利索-全球专利检索

  1. 登录
  2. 注册

搜索结果

4 条记录 (耗时 0.02 秒)

    基于最大值跨步扩张时间卷积Transformer的三维人体姿态估计方法
    1.
    发明公开
    基于最大值跨步扩张时间卷积Transformer的三维人体姿态估计方法

    公开(公告)号：CN118968541A

    公开(公告)日：2024-11-15

    申请号：CN202410911542.8

    申请日：2024-07-09

    申请人： 重庆理工大学

    发明人： 王海琨 ,  崔利民 ,  高茂华 ,  代嬉微 ,  龙海成

    IPC分类号： G06V40/10 ,  G06V10/44 ,  G06V10/80 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/0455 ,  G06N3/0499 ,  G06N3/08

    摘要： 本发明公开了基于最大值跨步扩张时间卷积Transformer的三维人体姿态估计方法，涉及计算机视觉技术领域。本发明提出了MSDTCT模型，此模型用来对三维人体姿态进行估计，模型主要由三部分组成，稠稠密注意力机制和图卷积交叉模块、时序卷积模块，最大值跨步扩张时间卷积Transformer模块，其中新的时间卷积Transformer模块，它在对三维人体姿态序列进行处理时，通过有选择的扩张卷积聚合周围的帧，再增大接受野的同时也保留了重要的信息，分别使用三层时间卷积将长序列聚合提取中心帧的信息，所提出的Transformer由多头注意力和最大值空洞时间卷积前馈网络组成，模型考虑了局部于全局特征，并且通过一个新的最大值时间卷积将周围的信息聚合，最终获取精确的三维人体姿态。

    基于经验小波分解和iTransformer的锂电池剩余寿命预测方法
    2.
    发明公开
    基于经验小波分解和iTransformer的锂电池剩余寿命预测方法 审中-实审

    公开(公告)号：CN118604628A

    公开(公告)日：2024-09-06

    申请号：CN202410663122.2

    申请日：2024-05-27

    申请人： 重庆理工大学

    发明人： 王海琨 ,  高茂华 ,  张学维 ,  代嬉微 ,  崔利民

    IPC分类号： G01R31/367 ,  G01R31/392 ,  G06N3/045 ,  G06N3/0464 ,  G06N3/092 ,  G06F18/22 ,  G06F18/15 ,  G06F18/25 ,  G06F18/213

    摘要： 本发明公开了基于经验小波分解和iTransformer的锂电池剩余寿命预测方法，涉及电池技术领域。本发明采用了经验小波变换(EWT)和iTransformer神经网络模型的方法，用于对锂电池的剩余使用寿命进行预测，具有以下几个优点：趋势性分解：EWT用于处理序列数据，将数据分解为趋势性数据和残差数据，这种分解有助于将原始数据的趋势和周期性成分与残差(可能包含噪声和其他非线性成分)分开，提供了更清晰的数据视图，有助于更好地理解数据的本质；时频分解：EWT提供了一种时频分解的方法，将数据分解为不同尺度的本征模式函数(IMFs)和残差(Res)，这种分解能够捕捉到信号的局部特征和频率特征，有助于更准确地表示数据的时空特性。

    一种基于转GAF图和巩固门的财务风险时序分类预测方法
    3.
    发明公开
    一种基于转GAF图和巩固门的财务风险时序分类预测方法 审中-实审

    公开(公告)号：CN117611365A

    公开(公告)日：2024-02-27

    申请号：CN202311469698.7

    申请日：2023-11-07

    申请人： 重庆理工大学

    发明人： 王海琨 ,  陈凤 ,  代嬉微 ,  高茂华 ,  崔利民

    IPC分类号： G06Q40/12 ,  G06Q40/06 ,  G06V10/40 ,  G06V10/82 ,  G06V10/764 ,  G06N3/0442 ,  G06N3/08

    摘要： 本发明公开了一种基于转GAF图和巩固门的财务风险时序分类预测方法。步骤如下：S1：获取制造业上市企业财务指标数据和对应风险等级标签并整理为多元时序数据集；S2：将多元时序中的财务指标数据转为格拉姆角场图像数据；S3：将得到的图像数据传入Encoder模块中以提取图像特征；S4：将原始的多元时序数据输入具有巩固门门控机制的E‑LSTM模型中以提取时序特征。本发明提供的一种基于转GAF图和巩固门的财务风险时序分类预测方法，能够通过将时序数据转为格拉姆角场(GAF)图像数据的方法来提取更多更深层次的时序特征，并且通过添加了巩固门门控机制的E‑LSTM来更好地获取时序数据中的特征关系并减小预测分类时带来的误差。