-
公开(公告)号：CN116250849A
公开(公告)日：2023-06-13
申请号：CN202211559232.1
申请日：2022-12-06
Applicant: 重庆邮电大学
IPC: A61B5/372 , A61B5/00 , G06F18/2415 , G06N3/0464 , G06N3/048 , G06N3/047 , G06N3/08
Abstract: 本发明请求保护一种基于信息分离器和区域卷积网络的脑电信号识别方法，包括：采集脑电数据，并对脑电数据进行滤波、小波包分解和数据标准化等预处理；根据电极安装位置构建拓扑图，再将经过预处理的脑电数据嵌入图中；使用所构建的图创建信息分离器获取每个节点独立的源信息，然后使用聚焦区域特征并且关注的区域范围依次递增的区域卷积网络提取脑电信号特征，区域卷积网络包含三个卷积层，分别为提取节点自身特征的节点卷积层、提取以节点为中心的领域特征的领域卷积层和提取全局特征的全局卷积层；最后由全连接层完成分类识别。本发明可显著降低电极之间的信息冗余度并有效提高脑电信号的识别准确率。
-
公开(公告)号：CN110232341B
公开(公告)日：2022-05-03
申请号：CN201910464739.0
申请日：2019-05-30
Applicant: 重庆邮电大学
Abstract: 本发明请求保护一种基于卷积‑堆叠降噪编码网络的半监督学习图像识别方法，结合有监督训练的卷积神经网络和无监督学习的堆叠降噪自动编码机提出一种半监督学习网络，以在样本量不足的情况下提取更具表达性的高维特征，训练出更好的网络参数。利用卷积神经网络对样本数据进行有监督训练，提取图像特征同时避免空间特征的破坏。再把训练得到的特征向量输入到堆叠降噪自动编码机进行无监督学习，实现进一步特征学习，降低小样本带来的训练困难，后基于多层人工神经网络进行分类实现。将模型用于HLC2000手写汉字数据集中的复杂字、中等字、简单字、相似字进行脱机手写汉字识别，实验结果表明该模型的平均识别率能达到97％以上，并且结果较为稳定。
-
公开(公告)号：CN110929581A
公开(公告)日：2020-03-27
申请号：CN201911024631.6
申请日：2019-10-25
Applicant: 重庆邮电大学
Abstract: 本发明请求保护一种基于时空特征加权卷积神经网络的脑电信号识别方法。包括步骤：先使用离散小波变换对运动想象脑电信号进行去噪。接着设计了一种时空特征加权卷积神经网络对处理后的脑电信号进行特征提取。第一层的卷积操作在运动想象脑电信号的时间尺度上进行，第二层的卷积操作在通道尺度上进行，这样提取的特征包含了运动想象脑电信号的时空特性；由于提取到的每个特征的重要程度不一样，所以在网络中加入了特征加权的模块，以使得重要的特征突出化，不重要的特征弱化。由该模型提取到的特征能够更加有效地反映各类运动想象脑电信号的特性，能够提高运动想象脑电信号的识别准确率。
-
公开(公告)号：CN102706342A
公开(公告)日：2012-10-03
申请号：CN201210177871.1
申请日：2012-05-31
Applicant: 重庆邮电大学
IPC: G01C21/00
Abstract: 本发明公开了一种智能移动机器人的定位与环境建模方法，首先形成修正迭代扩展卡尔曼滤波算法并确定迭代次数，然后建立移动机器人的运动模型和观测模型，初始化移动机器人的状态，计算位置雅可比矩阵和控制输入雅可比矩阵计算、观测雅可比矩阵等；最后通过求解卡尔曼增益矩阵，更新状态估计方程和协方差矩阵，并重复以上部分步骤。本发明以在移动机器人的同时定位与环境建模领域中使用最为广泛的扩展卡尔曼滤波算法为核心，通过对该算法进行改进，使得算法的性能得到极大提高，能够更好的满足在SLAM中的应用。也为移动机器人在未知环境中的自主导航、完成复杂智能任务提供强大的技术支撑。
-
公开(公告)号：CN102096415B
公开(公告)日：2012-09-26
申请号：CN201010618568.1
申请日：2010-12-31
Applicant: 重庆邮电大学
IPC: G05D3/00
Abstract: 本发明请求保护一种多机器人编队方法，属于智能控制领域。本发明以leader运动轨迹控制整个编队运动轨迹，首先确定leader的运动学模型，由斥力与引力合力确定leader运动方向；建立follower跟踪leader运动模型，follower根据一定的距离与角度跟踪leader，根据人工势场法建立的运动模型确定follower运动轨迹；在leader与follower之间引入AdHoc网络，建立信息反馈，确保follower对leader的跟踪过程无丢失。采用本发明可以使多机器人系统在完成任务的过程中，顺利避开障碍物，到达目标点，并能在整个过程中保持初始队形，能实现多机器人的实时的队形控制，更好的完成一些需要多个机器人同时完成任务的场合（如搬运，救援等）。
-
Patent Agency Ranking
公开(公告)号：CN102096415A
公开(公告)日：2011-06-15
申请号：CN201010618568.1
申请日：2010-12-31
Applicant: 重庆邮电大学
IPC: G05D3/00
Abstract: 本发明请求保护一种多机器人编队方法，属于智能控制领域。本发明以leader运动轨迹控制整个编队运动轨迹，首先确定leader的运动学模型，由斥力与引力合力确定leader运动方向；建立follower跟踪leader运动模型，follower根据一定的距离与角度跟踪leader，根据人工势场法建立的运动模型确定follower运动轨迹；在leader与follower之间引入AdHoc网络，建立信息反馈，确保follower对leader的跟踪过程无丢失。采用本发明可以使多机器人系统在完成任务的过程中，顺利避开障碍物，到达目标点，并能在整个过程中保持初始队形，能实现多机器人的实时的队形控制，更好的完成一些需要多个机器人同时完成任务的场合（如搬运，救援等）。
-
公开(公告)号：CN101661266A
公开(公告)日：2010-03-03
申请号：CN200910190867.7
申请日：2009-09-15
Applicant: 重庆邮电大学
IPC: G05B13/02
Abstract: 本发明提出了一种仿生机器鱼模糊控制器，能实时反馈调整控制参数，改善控制性能；本发明的目的是这样实现的：仿生机器鱼模糊控制器，包括接收模块，获取期望值和传感器获得的测量值，并计算出期望值于测量值的误差e和误差变化率ec；量化模块，根据量化因子，对误差e和误差变化率ec进行量化，获得量化后的误差E和误差变化率EC；第一模糊控制模块，根据量化后的误差E和误差变化率EC查询模糊控制表，获得控制量；实际控制增量输出模块，将控制量与比例因子相乘，获得实际控制增量；以及第二模糊控制模块，根据量化后的误差E和误差变化率EC，调整量化模块的量化因子和比例因子；本发明还提供一种仿生机器鱼模糊控制方法。
-
公开(公告)号：CN101219708A
公开(公告)日：2008-07-16
申请号：CN200810069335.3
申请日：2008-01-31
Applicant: 重庆邮电大学
Abstract: 本发明请求保护一种仿生机器鱼无半径转弯的控制方法，涉及自动控制领域。本发明以机器鱼质心为原点，建立机器鱼的运动学模型；将机器鱼关节化，根据运动学模型计算出每个关节的旋转角度；控制电路发出控制信号，驱动机器鱼从鱼尾关节开始摆动，通过水的推力F形成力偶，实现仿生机器鱼以质心为原点的无半径转弯。通过水对机器鱼的反作用力，实现机器鱼绕质心的无半径旋转。采用本发明的仿生机器鱼无半径旋转方法，可以使仿生机器鱼实现原地无半径转弯，在改变方向时不影响位置的改变，机器鱼更加灵活。这种可以很好控制某个位置上方向的改变的方法，能实现水下原地探测或水下考古中的原地摄影。
-
公开(公告)号：CN1905741A
公开(公告)日：2007-01-31
申请号：CN200610095004.8
申请日：2006-07-29
Applicant: 重庆邮电大学
Abstract: 本发明请求保护一种基于信息融合的无线定位方法，涉及移动终端的无线定位技术。本发明是通过以下技术方案实现的，基站测量移动终端的TDOA值和AOA值，采用Chan算法和Taylor算法分别对TDOA值进行估计，并结合AOA值得到TDOA(Chan)、TDOA(Taylor)、TDOA(Chan)/AOA、TDOA(Taylor)/AOA四种定位估计值分别送入第一层数据融合和第二层数据融合进行处理，两层数据融合的结果及TDOA(Chan)、TDOA(Taylor)估计值送入第四层数据融合计算加权系数，根据加权系数选择最佳定位结果作为移动终端位置。采用本发明的定位方法，有利于在无信道环境先验信息的情况下提高对移动台定位估计的准确性。
-
公开(公告)号：CN116340506A
公开(公告)日：2023-06-27
申请号：CN202310003775.3
申请日：2023-01-03
Applicant: 重庆邮电大学
IPC: G06F16/35 , G06F40/30 , G06N3/08 , G06F40/242 , G06F40/289 , G06N3/0464
Abstract: 本发明请求保护一种基于BERT和无池化卷积神经网络的文本分类方法，步骤包括：对原始中文新闻文本进行分词、转换文本序列等预处理；将新闻文本输入BERT模型中得到词嵌入向量输出，基于BERT模型的多头注意力机制可以更充分地保留全局语义信息；将词嵌入向量输入卷积神经网络并对卷积神经网络进行优化，在卷积层使用三个不同大小的卷积核提取更加丰富的局部语义信息，以及取消池化层避免池化操作造成的部分语义信息丢失问题；将训练得到的参数作为网络模型的初始参数；最后将无池化卷积神经网络的输出输入全连接层实现分类。本发明具有良好的收敛性和稳定性，同时能够提高文本分类准确率。
-
-
-
-
-
-
-
-
-
Search Results
64
records
(took 0.026 seconds)
