-
公开(公告)号：CN103440418A
公开(公告)日：2013-12-11
申请号：CN201310388266.3
申请日：2013-08-30
Applicant: 中南大学
IPC: G06F19/00
Abstract: 本发明公开了一种基于自组织卡尔曼滤波的多传感器主动容错估计方法，该方法构建自组织卡尔曼滤波结构，利用硬故障检测阈值、软故障检测因子增减率和变化率实现故障检测，并设计补偿因子。同时根据各传感器感知信号的精度，设计信息分配系数，实现各传感器间的融合最优估计及其主动容错补偿。主要步骤包括：构建并行卡尔曼滤波子系统和参考卡尔曼滤波系统；基于自组织卡尔曼滤波的多传感器硬故障检测；基于软故障因子增减性与变化率的传感器软故障检测，并实现软故障的校正；获得最优估计值X(k)。该基于自组织卡尔曼滤波的多传感器主动容错估计方法能有效解决多传感器系统冗余信号故障检测与主动容错问题，提高多传感器系统的融合精度与容错性能。
-
公开(公告)号：CN113460114B
公开(公告)日：2022-06-28
申请号：CN202110795629.X
申请日：2021-07-14
Applicant: 中南大学
IPC: B61K9/08
Abstract: 本发明提供了一种铁路扣件结构伤损探测车，包括底板，底板的下表面设置有多个弹性滚轮机构，弹性滚轮机构能在轨道上移动，并对底板弹性支撑，底板上设置有架体，架体上设置有升降驱动部，升降驱动部与仪器安装部弹性连接，仪器安装部由升降驱动部驱动而穿过底板升降，仪器安装部包括探测器以及支撑探测器的调整机构，调整机构能调整倾斜角度，底板上还设置有开闭机构，开闭机构位于仪器安装部的升降位置。本发明能减少设备运行晃动对探测器的影响，在保护探测器的同时提高了探测精度，并能对探测器密封保护，增加了设备使用寿命。
-
公开(公告)号：CN113460114A
公开(公告)日：2021-10-01
申请号：CN202110795629.X
申请日：2021-07-14
Applicant: 中南大学
IPC: B61K9/08
Abstract: 本发明提供了一种铁路扣件结构伤损探测车，包括底板，底板的下表面设置有多个弹性滚轮机构，弹性滚轮机构能在轨道上移动，并对底板弹性支撑，底板上设置有架体，架体上设置有升降驱动部，升降驱动部与仪器安装部弹性连接，仪器安装部由升降驱动部驱动而穿过底板升降，仪器安装部包括探测器以及支撑探测器的调整机构，调整机构能调整倾斜角度，底板上还设置有开闭机构，开闭机构位于仪器安装部的升降位置。本发明能减少设备运行晃动对探测器的影响，在保护探测器的同时提高了探测精度，并能对探测器密封保护，增加了设备使用寿命。
-
公开(公告)号：CN103996054B
公开(公告)日：2017-02-01
申请号：CN201410245808.6
申请日：2014-06-05
Applicant: 中南大学
Abstract: 本发明公开了一种基于组合差异进化的脑电信号特征选择及分类方法，通过利用组合差异进化算法在全局搜索能力和快速收敛方面的突出表现，迅速找到最佳空间滤波系数和特征向量，克服现有技术中需依靠人工确定空间滤波系数和特征向量的工作繁琐且低效的问题，并利用搜索到的最佳空间滤波系数和特征向量训练分类器，对脑电信号进行分类，提高脑电信号的识别率。实现了对脑电信号的自动化识别，降低了人工劳动强度，大大提高了脑电信号的处理效率。
-
公开(公告)号：CN103996054A
公开(公告)日：2014-08-20
申请号：CN201410245808.6
申请日：2014-06-05
Applicant: 中南大学
Abstract: 本发明公开了一种基于组合差异进化的脑电信号特征选择及分类方法，通过利用组合差异进化算法在全局搜索能力和快速收敛方面的突出表现，迅速找到最佳空间滤波系数和特征向量，克服现有技术中需依靠人工确定空间滤波系数和特征向量的工作繁琐且低效的问题，并利用搜索到的最佳空间滤波系数和特征向量训练分类器，对脑电信号进行分类，提高脑电信号的识别率。实现了对脑电信号的自动化识别，降低了人工劳动强度，大大提高了脑电信号的处理效率。
-
Patent Agency Ranking
公开(公告)号：CN110018739B
公开(公告)日：2021-06-18
申请号：CN201910178384.9
申请日：2019-03-11
Abstract: 本发明公开了一种基于降维机制的脑电信号特征优选方法，采集原始脑电信号数据；对原始脑电信号数据进行预处理；对预处理后的脑电信号数据进行特征提取；对获取的特征集进行特征选择，获取最优特征子集；将所选最优特征子集送入支持向量机SVM中进行脑电思维分类，作为不同控制信号输出，从而实现对外部设备的控制。本发明可以减少搜索空间的维度，并且可以同时保留重要特征。
-
公开(公告)号：CN109691996A
公开(公告)日：2019-04-30
申请号：CN201910002421.0
申请日：2019-01-02
Applicant: 中南大学
IPC: A61B5/0476
Abstract: 本发明公开了一种基于混合二进制编码的脑电信号特征优选及分类器优选方法，属于特征选择与模式识别技术领域。本发明提出的混合二进制编码机制有效结合了特征选择和分类器选择，可以选择出分类效果更佳的特征子集。本发明首先采集脑电信号数据；对脑电信号进行去噪、滤波等预处理；结合时-频-空三维特征，对脑电信号进行特征提取，得到原始特征集；利用基于混合二进制编码的差异进化算法对原始特征集进行特征优选及分类器优选，选出最优的特征子集；将最优的特征子集输入最终分类器获得最终分类精度。此发明能够在最大化分类精度的同时最小化特征个数，降低数据维度，加快学习过程，提高分类性能。
-
公开(公告)号：CN108509869A
公开(公告)日：2018-09-07
申请号：CN201810206898.6
申请日：2018-03-14
Abstract: 本发明公开了一种基于OpenBCI的特征集优化在线训练方法，涉及生物医学信号处理技术领域，该基于OpenBCI的特征集优化在线训练方法采用时域分割的方法对采集到的脑电信号进行提取，扩展样本集，减少训练样本采集时间；采用遗传算法以及交叉验证的方式，优化特征集，完成特征选择，得到最优特征选择因子；使用特征优化选择之后的特征集训练分类器，得到脑电信号的分类器模型。本发明主要使用了信号的时域特性，进行了样本集的扩展，这不仅减轻了训练数据的采集压力，同时也保证了样本集的质量，没有提高模型过拟合的风险，另外本发明优化了采集通道与特征集，降低了特征集的冗余度，也提高了识别的性能。
-
公开(公告)号：CN106073793A
公开(公告)日：2016-11-09
申请号：CN201610414379.X
申请日：2016-06-13
Applicant: 中南大学
CPC classification number: A61B5/1116 , A61B5/6801
Abstract: 本发明公开了一种基于微惯性传感器的姿态跟踪与识别方法，使用穿戴式微惯性传感器采集人体姿态数据并进行姿态数据处理，跟踪并识别用户的动作和行为，并依据预设标准动作对用户动作的规范程度进行评判并提出相应修正意见。本发明使用的技术方案包括基于差分原理的姿态数据处理及特征提取、基于角度阈值变化与起点检测的连续动作分割以及目标动作的识别提取与评判标准。本发明不仅克服了传统人体姿态跟踪与识别技术中光照、背景环境等外界因素对识别准确度的影响，降低了实现复杂度及设备成本，同时提升了跟踪及识别的可靠性。
-
公开(公告)号：CN103065627A
公开(公告)日：2013-04-24
申请号：CN201210546541.5
申请日：2012-12-17
Applicant: 中南大学
Abstract: 本发明公开了一种基于DTW与HMM证据融合的特种车鸣笛声识别方法，包括以下步骤：步骤1：建立车辆鸣笛声样本库；步骤2：预处理步骤；步骤3：车辆鸣笛声特征参数提取及降维处理；步骤4：基于证据融合的特种车鸣笛声识别；分别采用DTW算法和HMM算法得到DTW识别结果和HMM识别结果；若DTW识别结果和HMM识别结果一致，则最终的识别结果与DTW识别结果或HMM识别结果保持一致；若DTW识别结果和HMM识别结果不一致，则进行DS证据理论的识别决策推理，决策输出最终的识别结果。该基于DTW与HMM证据融合的特种车鸣笛声识别方法采用融合识别技术，识别率高。
-
-
-
-
-
-
-
-
-
Search Results
21
records
(took 0.026 seconds)
