-
公开(公告)号：CN118839280A
公开(公告)日：2024-10-25
申请号：CN202410952257.0
申请日：2024-07-16
Applicant: 杭州电子科技大学
IPC: G06F18/2433 , G06F18/22 , G06F18/213 , G06N3/0442 , G06N3/045 , G06N3/082 , G06N3/0464
Abstract: 本发明公开了一种基于特征分布相似度的时间序列异常检测方法，属于时间序列技术领域，包括数据预处理与分割；将处理后的时间序列作为输入数据通过上下文嵌入和位置嵌入后并行输入至双向GRU重构模块和多尺度卷积稀疏注意力模块进行特征提取，分别得到局部特征和全局特征；通过归一化指数函数和对称的相位KL散度，将得到的局部特征和全局特征分别转化为概率分布和对应概率分布的相似度；利用对比损失函数，缩小局部特征的散度而放大全局特征的散度；完成LGS‑UAD模型在整个数据集上的异常检测任务并获得最终检测结果。本发明采用上述一种基于特征分布相似度的时间序列异常检测方法，能够应对现实环境中及时从大量数据流中检测异常的需求。
-
公开(公告)号：CN117132919A
公开(公告)日：2023-11-28
申请号：CN202311010650.X
申请日：2023-08-11
Applicant: 杭州电子科技大学
IPC: G06V20/40 , G06V10/26 , G06V10/774 , G06N3/088 , G06V10/82
Abstract: 本发明公开了一种多尺度高维特征分析无监督学习视频异常检测方法，采用具有卷积与自注意力提取特征的并行网络作为核心模块，整体架构采用端到端的自编码器架构，从卷积层和Transformer注意力计算层提取视频序列的表现特征与时空特征，对所有特征加以融合后，结合记忆网络来对多尺度特征进行解码预测，最终输出预测视频帧。本发明采用上述的一种多尺度高维特征分析无监督学习视频异常检测方法，使用端到端网络用于提取视频序列图像的表示特征和时空特征，提高视频帧预测的精度、增强了训练正常样本特征信息的多样性，提高了视频异常检测的异常分数评估。
-
公开(公告)号：CN116952390A
公开(公告)日：2023-10-27
申请号：CN202310932261.6
申请日：2023-07-27
Applicant: 杭州电子科技大学
IPC: G01J5/48 , A61B5/11 , G01C21/34 , G06V20/52 , G06V40/10 , G06V10/44 , G06N3/126 , G06V10/56 , G06T7/73
Abstract: 本发明公开了一种面向跌落床下的住院病人的监护识别与导航方法，属于机器人控制技术领域。包括以下步骤：使用深度相机获取环境信息矩阵E；使用高斯混合模型GMM前景检测对图像进行进一步处理，提取出人体轮廓与病床轮廓；对提取出的病床轮廓及人体轮廓分别拟合，通过提取出两者的特征和人体轮廓的特征来判断病人是否跌落床下；在用深度相机定位老人身上的裸露皮肤，接近并使用体温计、心率检测仪检测目标的生命体征；通过基于角点优化的双向A*遗传算法与动态人工势场结合的路径规划方案在各个病房搜索护士；找到护士后带至病人所在位置，并在路上使用语音模块播报病人状态。本发明实现通过监护与导航降低跌落下床对病人带来的二次损伤目标。
-
公开(公告)号：CN116128114A
公开(公告)日：2023-05-16
申请号：CN202211695882.9
申请日：2022-12-28
Applicant: 杭州电子科技大学 , 浙江省交通运输科学研究院
Abstract: 本发明公开了一种基于动态图卷积的交通预测方法，采用时间embedding生成器和MLP层来提取时空embedding和动态信号，并将两者结合得到动态图embedding用来生成动态图。为了提取交通信号的时空依赖关系，使用动态图构建了一个基于RNN的动态图卷积递归模块(DGCRM)来提取交通信号的时空特征。为了识别交通信号中的主体信号和异常信号，使用残差分解机制来分解得到异常信号并使用DGCRM进行建模预测。本发明采用上述的一种基于动态图卷积的交通预测方法，该方法不依赖任何先验知识，生成的动态邻接矩阵能根据当前时间特征和交通信号来挖掘节点间的动态关系，该方法可以识别交通信号中的主体信号和异常信号并对其分开建模以提升效果。
-
公开(公告)号：CN115757938A
公开(公告)日：2023-03-07
申请号：CN202211317767.8
申请日：2022-10-26
Applicant: 杭州电子科技大学
IPC: G06F16/9535 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于时空注意力的双通道神经网络的兴趣点推荐方法，采用双通道神经网络的架构，以用户群体作为输入提取用户群体的时间偏好特征与地点偏好特征，以单个用户作为输入提取用户的个性化偏好特征。通过图神经网络学习用户的轨迹意图，并且结合时间地点偏好特征为用户做出个性化的推荐。本方法可学习非相邻位置和非连续访问之间的相关性。通过用户时间偏好与兴趣点时间偏好匹配层为用户匹配合合适的下一个兴趣点，且面对冷启动问题时更加有效。本发明的采样方式在计算损失时，采样损失对正确预测仍有动量影响，所有负采样都有机会参与交叉熵损失的计算。本发明在多个数据集上都显得更加有效，在序列较短时表现突出。
-
Patent Agency Ranking
公开(公告)号：CN114219027A
公开(公告)日：2022-03-22
申请号：CN202111536500.3
申请日：2021-12-15
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于离散小波变换的轻量级时间序列预测方法，采用波形分解模块，对输入序列进行分解得到低频分量和高频分量，使得两个分量的长度均为输入序列的一半，然后采用基于分层平行提取特征的离散网络的离散特征提取方法来对两个分量分别预测；离散网络针对注意力机制计算复杂度高的缺点，采用了离散注意力机制进行分块计算attention数值，从而降低了模型的计算复杂度。最后采用波形重构模块生成最终预测序列。该方法可以提高资源利用率，更小的模型规模使得其在资源受限制的设备上更具竞争力。
-
公开(公告)号：CN118918363A
公开(公告)日：2024-11-08
申请号：CN202410943009.X
申请日：2024-07-15
Applicant: 杭州电子科技大学
IPC: G06V10/764 , A61B5/00 , A61B5/055 , G06V10/774 , G06T7/00 , G16H30/00 , G06V10/80 , G06N3/0455 , G06N3/0464 , G06F17/16 , G06F17/18 , G06N3/08
Abstract: 本发明公开了基于GFE‑Mamba神经网络的可解释阿尔茨海默进展分类方法，包括如下步骤：步骤1、构建GFE‑Manba神经网络模型，步骤2、建立MRI和PET图像数据集并分为训练集和测试集，应用MRI和PET图像训练集和测试集预训练3D GAN‑Vit模块；步骤3、建立MRI和量表数据结合的多模态阿尔茨海默进展分类数据集，并划分为训练集和测试集；步骤4、使用训练集对预训练的GFE‑Mamba神经网络模型进行训练并进行参数调优；步骤5、使用测试集测试评估得到的预训练的GFE‑Mamba神经网络模型，最终实可解释多模态阿尔茨海默进展分类。该方法不仅能够为临床医生诊断和治疗重大危险疾病提供重要参考标准，还进一步增强了临床医生对AD和其他重大脑部疾病的诊断能力，对于临床诊断和AD疾病预防具有重要意义。
-
公开(公告)号：CN118296330A
公开(公告)日：2024-07-05
申请号：CN202410726512.X
申请日：2024-06-06
Applicant: 杭州电子科技大学
IPC: G06F18/20 , G06N3/0455 , G06N3/084 , G06N3/042 , G06N3/0464 , G06F123/02
Abstract: 本发明公开了一种基于多视图时间序列图结构的长期时间序列预测方法，其特征在于，包括如下步骤：步骤1、获取多元时间序列数据，并对数据进行预处理，将预处理后的数据进行分片处理，通过分片处理后的数据得到#imgabs0#份特征序列；步骤2、构建并训练预测模型MGTV，所述预测模型MGTV包括依次连接的局部交叉视图生成器、维度视图生成器和时间视图生成器；步骤3、将每份特征序列进行分割，平均分成#imgabs1#份片段序列；步骤4、应用完成训练的预测模型MGTV得到#imgabs2#份预测结果；步骤5、将#imgabs3#份预测结果拼接后加权最终的预测结果。该方法提供了一种全新的时间序列预测模型MVTG，提升模型预测精度的同时，提高模型的运算速度。
-
公开(公告)号：CN114492826A
公开(公告)日：2022-05-13
申请号：CN202111386406.4
申请日：2021-11-22
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于多元时序流数据的无监督异常检测分析解决方法。本发明分为三个阶段：离线训练阶段，在线部署阶段，智能异常分析阶段。模型通过时间卷积网络和变分自编码器来解构和重构多元时间序列流数据，学习正常模式。在线流数据检测时，封装成块送入模型得到得分和分类标签，并根据提出的“异常反转机制”，解决在线异常检测中的概念漂移问题，并重训练模型，动态更新分类阈值，提高了处理在线流数据异常的准确度。之后，并行或串行的进行维度粒度的智能异常分析，生成不定维度的异常分析报告。本发明能够对多维度的、复杂的检测指标以及飞速增长的数据流进行智能异常识别、检测、分析，流程完善，为系统安全运行提供了保障。
-
公开(公告)号：CN111951216A
公开(公告)日：2020-11-17
申请号：CN202010633104.1
申请日：2020-07-02
Applicant: 杭州电子科技大学
Abstract: 本发明提供一种基于计算机视觉的脊柱冠状面平衡参数自动测量方法，首先对获得的x光影像图进行预处理，分为上下半身影像图；分别采用基于边缘检测和基于单阈值分割的轮廓提取方法对上下半身影像图进行轮廓提取；基于SIFT特征检测的图像配准技术和启发式算法筛选候选框；计算沿筛选出的颈7骨和骶骨候选框的中心坐标做出的垂线之间的像素距离，并根据影像图dpi大小将像素距离转换为物理距离，完成脊柱冠状位平衡参数CVA的自动测量。本发明选用不同的计算机视觉算法获取目标选框，并结合SIFT图像配准技术和启发式算法思想，减少选框数量，极大提高了选框的精度，保证了量测的准确率。
-
-
-
-
-
-
-
-
-
Search Results
57
records
(took 0.027 seconds)
