-
公开(公告)号：CN119773889A
公开(公告)日：2025-04-08
申请号：CN202510042511.8
申请日：2025-01-10
Applicant: 桂林电子科技大学
IPC: B62D57/024 , B62D57/028
Abstract: 本发明属于机器人应用技术领域，具体涉及一种变构型平衡车，包括控制单元、移动轮、驱动器及轮腿结构，轮腿结构包括大腿摆动组件、膝部转动组件、第一足部旋转组件和第二足部旋转组件。通过第一足部旋转组件和第二足部旋转组件模拟足部上体下压和左右摆动运动，通过大腿摆动组件实现膝部转动组件和移动轮整体的前后摆动，通过膝部转动组件移动轮单独的前后摆动，从而利用上述轮腿结构的设计和运动方式实现模拟人体腿部和足部运动，能够将移动轮转换成不同的运动形态，形成多种步态构型，实现轮式机器人和足式机器人的灵活切换，从而能够适应崎岖多障碍的陡坡、凹凸不平多障碍的路面等不同特殊的地理环境，扩大适用范围，应对复杂环境的移动。
-
公开(公告)号：CN117594225A
公开(公告)日：2024-02-23
申请号：CN202311651602.9
申请日：2023-12-05
Applicant: 桂林电子科技大学
IPC: G16H50/20 , G16B20/00 , G16B40/20 , G06T7/11 , G06F18/25 , G06N3/0499 , G06N3/0464 , G06N3/09
Abstract: 本发明公开了一种基于病理和基因的多模态融合生存预后方法及装置，方法包括：对病理组织学图像和基因数据进行预处理，获得病理切片和基因数据集；构建多模态融合模型，然后训练模型：利用病理预后模块提取病理切片的病理深度学习特征，然后进行生成预后；利用利用基因预后模块提取基因数据的基因组学特征，然后进行生成预后；利用多模态低秩交互融合模块将病理深度学习特征和基因组学特征多模态融合，生成多模态融合特征；利用多模态融合特征对患者进行生存预后分析，然后经过迭代计算损失后，获取预后预测结果。本发明，全面地将多模态数据进行整合，增强了特征融合模型的鲁棒性，提高了病患生存预后的准确性。
-
公开(公告)号：CN117522892A
公开(公告)日：2024-02-06
申请号：CN202311524395.0
申请日：2023-11-15
Applicant: 桂林电子科技大学
IPC: G06T7/11 , G06T7/13 , G06V10/25 , G06V10/28 , G06V10/774 , G06V10/82 , G06N3/045 , G06N3/0464 , G06N3/084
Abstract: 本发明涉及基于空间通道注意力增强的肺腺癌CT影像病灶分割方法，包括：获取待检测肺部CT影像；将所述待检测肺部CT影像输入预设的分割模型中，获取病灶分割掩膜图；基于所述病灶分割掩膜图提取影响特征并进行量化，获取所述待检测肺部CT影像中的肿瘤影像特征信息，其中，所述分割模型基于训练集训练获得，所述训练集包括若干患者肺部CT影像，所述分割模型采用scSE空间通道注意力增强的分割网络EfficientUNet++构建。本发明能够减少早期肺腺癌CT影像病灶分割任务中存在的时间成本、人力成本，提高分割精度。
-
公开(公告)号：CN116680593A
公开(公告)日：2023-09-01
申请号：CN202310473432.3
申请日：2023-04-27
Applicant: 桂林电子科技大学
IPC: G06F18/24 , G06F18/214 , G06F17/16 , G06N20/20
Abstract: 本发明公开一种多感知去噪的分类方法，所述方法包括：首先通过图形构建特征空间中的信息，并使用构建的图执行通用标签迭代学习以获得具有特征感知的分类器；再通过分离标签空间中的噪声标签获取真实标签的多类分类器；最后完成未知示例标签预测。本发明中构建的多感知去噪框架，综合解决目前偏标记学习中特征空间和标签空间利用不充分的问题，在此基础上进行噪声分离下的真值标签增强，提高了偏标记学习在分类精度上的性能，同时还提高了偏标记学习算法的泛化性能。
-
公开(公告)号：CN116563625A
公开(公告)日：2023-08-08
申请号：CN202310505919.5
申请日：2023-05-06
Applicant: 桂林电子科技大学
IPC: G06V10/764 , G06V10/774 , G06T7/00 , G06N20/20 , G06N3/0895
Abstract: 本发明公开了一种基于联邦学习和对比学习的医学图像分类方法，在联邦学习的训练中，将当前训练轮次的本地模型和上一轮次的全局模型与本地模型结合起来进行训练，减少本轮模型与上一轮全局模型特征表示之间的距离，增加本轮模型与上一轮本地模型特征表示之间的距离，运用模型之间的监督对比损失，让客户端的本地模型在训练过程中逐渐靠近全局模型。这种方法能有效地减轻数据异构性所带来的性能下降问题，增加模型的泛化能力。
-
Patent Agency Ranking
公开(公告)号：CN116051573A
公开(公告)日：2023-05-02
申请号：CN202211687670.6
申请日：2022-12-27
Applicant: 桂林电子科技大学
Abstract: 本发明公开了基于深度元学习的模拟测震图纸矢量化方法，该方法通过使用多尺度图像分割技术，使现有架构能够自动、快速确定扫描图纸的尺寸；自动提取图纸中各项记录参数；针对多尺度的图纸设计最佳的尺寸归一化、类型分类、灰度化及图像分割算法，从而为后续矢量化模型提供优质的输入数据，解决了原有矢量化算法存在的目标图纸的单一的问题；采用时间标记点模板匹配算法和自动拾取算法，自动完成对图纸中显著时间标记点的检测与标定，从而有效降低在时间坐标系构架过程中的人力消耗，进而达到提高图纸矢量化效率的目的。
-
公开(公告)号：CN113733071B
公开(公告)日：2022-11-04
申请号：CN202111105141.6
申请日：2021-09-22
Applicant: 桂林电子科技大学
Abstract: 本发明涉及机器人运动运动控制技术领域，且公开了一种工业机器人运动控制装置，包括两个固定块，两个所述固定块之间转动连接有多个第一丝杆，两个所述固定块之间位于所述第一丝杆的下方固定有多个第一滑杆，所述第一丝杆的外侧壁螺接有移动块，所述第一滑杆的外侧壁与所述移动块滑动连接，所述移动块的顶部固定有机械臂，设置第一丝杆、第一转块、第二转块、第一转杆、第一齿轮、第一插孔、第二插孔、电机、连接杆、活动块、第一插头、第二插头、第三插头、第四插头、第五插头、第一滑块、滑槽和第一磁铁，这样机械臂需要移动时，移动电机，使第四插头插入第二插孔内与第五插头相插合，启动电机这样，电机带着连接杆和第二转块转动。
-
公开(公告)号：CN109857031A
公开(公告)日：2019-06-07
申请号：CN201910139682.7
申请日：2019-02-26
Applicant: 桂林电子科技大学
IPC: G05B19/042
Abstract: 一种基于BDS芯片的混凝土制作控制系统，包括模拟信号采集模块、信号放大及调理模块、键盘模块、微控制器模块、SD卡存储模块、定位模块、LED显示模块、继电器输出模块、通讯模块及电源模块，继电器输出模块进行物料控制，模拟信号采集模块将采集到的数据发送到微控制器模块进行配比参数对比，由微控制器模块将对比结果由通讯模块发送到通讯模块包括的上位机分析提取实现远距离、智能化监测控制。本发明可远距离控制和监测混凝土生产。
-
公开(公告)号：CN103439668B
公开(公告)日：2015-08-26
申请号：CN201310400509.0
申请日：2013-09-05
Applicant: 桂林电子科技大学
IPC: G01R31/36
Abstract: 本发明为动力锂离子电池的电荷状态估算方法与系统，本方法第一步建立等效电池的电路模型，对电池进行充放电和静置实验、定时采样得到电压时间曲线，通过公式辨识模型参数、得到开路电压OCV与SoC的非线性关系；第二步、基于卡尔曼算法，用状态预测、预测误差方差、滤波增益、状态估算和估算误差方差等矩阵，得到SoC最优估算值。本系统模数转换器、程序存储器、可编程存储器、定时器及显示器分别与微处理器连接，电流、电压传感器分别联接在待测电池与负载连接的电路中、输出接入模数转换器。可编程存储器存储实验所得的电池模型参数，程序存储器存储本方法的估算程序。本发明SoC估算精度可达1％，且更稳定；系统实时提供SoC估算值。
-
公开(公告)号：CN104166691A
公开(公告)日：2014-11-26
申请号：CN201410365700.0
申请日：2014-07-29
Applicant: 桂林电子科技大学
IPC: G06F17/30
CPC classification number: G06K9/6268
Abstract: 本发明为一种基于波形叠加布谷鸟优化的极限学习机分类方法，主要步骤为：Ⅰ、建立训练样本矩阵；Ⅱ、在每个隐层节点上生成M个初始寄生巢；Ⅲ、求波形叠加极限学习机分类模型的分类准确度；Ⅳ、训练样本随机等分为份，求交叉验证的极限学习机分类模型的分类准确度输出值；Ⅴ、用反双曲线正弦函数和Morlet小波函数叠加作为极限学习机的激励函数，构建波形叠加极限学习机分类模型，得布谷鸟算法当前代分类准确度；Ⅵ、求布谷鸟算法的下一代结果，以概率Pa新建寄生巢；Ⅶ、重复迭代，判断是否终止迭代，满足终止条件则建立最佳极限学习机分类模型，用于对于未知样本进行分类。本方法计算复杂度低，效率高，分类性能稳定精度高，全局最优、性泛化能力强。
-
-
-
-
-
-
-
-
-
Search Results
87
records
(took 0.042 seconds)
