-
公开(公告)号：CN103258134A
公开(公告)日：2013-08-21
申请号：CN201310177877.3
申请日：2013-05-14
Applicant: 宁波大学
IPC: G06F19/00
Abstract: 本发明公开了一种高维的振动信号的降维处理方法，其通过计算信号与信号之间的欧氏距离获得信号的近邻矩阵，再根据信号的近邻矩阵，并利用稀疏约束条件获得信号的重构权值矩阵，最后利用信号的重构权值矩阵获得降维后的振动信号，降维过程简单；其在利用稀疏约束条件获得信号的重构权值矩阵的过程中，在稀疏约束条件中引入了L1范数，使得重构权值矩阵具有很好地稀疏性，有效地剔除了噪声点的影响，提高了抗噪声能力，从而保障了本发明方法的鲁棒性；其在最后获取降维后的振动信号时，是求解一个稀疏、对称、半正定的矩阵的特征向量，因此可以降低本发明方法的计算复杂度。
-
公开(公告)号：CN102055613B
公开(公告)日：2012-12-26
申请号：CN201010586531.5
申请日：2010-12-13
Applicant: 宁波大学
IPC: H04L12/24
Abstract: 本发明公开了一种网络质量评价方法，优点在于服务器中预设的主观和客观神经网络分别利用主观和客观评价数据进行自适应学习，得到主观和客观综合评价数据，然后主观和客观神经网络利用主观和客观综合评价数据进行共振学习，使得主观和客观综合评价数据相互影响，得到主客观综合评价结构，再在客户端利用该主客观综合评价结构获取对当前网络质量的主客观综合评价数据，这种评价方法将用户对网络的感知引入网络质量评价中，避免了单纯考虑网络性能指标情况下缺乏对不同网络应用、不同网络覆盖区的差异性分析，降低了单独地主观或客观评价的不确定性，实现了网络质量的全面、综合评价，提高了评价准确度，为各种网络应用、用户感知提供了有力依据。
-
公开(公告)号：CN117933612A
公开(公告)日：2024-04-26
申请号：CN202311839945.8
申请日：2023-12-28
Applicant: 宁波大学
IPC: G06Q10/0631 , G06Q30/0202 , G06Q50/47
Abstract: 本发明公开了一种机场出租车需求预测的方法，先分别获取出租车行程数据、网约车行程数据以及机场到港旅客数据，进而得到出租车出行量时间序列、网约车出行量时间序列以及机场到港旅客数量时间序列构成数据集，基于该数据集训练VAR模型，从而确定最优VAR模型，采用最优VAR模型进行预测，在训练VAR模型之前就充分考虑了机场网约车服务对传统出租车需求的影响，摒弃获取难度大的数据，联合建模机场出租车出行量时间序列、机场网约车出行量时间序列和机场到港旅客数量时间序列这3个变量，不仅可以确立它们之间的动态关联性，还可以捕捉多个时间序列数据之间的线性依赖性和反馈效应；优点是预测准确度高，且数据获取难度较低，易于实现。
-
公开(公告)号：CN106993186B
公开(公告)日：2019-04-30
申请号：CN201710238369.X
申请日：2017-04-13
Applicant: 宁波大学
Abstract: 本发明涉及一种立体显著性检测方法，输入待检测立体图像的左图及待检测立体图像的深度图，将左图进行CIELab颜色空间变换，提取颜色空间变换后的左图的L亮度通道、a颜色通道和b颜色通道；将颜色变换后的左图和输入的待检测立体图像的深度图进行SLIC超像素分割，计算区域间对比度，归一化，去噪后得到待检测立体图像的空域显著图；分别对每个R通道子块、G通道子块和B通道子块进行DCT变换，计算区域间对比度，归一化、去噪后得到待检测立体图像的变化域显著图；融合空域显著图和变化域显著图，得到待检测立体图像的最终显著图。与现有技术相比，本发明的优点在于：能准确的检测出复杂背景图像图像显著性区域，鲁棒性与适应性更强。
-
公开(公告)号：CN105049871B
公开(公告)日：2018-03-09
申请号：CN201510409325.X
申请日：2015-07-13
Applicant: 宁波大学
IPC: H04N19/96 , H04N19/122 , H04N19/46 , H04N19/109 , H04N19/19 , H04N19/147 , H04N19/176
Abstract: 本发明涉及一种基于HEVC的音频信息嵌入方法及提取和重构方法，在音频信息嵌入部分通过分HEVC编解码结构，在帧内预测编码过程中，选取纹理复杂度较高的4×4的预测单元，利用拉格朗日率失真模型选取最优预测模式，并根据相邻预测模式相关性，在最优预测模式确定的前提下，将具有相近预测效果的4个预测模式分为1组，建立预测模式组与变长码组之间的动态双映射关系，根据待嵌入的音频信息长度变化，改变标志位，对应调制预测模式，完成音频2比特或3比特信息的嵌入，大大提升了嵌入音频信息的容量。在提取和重构过程中，只需根据双映射关系对码流中的预测模式解码即可，实现了音频信息完整无误的嵌入和提取，很好的保证了音、视频的主客观质量。
-
Patent Agency Ranking
公开(公告)号：CN104484557B
公开(公告)日：2017-05-03
申请号：CN201410719053.9
申请日：2014-12-02
Applicant: 宁波大学
IPC: G06F19/00
Abstract: 本发明公开了一种基于稀疏自回归模型建模的多频信号去噪方法，其基于稀疏自回归模型，并利用多频信号自身的采样值构建多频信号的自适应过完备稀疏基；然后通过随机抽取自适应过完备稀疏基中不连续的多行构成冗余字典；接着采用正交匹配追踪算法获取多个冗余字典各自对应的向量在对应的冗余字典上的稀疏映射系数向量；之后对这些稀疏映射系数向量求平均向量作为信号复原时所要使用的系数；最后对原多频信号的去噪结果和将原多频信号倒置后的信号的去噪结果合并得到去噪复原信号；优点是计算复杂度低，去噪效果好，而且处理信噪比不同的信号的情况下去噪效果稳定。
-
公开(公告)号：CN103905198B
公开(公告)日：2017-02-22
申请号：CN201410081193.8
申请日：2014-03-07
Applicant: 宁波大学
Inventor： 王晓东 , 胡珊逢 , 周宇 , 叶庆卫 , 其他发明人请求不公开姓名
CPC classification number: Y02D70/20
Abstract: 本发明公开了一种基于MD5散列信息摘要的移动CA节点选举方法，其首先对申请的节点生成的证书请求文件进行MD5散列信息摘要计算，得到请求数据，然后每个节点根据由生成的随机数、IP地址和MAC地址组成的数据经MD5散列信息摘要计算后得到的整型数据与接收到的请求数据，选举一个节点担任CA节点，由于确定CA节点的关键因素在于申请的节点生成的证书请求文件及Ad-hoc网络中的节点生成的随机数，因此对于同一个申请的节点，每次CA节点的选举结果也是不同的，对于不同的申请的节点，CA节点的选举结果也是不同的，这样有效地避免了CA节点长时间的提供证书服务，节省了CA节点的耗能；同时，大大降低了CA节点被攻击的概率。
-
公开(公告)号：CN104618714B
公开(公告)日：2016-08-17
申请号：CN201510027445.3
申请日：2015-01-20
Applicant: 宁波大学
IPC: H04N17/00 , H04N19/597 , H04N19/154
Abstract: 本发明公开了一种立体视频帧重要性评估方法，其在计算每帧右视点图像的错误隐藏失真的过程中，加入了该帧右视点图像中编码模式为帧间编码且采用视差矢量编码的宏块视差矢量；在计算每帧左视点图像的错误扩散失真的过程中，利用当前帧对后续视点内和视点间编码帧的扩散失真影响累加得到，且在计算时加入了错误扩散因子；在计算每帧立体图像的总失真时，利用该帧立体图像的左视点图像的错误扩散失真和右视点图像的错误扩散失真之和与该帧立体图像的左视点图像的错误隐藏失真和右视点图像的错误隐藏失真之和加权得到，得到的总失真的精度较高，因此本发明方法能够有效地区分不同帧的重要等级，从而能够提高终端视频的感知质量。
-
公开(公告)号：CN103258134B
公开(公告)日：2016-02-24
申请号：CN201310177877.3
申请日：2013-05-14
Applicant: 宁波大学
IPC: G06F19/00
Abstract: 本发明公开了一种高维的振动信号的降维处理方法，其通过计算信号与信号之间的欧氏距离获得信号的近邻矩阵，再根据信号的近邻矩阵，并利用稀疏约束条件获得信号的重构权值矩阵，最后利用信号的重构权值矩阵获得降维后的振动信号，降维过程简单；其在利用稀疏约束条件获得信号的重构权值矩阵的过程中，在稀疏约束条件中引入了L1范数，使得重构权值矩阵具有很好地稀疏性，有效地剔除了噪声点的影响，提高了抗噪声能力，从而保障了本发明方法的鲁棒性；其在最后获取降维后的振动信号时，是求解一个稀疏、对称、半正定的矩阵的特征向量，因此可以降低本发明方法的计算复杂度。
-
公开(公告)号：CN105049871A
公开(公告)日：2015-11-11
申请号：CN201510409325.X
申请日：2015-07-13
Applicant: 宁波大学
IPC: H04N19/96 , H04N19/122 , H04N19/46 , H04N19/109 , H04N19/19 , H04N19/147 , H04N19/176
Abstract: 本发明涉及一种基于HEVC的音频信息嵌入方法及提取和重构方法，在音频信息嵌入部分通过分HEVC编解码结构，在帧内预测编码过程中，选取纹理复杂度较高的4×4的预测单元，利用拉格朗日率失真模型选取最优预测模式，并根据相邻预测模式相关性，在最优预测模式确定的前提下，将具有相近预测效果的4个预测模式分为1组，建立预测模式组与变长码组之间的动态双映射关系，根据待嵌入的音频信息长度变化，改变标志位，对应调制预测模式，完成音频2比特或3比特信息的嵌入，大大提升了嵌入音频信息的容量。在提取和重构过程中，只需根据双映射关系对码流中的预测模式解码即可，实现了音频信息完整无误的嵌入和提取，很好的保证了音、视频的主客观质量。
-
-
-
-
-
-
-
-
-
Search Results
45
records
(took 0.039 seconds)
