-
公开(公告)号：CN114282573B
公开(公告)日：2025-02-07
申请号：CN202111540726.0
申请日：2021-12-16
Applicant: 重庆邮电大学
IPC: G06F18/241 , G06F18/10 , G06F18/213 , G06F18/214 , G06N3/0464 , G06F18/2431
Abstract: 本发明属于情绪识别领域，具体涉及一种基于自训练最大化分类器差异的情绪识别方法；该方法包括：实时获取受试者的脑电图EEG数据，对EEG数据进行预处理，将预处理后的数据输入到基于自训练最大化分类器差异的情绪识别模型中，得到受试者的情绪识别结果；本发明提出了一种新的域自适应对抗训练方法，该方法采用软标签进行跨学科EEG情绪分类，该方法不仅考虑特定类别的决策边界，而且使用了软标签进一步提取有助于对目标域分类的源域信息，情绪识别结果更准确，具有良好的经济效益。
-
公开(公告)号：CN114566048B
公开(公告)日：2023-04-28
申请号：CN202210208526.3
申请日：2022-03-03
Applicant: 重庆邮电大学
IPC: G08G1/01 , G06F18/211 , G06N3/0464 , G06N3/049 , G06N3/044 , G06N3/08
Abstract: 本发明属于时序预测交通流预测领域，具体涉及一种基于多视角自适应时空图网络的交通控制方法，该方法包括：实时获取交通流量数据，将获取的交通流量数据输入到基于多视角自适应时空图网络中，预测下一时刻该路口的交通流量；根据预测得到的交通流量对该路口进行交通指挥，控制该路口的交通；本发明引入了时间图卷积，增加了在时间维上全局关联的提取能力；本发明设计了一种多尺度时间卷积层，用空洞卷积核代替普通的大卷积核提取长期关联，提高模型的效率。
-
公开(公告)号：CN111666413B
公开(公告)日：2023-04-07
申请号：CN202010516638.6
申请日：2020-06-09
Applicant: 重庆邮电大学
IPC: G06F16/35 , G06F40/289 , G06Q30/0601 , G06N3/048
Abstract: 本发明涉及数据挖掘及推荐技术领域，具体涉及一种基于评论者可信赖度回归预测的商品评论推荐方法，包括：提取评论者可信赖度的相关属性特征并计算评论者的属性特征值；利用回归算法构建预测评论者可信赖得分模型并计算评论者的可信赖分数；提取评论排序相关的有效指标并计算各商品评论的该四大有效指标值；使用LambdaMART构建各商品的评论排序模型，根据评论排序模型计算最终确定各商品所有评论的排名分数，并根据评论排名得分对评论进行推荐。本发明的方法解决了在众多网站中，用户无法对不了解的用户产生信赖，也无法根据其他用户的评论而做出正确判断的问题。
-
公开(公告)号：CN115392481A
公开(公告)日：2022-11-25
申请号：CN202210975053.X
申请日：2022-08-15
Applicant: 重庆邮电大学
Abstract: 本发明涉及一种基于响应时间实时均衡的联邦学习高效通信方法，属于联邦机器学习领域。首先，在预先设定的簇迭代训练中，每个响应的终端设备分别根据自身的本地模型计算时间，均衡的划分至预先设定的计算簇中，构建基于“云服务器‑Head节点‑终端设备”一体的分层通信架构，从通信结构上间接增加了低响应设备的模型训练参与度。然后，使响应快的设备能够帮助响应慢的设备进行训练。本发明通过对异构的计算设备动态分组，自适应构建分层的逻辑通信架构，并在计算簇内设计加权的协作训练机制，间接提高了低响应设备的模型训练参与度，从本质上解决了联邦机器学习技术中，由于资源异构所导致的通信等待延时问题，提高了训练模型的精确度。
-
公开(公告)号：CN110633262B
公开(公告)日：2022-06-24
申请号：CN201910908692.2
申请日：2019-09-25
Applicant: 重庆邮电大学
IPC: G06F16/182 , G06F16/29 , G06F16/245
Abstract: 本发明涉及一种基于Spark的地图相交区域面积计算方法、系统及设备，属于地图信息系统领域，所述方法包括：根据经纬度和网格个数，将地图划分成网格形式，确定多边形区域包含的单元网格的编号或编码，将单元网格的编号或编码，存入Spark的分布式文件系统中，根据单元网格的编号或编码确定可能存在相交的多边形区域，判断可能存在相交的多边形区域的相交关系，计算对应的相交区域的面积，本发明通过建立空间索引，来快速且准确的找出地图区域中相交的区域，从而高效的计算海量地图数据场景下的相交区域的面积。
-
Patent Agency Ranking
公开(公告)号：CN106974660A
公开(公告)日：2017-07-25
申请号：CN201710259855.X
申请日：2017-04-20
Applicant: 重庆邮电大学
IPC: A61B5/1455 , A61B5/00
Abstract: 本发明公开了一种基于脑功能活动检测中的血氧特征实现性别判定的方法，其特征在于，包括如下处理步骤：S1、获取原始数据，给若干被测试者布置心算任务，在心算任务中采集被测试者脑部的氧合血红蛋白HBO、脱氧血红蛋白HBR和总血红蛋白的浓度变化以得到原始数据；S2、数据格式转换，将获取的特定原始数据格式转换成能够支持的单一数据格式;S3、数据清洗，在数据采集过程中对由于生理活动产生的噪声进行去除，对运动假影进行矫正；S4、特征提取，对清洗后的最终数据进行特征提取；S5、分类预测性别，将步骤S4提取的特征与已知性别用户的特征库信息进行对比分析得出被测试者的性别判定结果。
-
公开(公告)号：CN100411490C
公开(公告)日：2008-08-13
申请号：CN200610054396.3
申请日：2006-06-27
Applicant: 重庆邮电大学 , 韩国仁荷大学教产学协力团
Abstract: 本发明请求保护一种用于移动通信网络的AOA(到达角度)/TOA(到达时间)和GPS(全球定位系统)混合的定位方法。该方法只需要一颗卫星、一个基站便可实现移动终端高精度的定位。基站采用AOA/TOA定位方法求得用户终端所在区域的二维平面解，在地理信息系统GIS的空间数据库中查出该区域的平均高度值h，计算出基站与移动终端之间的时钟误差后，基站根据GPS授时系统算出移动终端与卫星之间的时钟误差，构建方程组解出用户终端的三维空间坐标。该方法适用于建筑物密集的城区和室内，对移动终端的准确定位。
-
公开(公告)号：CN1897748A
公开(公告)日：2007-01-17
申请号：CN200610054395.9
申请日：2006-06-27
Applicant: 重庆邮电大学 , 韩国仁荷大学教产学协力团
Abstract: 本发明请求保护一种基于TD－SCDMA的高精度实时定位方法，涉及移动通信技术领域。目前在位置服务领域尚未有一种服务可以满足用户高精度或高速移动状态下的位置请求。本发明将准RTK和RTK两种定位方法嵌入到TD－SCDMA系统中，设计定位处理流程，定义相关通信接口和消息，根据用户服务质量要求选择不同定位算法，实现不同的定位精度，用以满足用户不同精度级别的定位请求。该定位技术适用于为移动用户在高速移动情况下实时动态提供高精度位置服务。
-
公开(公告)号：CN117351519A
公开(公告)日：2024-01-05
申请号：CN202311346821.6
申请日：2023-10-18
Applicant: 重庆邮电大学
IPC: G06V40/10 , G06V40/20 , G06V10/62 , G06V10/42 , G06V10/46 , G06V10/77 , G06V10/80 , G06V10/26 , G06V10/82 , G06V10/764 , G06V10/774 , G06V10/776 , G06N3/0464 , G06N3/0455 , G06N3/084 , G06N3/048
Abstract: 本发明属于人工智能领域，具体涉及一种基于多视角特征分解的遮挡行人重识别方法，包括：获取待识别的行人图像，将行人图像划分为图像块；对图像块进行线性映射，得到嵌入特征表示；在嵌入特征表示添加全局信息，对添加全局信息的嵌入特征表示进行位置编码；根据位置信息、全局信息以及嵌入特征表示得到最终的输入序列；将最终的输入序列输入到Transformerblocks模块中，得到全局特征和补丁序列；对补丁序列进行重排；采用三种不同视角对重组后的补丁序列分解，分解后对局部特征进行匹配，得到重识别结果；本发明利用补丁的独特的位置信息对补丁特征进行重组，使得重组后得到的特征矩阵是原图的映射，这有助于探索局部特征的信息。
-
公开(公告)号：CN116245143A
公开(公告)日：2023-06-09
申请号：CN202211697249.3
申请日：2022-12-28
Applicant: 重庆邮电大学
IPC: G06N3/0464 , G06N3/084 , G06Q50/00
Abstract: 本发明涉及一种社交网络中鲁棒的图卷积神经网络生成方法，包括以下步骤：S1：设定社交网络模型的初始输入，并对输入的用户节点相关矩阵进行预处理；S2：社交网络中GCN卷积层设计：根据特征服从或近似服从高斯分布前提出发，计算相应的方差，利用方差计算权重矩阵，然后将该权重作为卷积层的一部分进行卷积操作；S3：优化社交网络模型的权重参数W：利用高斯分布来设计惩罚项，整合作为新的损失函数；S4：通过反向传播优化参数：计算出每层的误差对每个参数W对偏导计算梯度，更新参数完成一次反向传播，再循环进行前向‑反向传播直至损失函数收敛为止，得到训练完成的社交网络中的GCN模型。
-
-
-
-
-
-
-
-
-
Search Results
59
records
(took 0.027 seconds)
