-
公开(公告)号：CN119415847A
公开(公告)日：2025-02-11
申请号：CN202411514007.5
申请日：2024-10-29
Applicant: 北京工业大学
IPC: G06F18/15 , A61B5/372 , G06F18/24 , G06F18/214 , G06N3/0475 , G06N3/094 , G06F123/02
Abstract: 本发明公开了基于生成对抗网络的跨被试认知负荷脑电信号数据增强方法，将源域数据和目标域校准数据输入到本发明的SIE‑GAN数据增强方法中。该方法加入了编码器模块，用于提取原始认知负荷脑电信号的特征。同时，该数据增强方法摒弃了传统的GAN方法中以随机噪声作为输入的设置，改为将源域数据和目标域校准数据作为输入，由于源域数据和目标域校准数据能够提供更多的上下文信息，使模型更好地适应不同被试之间的差异，从而提高模型跨被试的泛化能力。本发明已在认知负荷脑电信号自采数据集上通过多个深度学习模型进行了验证，结果表明有效提高了跨被试认知负荷识别的分类准确率。
-
公开(公告)号：CN119385578A
公开(公告)日：2025-02-07
申请号：CN202411455009.1
申请日：2024-10-17
Applicant: 北京工业大学
IPC: A61B5/372 , A61B5/369 , A61B5/00 , G06F18/213 , G06F18/2415 , G06F18/25 , G06N3/045 , G06N3/0464 , G06N3/084 , G06F123/02
Abstract: 本发明提出了一种基于自适应通道混合注意力机制和解耦学习的RSVP类不平衡脑电信号分类方法，旨在提升RSVP脑电信号的特征提取和分类性能。首先，对采集的RSVP脑电信号进行预处理，包括共平均参考、带通滤波和标准化处理并对训练集和测试集进行划分。然后，通过并行卷积层和空间卷积层提取多尺度时间和空间特征，利用插值法融合不同层次的特征。训练过程解耦为表示学习和分类器学习，表示学习使用基于难度样本采样的三元组损失函数，分类器学习使用优化后的Focal Loss进行特征学习和分类器优化。引入自适应通道混合注意力机制，通过动态加权和多层次特征融合，增强了模型的灵活性和鲁棒性。该方法解决了RSVP任务中的类别不平衡问题。
-
公开(公告)号：CN114550252B
公开(公告)日：2024-07-12
申请号：CN202210153141.1
申请日：2022-02-18
Applicant: 北京工业大学
IPC: G06V40/16 , G06V10/44 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 一种基于注意力机制的人脸识别方法，属于计算机软件领域。针对现有的主流的人脸识别方法参数量大、资源占用多、运行效率较低的问题，首先构建了一个低参数量的卷积神经网络来保证保证计算过程的高效和低资源消耗。然后加入注意力机制捕获提取其中的跨通道信息，以优化卷积神经网络的整体性能。同时，注意力的引入并不增添多少额外的性能损失和资源消耗。本发明可以在保证高效、快速的进行人脸特征提取的基础上，进一步提升人脸识别的准确率，提升整体效率。
-
公开(公告)号：CN112633058B
公开(公告)日：2024-05-31
申请号：CN202011226134.7
申请日：2020-11-05
Applicant: 北京工业大学
IPC: G06V40/20 , G06V10/20 , G06V10/70 , G06V10/764 , G06V10/80
Abstract: 基于特征融合的正面步态识别方法，属于模式识别技术领域。该方法主要针对解决单一特征步态识别率低的问题，首先提取步态能量图中的动态区域并利用Gabor小波变换提取特征，由于提取后的特征维度较高，需进行降维处理，针对传统PCA降维分类性较差的缺点，本发明将降维后的数据作为静态特征。根据人体下四分之一区域左右两侧像素点数比值的变化获取步态周期并将其用于描述步态序列的动态特征，基于特征融合的思想，本发明首次将利用PCA与LDA降维后的静态数据特征与描述步态序列的动态特征相融合，最后将融合的特征向量输入到基于多分类的支持向量机中，完成步态的分类和识别。相比较单一特征的步态识别方法，本发明提出的融合算法表现出更好的识别性能。
-
公开(公告)号：CN114533085B
公开(公告)日：2024-05-28
申请号：CN202210152738.4
申请日：2022-02-18
Applicant: 北京工业大学
IPC: A61B5/369 , A61B5/372 , A61B5/1455
Abstract: 本发明提出了一种基于注意力机制的EEG‑fNIRS的多模态的时空融合分类算法。EEG具有高时间分辨率但是空间分辨率较低，而fNIRS具有高空间分辨率但是时间分辨率较低，本发明利用EEG、fNIRS的多模态融合信息提取在运动想象中的大脑指令，以充分利用EEG、fNIRS之间的信息优势互补。本发明针对运动想象的时空特征的提取，本发明采用CNN提取空间特征，然后再利用LSTM提取时间特征，同时在CNN中使用ECA注意力机制以将有限的资源专注于重要的特征。本发明能够在运动想象的分类任务中，充分利用多模态的时空特性，可以有效的提高大脑中指令的识别。
-
Patent Agency Ranking
公开(公告)号：CN111368302B
公开(公告)日：2024-02-02
申请号：CN202010154674.2
申请日：2020-03-08
Applicant: 北京工业大学
IPC: G06F21/56
Abstract: 本发明公开了基于攻击者攻击策略生成的自动威胁检测方法，通过分析目前针对复杂、多阶段网络攻击检测方法的不足，提出了一种基于攻击者意图的攻击模型和攻击者意图的精化框架，将场景数据通过攻击模型和精化框架进行精化分解并用形式化语言表示来完成软件应用系统威胁的自动化检测。该方法应用于实际案例检测中表现出准确性和合理性，成功的检测出实际系统场景中的潜在威胁，并且将检测出的威胁根据CAPEC库的威胁分类做出针对性的防御策略，为软件应用系统的网络安全防御提供了帮助。
-
公开(公告)号：CN117216631A
公开(公告)日：2023-12-12
申请号：CN202311124936.0
申请日：2023-09-03
Applicant: 北京工业大学
IPC: G06F18/24 , G06F18/214 , G06N3/042 , G06N3/0464
Abstract: 一种基于图神经网络的运动想象脑电信号分类方法，属于计算机软件领域。针对大脑区域处于非欧式空间的特点，提出一种基于图神经网络模型的Multi‑View Graph Convolution Net。首先，空间图卷积模块采用两个脑视图实现信息互补，使用自学习图构建功能脑视图，同时利用脑电电极的空间位置构建距离脑视图。然后，利用已构建的脑视图对输入的脑电信号进行特征提取，提取完成后将特征加权融合。空间图卷积模块能充分考虑脑电通道间的联系，提升脑电通道之间的信息交互。最后，利用时间卷积和空间卷积完成脑电信号的分类。本发明的分类方法能更有效地提取运动想象脑电信号的空间特征，进一步提高分类准确率。
-
公开(公告)号：CN113506191B
公开(公告)日：2023-11-14
申请号：CN202110531725.3
申请日：2021-05-14
Applicant: 北京工业大学
IPC: G06Q50/08 , G06Q10/0639
Abstract: 一种基于熵权法COPARS模型的公共建筑节能改造技术决策方法，涉及公共建筑领域及节能改造领域。首先，基于目标建筑基本信息和机电系统运行数据确定待选节能改造技术；其次，选取节能量、静态投资回收期、减碳量为评价指标，并分别计算待选节能改造技术各评价指标大小；再次，建立COPARS多属性决策模型，并基于熵权法确定各评价指标权重系数；基于熵权法COPARS决策模型计算待选节能改造技术效用程度；最后，根据多属性决策模型效用程度计算结果，对待选节能改造技术进行优先排序。
-
公开(公告)号：CN109800437B
公开(公告)日：2023-11-14
申请号：CN201910099671.0
申请日：2019-01-31
Applicant: 北京工业大学
IPC: G06F40/295
Abstract: 一种基于特征融合的命名实体识别方法属于计算机领域，通过两个方面来提取和融合不同粒度的文本特征，概念特征和非概念词特征，从而来提高命名实体识别的准确率并降低计算量。方法包括：数据预处理模块、特征构建模块、训练命名实体网络模型模块和命名实体分类器模块，其中特征模块包括语义特征提取、词特征提取、字符特征提取、特征融合四个子模块。在本方法中结合神经网络模型LSTM(Long Short‑Term Memory)或GRU(Gated Recurrent Unit)的时序记忆特点来考虑命名实体任务的上下文信息，最后使用softmax预测实体类别标签。在模型构建过程中，可以利用稀疏数据作为训练集并对LSTM和GRU两种神经网络模型进行对比，确保本发明在实体识别任务上能取得令人满意的效果。
-
公开(公告)号：CN116934962A
公开(公告)日：2023-10-24
申请号：CN202310821544.3
申请日：2023-07-06
Applicant: 北京工业大学
Abstract: 本发明提供了一种基于深度学习的点云上采样方法，包括：频率感知的注意力模块，该模块结合图滤波与通道注意力，用于突出高频点的特征；为了更好的保持几何结构与局部细节，本发明设计了集合内与集合间特征聚合模块和结构感知的特征变换模块；一方面通过聚合集合内与集合间特征用来创建每个点完整的局部表示；另一方面结构感知的特征变换模块通过捕获全局几何结构和精细局部细节来提高扩展点特征的质量；此外，为了提高粗输稠密点云的质量，本发明设计了多尺度空间修正单元，该单元利用了注意力特征融合和多尺度注意力；基于目标数值优化初始点云上采样网络，得到点云上采样网络。
-
-
-
-
-
-
-
-
-
Search Results
129
records
(took 0.033 seconds)
