轨迹进行控制。本发明提出的提出LSTM和SMC相结合的控制方法实现了LSTM网络对控制的补偿，提高收敛速度和控制的精度及稳定性；在不降低鲁棒性的情况下，LSTM和SMC相结合的方法可以有效抑制滑模控制的抖动现象。
-
公开(公告)号：CN114627502A
公开(公告)日：2022-06-14
申请号：CN202210240265.3
申请日：2022-03-10
Applicant: 安徽农业大学
Abstract: 本发明提供了一种基于改进YOLOv5的目标识别检测方法，属于目标检测领域，包括：采集目标图像样本数据，构建样本数据集；对样本数据集进行扩容处理，得到待识别数据集；对目标检测算法YOLOv5进行改进，获得改进的目标检测算法YOLOv5，具体包括：优化目标锚框、添加协调注意力机制CA及特征融合BiFP；利用改进的目标检测算法YOLOv5对待识别数据集中的图像信息进行识别，获得识别结果。该方法采用改进的目标检测算法YOLOv5不仅提升了一般情况下的生猪个体识别准确率，还改善了在生猪密集以及远距离小目标情境下的检测性能。
-
公开(公告)号：CN114627502B
公开(公告)日：2024-12-03
申请号：CN202210240265.3
申请日：2022-03-10
Applicant: 安徽农业大学
IPC: G06V40/10 , G06T3/4038 , G06N3/08 , G06V10/762 , G06V10/80 , G06V10/82 , G06N3/0464 , G06T3/4046
Abstract: 本发明提供了一种基于改进YOLOv5的目标识别检测方法，属于目标检测领域，包括：采集目标图像样本数据，构建样本数据集；对样本数据集进行扩容处理，得到待识别数据集；对目标检测算法YOLOv5进行改进，获得改进的目标检测算法YOLOv5，具体包括：优化目标锚框、添加协调注意力机制CA及特征融合BiFP；利用改进的目标检测算法YOLOv5对待识别数据集中的图像信息进行识别，获得识别结果。该方法采用改进的目标检测算法YOLOv5不仅提升了一般情况下的生猪个体识别准确率，还改善了在生猪密集以及远距离小目标情境下的检测性能。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.036 seconds)
