-
公开(公告)号：CN108658853B
公开(公告)日：2021-12-03
申请号：CN201810414134.6
申请日：2018-05-03
Applicant: 苏州大学
IPC: C07D215/14 , C07D215/18 , C07D215/48 , C07D219/02 , C07D221/12 , C07D213/30 , C07D241/12 , C07D241/24 , C07D241/42 , C07D239/30 , C07D239/90 , C07D403/06 , C07D487/04
Abstract: 本发明公开了一种4‑氮杂芳基烷醇化合物及其合成方法。包括在提供热能和/或光能和/或微波的条件下，无氧气氛的有机溶剂中，以及高价碘芳基化合物Ar‑IIII的存在下，式I所示氮杂芳基化合物和式II所示的醇反应，得到式III所示的4‑氮杂芳基烷醇化合物，本发明提供的4‑杂芳基烷醇化合物的合成方法，可直接以烷醇为底物，区域选择性活化4位C(sp3)‑H并官能团化，具有反应简洁、条件温和、无金属、原子经济性高等优点；合成得到的4位杂芳基取代的醇化合物可以被广泛应用于全合成设计的合成砌块，以及新的药物衍生物中。
-
公开(公告)号：CN110119707B
公开(公告)日：2021-02-02
申请号：CN201910387635.4
申请日：2019-05-10
Applicant: 苏州大学
Abstract: 本发明提出一种人体动作识别方法，提取动作样本每个骨骼关节点在相邻帧之间的运动作为该动作样本的动态特征；对动态特征进行空间多尺度划分，得到各个子特征集；对于每个子特征集，将同一帧所有骨骼关节点的运动特征组成向量；提取所有训练样本的该子特征集的帧特征向量，进行聚类，得到聚类中心；将动作样本所有帧的特征向量输入至各个子特征集构建的概率分布神经元，累加每个概率分布神经元上的所有输出，得到直方图表达；对该子特征集进行时间多尺度划分，得到时间多尺度直方图；组成时空多尺度软量化直方图；构成时空多尺度软量化网络；训练时空多尺度软量化网络，将测试样本输入至训练好的网络模型中，实现动作识别。
-
公开(公告)号：CN110070068A
公开(公告)日：2019-07-30
申请号：CN201910361909.2
申请日：2019-04-30
Applicant: 苏州大学
Abstract: 本发明提出一种人体动作识别方法，包括对人体骨骼关节点的三维坐标数据进行特征提取；将所有的特征向量分到与之最近的聚类中心形成各个簇；计算各个簇的多元高斯分布函数的参数，得到各个簇的多元高斯分布概率密度函数；计算每一特征向量在各个簇的多元高斯概率密度值，重新分配至概率密度最大的簇中；更新高斯分布参数，重新分配各特征向量，直到每个特征向量的分配不再改变；计算各个动作类型对每个簇的隶属度，得到对所有簇的隶属度向量，对每个簇的隶属度向量进行加权；将动作样本每一帧的特征向量分到最近的若干个簇中，对加权隶属度向量加权求和，作为该帧的得分向量；对动作样本所有帧的得分向量求和，判断该动作属于得分最高的动作类型。
-
公开(公告)号：CN108764262A
公开(公告)日：2018-11-06
申请号：CN201810556686.0
申请日：2018-05-31
Applicant: 苏州大学
CPC classification number: G06K9/4671 , G06K9/6223
Abstract: 本发明公开了一种共生图像模式挖掘方法，包括如下步骤：（1）利用SIFT算法提取图像中的视觉基元；（2）利用语境感知聚类将视觉基元聚类成语境相似组；（3）利用空间聚类将语境相似组分成对象组；（4）合并匹配模式，圈定对象组；（5）对每个对象组进行SVD‑SIFT检测；（6）在双层过滤规则下筛选出有意义的共生模式；（7）限定框精修。本发明能快速，准确的发现图片中的共生视觉模式，以便于后续的视觉任务。
-
公开(公告)号：CN108681700A
公开(公告)日：2018-10-19
申请号：CN201810421670.9
申请日：2018-05-04
Applicant: 苏州大学
IPC: G06K9/00
CPC classification number: G06K9/00335
Abstract: 本发明公开了一种复杂行为识别方法，包括：利用传感器获取目标运动的三维骨骼关节点信息；对关节点信息预处理，归一化坐标系；提取每个关节点的运动轨迹，投影至三个二维平面；提取每两帧间的运动向量及其长度和方向角，用k‑means算法聚类得到运动基元，统计得到直方图；利用时间金字塔结合时间信息，结合所有直方图的各个簇的值，计算各关节点的权重，形成描述符；用SVM分类，实现动作识别。本发明可以对动作骨骼关节点信息进行特征的提取和有效表示，提高动作识别的准确率；所有的运动信息被完整保留，可以进行动作重建；对所有动作类进行聚类，从全局上捕捉人类动作特征；使用低级别特征，降低了计算难度，提高动作识别效率，满足系统的实时性要求。
-
Patent Agency Ranking
公开(公告)号：CN108658853A
公开(公告)日：2018-10-16
申请号：CN201810414134.6
申请日：2018-05-03
Applicant: 苏州大学
IPC: C07D215/14 , C07D215/18 , C07D215/48 , C07D219/02 , C07D221/12 , C07D213/30 , C07D241/12 , C07D241/24 , C07D241/42 , C07D239/30 , C07D239/90 , C07D403/06 , C07D487/04
Abstract: 本发明公开了一种4-氮杂芳基烷醇化合物及其合成方法。包括在提供热能和/或光能和/或微波的条件下，无氧气氛的有机溶剂中，以及高价碘芳基化合物Ar-IIII的存在下，式I所示氮杂芳基化合物和式II所示的醇反应，得到式III所示的4-氮杂芳基烷醇化合物，本发明提供的4-杂芳基烷醇化合物的合成方法，可直接以烷醇为底物，区域选择性活化4位C(sp3)-H并官能团化，具有反应简洁、条件温和、无金属、原子经济性高等优点；合成得到的4位杂芳基取代的醇化合物可以被广泛应用于全合成设计的合成砌块，以及新的药物衍生物中。
-
公开(公告)号：CN105461671B
公开(公告)日：2017-11-07
申请号：CN201510789779.4
申请日：2015-11-17
Applicant: 苏州大学
IPC: C07D307/58
Abstract: 本发明公开了酮酸与炔制备α,β‑不饱和丁内酯的方法。以氯苯作为溶剂，酮酸、炔、对甲苯磺酸一水合物和三氟化硼乙醚发生反应，获得粗制品；再经过减压去溶剂；用有机溶剂进行柱层析，即可获得精制品。合成路线为：其中：R1为芳基或叔丁基，R2为芳基；在整个反应过程中所使用的原料都是价格便宜且易获得的；该方法的底物适用范围广；整个反应的操作简单易行；产率在80％左右；大大减少了反应的成本。
-
公开(公告)号：CN105330628A
公开(公告)日：2016-02-17
申请号：CN201510902662.2
申请日：2015-12-09
Applicant: 苏州大学
IPC: C07D307/60
CPC classification number: C07D307/60
Abstract: 本发明公开了一种利用酮酸与炔制备4-羟基丁烯内酯的方法，其反应步骤为：步骤1)在反应设备中加入酮酸、炔和三氟化硼乙醚，以氟苯作为溶剂，在70℃下进行反应一段时间，获得粗产品及溶剂；步骤2)将步骤1的所得产物进行减压操作，以蒸去溶剂；步骤3)用有机溶剂对步骤2的所得产物进行柱层析，即可获得高纯度的4-羟基丁烯内酯。本发明的制备方法操作简单易行，其底物适用范围广，且在整个反应过程中所使用的原料都是价格便宜且易获得的，这大大减少了反应的成本；此外，本发明的制备方法的产率在80％以上，这使得工业生产的经济效益也有所提高。
-
公开(公告)号：CN110070070B
公开(公告)日：2021-03-02
申请号：CN201910363855.3
申请日：2019-04-30
Applicant: 苏州大学
Abstract: 本发明提出一种动作识别方法，包括获取目标的三维骨骼关节点信息；设计跨层连接神经网络对训练集中动作序列的每帧骨骼关节点的三维坐标提取特征，得到该帧的特征向量；将训练集中所有特征向量聚类成K个簇；计算每个簇的权重和每个簇对各个动作类别的支持度；定义姿态子组及姿态子组对应第c类动作的分类器；挖掘每类动作的姿态子组集合；对于每类动作，先学习出多个初级分类器，再将该类动作学得的所有初级分类器加权组合成高级分类器；用跨层连接神经网络获取测试动作序列每一帧的特征向量并划分给与其距离最近的簇；分别计算每类动作的高级分类器对测试动作序列的响应值，响应值最大的高级分类器对应的动作类别即为该测试样本的动作类别。
-
公开(公告)号：CN110070068B
公开(公告)日：2021-03-02
申请号：CN201910361909.2
申请日：2019-04-30
Applicant: 苏州大学
Abstract: 本发明提出一种人体动作识别方法，包括对人体骨骼关节点的三维坐标数据进行特征提取；将所有的特征向量分到与之最近的聚类中心形成各个簇；计算各个簇的多元高斯分布函数的参数，得到各个簇的多元高斯分布概率密度函数；计算每一特征向量在各个簇的多元高斯概率密度值，重新分配至概率密度最大的簇中；更新高斯分布参数，重新分配各特征向量，直到每个特征向量的分配不再改变；计算各个动作类型对每个簇的隶属度，得到对所有簇的隶属度向量，对每个簇的隶属度向量进行加权；将动作样本每一帧的特征向量分到最近的若干个簇中，对加权隶属度向量加权求和，作为该帧的得分向量；对动作样本所有帧的得分向量求和，判断该动作属于得分最高的动作类型。
-
-
-
-
-
-
-
-
-
Search Results
30
records
(took 0.024 seconds)
