本申请涉及一种基于模式识别的防高空抛物行人紧急避险系统。该系统包括：双目相机、风速传感器、温度传感器、GPS位置定位器、警示模块、数据处理终端、红外传感模块，通过双目相机拍摄窗户或阳台外的视频，风速传感器和温度传感器采集楼宇的所在区域的风速数据和温度数据，GPS位置定位器定位双目相机所处的位置信息，红外传感模块感应是否有物体从窗口或阳台掉落，数据处理终端在有物体从窗口或阳台掉落时，根据窗户或阳台外的视频、风速数据、温度数据、双目相机所处的位置信息，分析物体掉落在地面的位置，根据物体掉落在地面的位置，控制警示模块对行人进行提醒，指示行人正确的躲避路线以及安全区域，减少事故发生的概率。
📄 2021226968832
📂 G06V20_40
👤 南京信息工程大学
📅 2021-11-05
本发明提出了一种基于时空图模型的脑电情感识别方法，包括获取脑电情感数据库，并对数据进行预处理，将数据集划分为训练集和测试集；对时长为T的脑电信号进行样本划分，用一个时间长度为M的滑动窗口对脑电信号进行采样，得到T/M个脑电样本；构建基于Bert的图模型网络，对脑电样本各时刻信号的空间特征进行学习分析；构造时间LSTM网络，用LSTM网络分析脑电样本各时刻之间的时间相关性；利用训练集对所构建的时空Bert图模型网络进行训练，优化网络模型，利用测试集对优化模型网络进行测试，统计分类识别。本发明不仅考虑脑电空间信息，还加入时间信息，实现对脑电信号特征的较全面学习，提高识别准确率。
📄 2021113666699
📂 G06K9_00
👤 南京邮电大学
📅 2021-11-18
一种基于人体关键点时空图模型的异常行为检测方法，首先对视频集合进行预处理，得到视频序列，然后预处理得到人体关键点坐标。其次，一旦人体关键点坐标被确定，依照人体骨架自然连接，多帧累积之后得到一段时间内人体的关键点时空图模型。然后利用神经网络，通过空间卷积模块和时间卷积模块的交替工作，提取行为特征，描述行为模式。最后使用自动编码器网络，利用其难以对异常数据进行编码再重构的性质，通过对比重构误差，进行异常检测。本方法数据量小，计算成本低，并且训练过程不需要人工标注的数据，大大提高了异常检测的适用性。
📄 2021111535664
📂 G06V20_52
👤 南京邮电大学
📅 2021-09-29
本发明公开了一种基于模式识别的工程机械智能控制系统，工程机械具有履带、支撑平台、配重、驾驶室、动臂、动臂油缸、斗杆、斗杆油缸、铲斗、铲斗油缸，工程机械的动臂上设置有CCD相机，CCD相机连接传输装置，传输装置将CCD相机采集到的数据传输到CPU处理器，CPU处理器将计算后的数据传输到设置在驾驶室内的显示器上。与现有技术相比，本发明能够实现相机的位置和角度的调节，与控制器进行配合能够采集到物料最好的图片，便于CPU处理器进行处理。
📄 2018115086874
📂 E02F3_42
👤 龙岩学院
📅 2018-12-11
本发明提供一种基于模式识别的车载惯导安装角误差补偿方法。首先，将惯性导航设备安装于车上，读取惯性测量单元IMU的六轴数据，将陀螺仪z轴输出值投影在车体系上得到车体横摆角速度，利用IMU数据进行捷联惯导更新，对车辆运动模式进行识别；接着，利用GNSS进行观测融合；最后，通过卡尔曼滤波器对车速进行融合，实时估计安装角误差。与现有方法相比，本方法降低了GNSS/INS组合导航使用门槛，只需将惯导设备固定在车辆上，行驶过程中即可自动完成安装角度补偿；且提供精确、实时的车辆运动状态识别方法，可以针对不同车辆运动状态进行不同观测融合，确保惯性设备安装角估计不会受到错误观测量影响，提高了惯性设备安装角估计的鲁棒性和估计精度。
📄 2022106770461
📂 G01C25_00
👤 浙江工业大学
📅 2022-06-15
基于图卷积网络特征融合的交通模式识别方法，包括：(1)对原始的GPS轨迹数据进行数据预处理，包括异常数据删除、GPS轨迹分段、异常分段删除、运动学特征计算和数据归一化等操作；(2)构建交通模式识别模型；模型由双向门控循环单元、网络中的网络、膨胀卷积网络、最大互信息系数、图卷积网络和全连接层组成；(3)拆分基于步骤(1)所得的数据，生成训练数据集和测试数据集，训练交通模式识别模型；(4)根据步骤(3)的识别结果，计算各种评价指标；(5)以可视化方式展示模型的识别结果和评价指标。本发明还包括实施图卷积网络特征融合的交通模式识别方法的系统。本发明提高了交通模式识别的精度。
📄 2023104318633
📂 G06F18_24
👤 浙江工业大学
📅 2023-04-21
一种基于时空图卷积‑生成对抗网络的交通速度预测方法，首先，根据城市路网结构，将路网中的路段作为图的节点，交叉路口作为连接节点的边，构建交通图网络；然后，通过城市路网中的车流速度检测器获取采样收集车流速度数据，构建特征矩阵，接着，通过本发明中构建好的时空图卷积网络(STGCN)作为生成对抗网络的生成器和全连接神经网络作为判别器，对抗生成交通速度数据，通过两者相互博弈训练，共同提升，最终得到一个最佳的交通速度预测模型。利用生成对抗网络最终的生成器生成最接近真实数据的交通状态数据预测值，达到本发明路网状态数据预测的目的。本发明可以实现更准确的交通速度预测。
📄 2021104914420
📂 G08G1_01
👤 浙江工业大学
📅 2021-05-06
本发明涉及烟支生产监控技术领域，具体涉及一种基于可解释图卷积神经网络的烟支质量控制图模式识别方法。方法包括：获取多个不同模式下的烟支控制图训练样本；提取每个烟支控制图训练样本的训练特征并生成特征测试集；构建多个分类网络模型，将每个烟支控制图训练样本对应的特征测试集分别输入多个分类网络模型中，获得多个分类预测结果数据和ROC曲线图；根据ROC曲线图筛选获得最优分类网络模型并输入SHAP解释器；计算特征测试集中每个特征对分类预测结果数据的边际贡献，并根据Shapley值生成高价值特征子集；使用高价值特征子集训练并获取目标图卷积神经网络；获取实际采集的烟支控制图样本，并输入目标图卷积神经网络中，完成模式识别。
📄 2024114405971
📂 G06V20_60
👤 浙江工业大学
📅 2024-10-15
本发明公开了一种SMT生产过程控制图模式识别方法，包括：获取SMT生产过程中当前阶段工序的控制点的关键质量参数，对关键质量参数进行预处理；对预处理后的关键质量参数进行小波分解，得到关键质量参数的高频信号和低频信号；将高频信号和低频信号输入至预训练好的多分类支持向量机中进行控制图模式的识别，同时根据高频信号和低频信号绘制控制图；根据多分类支持向量机输出的控制图模式的识别结果，利用统计过程控制方法得到异常模式下对应的异常原因、以及预测下一阶段工序的控制图模式变化趋势。本发明的SMT生产过程控制图模式识别方法，有效提高了SMT生产过程控制图识别的精度和能力。
📄 2019109544263
📂 H05K13_08
👤 浙江工业大学
📅 2019-10-09
本发明涉及一种基于时空图表示学习的交通事故预测方法，首先根据传感器网络构建交通路网的邻接矩阵，对原始交通数据进行筛选和统计，得到特定区域的速度、容量和占有率数据构建特征矩阵。然后建立基于ST‑VGAE结构的交通事故预测模型，通过将邻接矩阵和特征矩阵输入ST‑VGAE中，通过时空图卷积模块表征交通状态，并将其输入到一个卷积神经网络中进行交通事故发生概率的预测。最后，使用处理好的数据训练所建立的交通事故预测模型，并调整模型中的参数以获得最优的交通流预测。实验结果验证了模型在交通事故预测任务上的有效性，并为使用时空图表示学习解决事故预测任务提供新的思路和方法。
📄 2021101153998
📂 G06F16_901
👤 浙江工业大学
📅 2021-01-28
本发明涉及基于多模态传感器的疲劳步态模式识别设备及识别方法，基于多模态传感器采集多模态传感数据，预处理后进行步态分割，获得步态分割后的数据样本，包括多模态传感数据及对应的数据特征；构建改进的特征融合模型，以数据样本训练至模型稳定；采集多模态传感数据，预处理后输入训练后的模型，输出疲劳步态模式识别结果；设备包括2组采集多模态传感数据的多模态传感器，同步收发装置将配合的2组多模态传感数据对应后发送，控制器获取多模态传感数据，识别疲劳步态模式。本发明实现疲劳步态模式的高精度分类，准确率较传统单模态方法提升15%‑20%；基于动态阈值分类与多维特征分析，生成用户特异性康复建议，提升行走能力与安全性。
📄 2025111601927
📂 G06F18_2415
👤 浙江工业大学
📅 2025-08-19
基于全局和局部时空特征融合的交通模式识别方法，包括：(1)对原始的GPS轨迹数据进行分段处理；(2)计算每个GPS轨迹点的七种运动学特征；(3)对分段后的GPS轨迹数据进行数据预处理；(4)构建交通模式识别模型；模型包括时空特征提取块、时域卷积网络和注意力机制，其中时空特征提取块可以提取局部时空特征，时域卷积网络可以提取全局时空特征，注意力机制可以实现全局和局部时空特征的融合和特征重构；(5)拆分基于步骤(3)所得的数据，生成训练数据集和测试数据集，训练交通模式识别模型；(6)根据步骤(5)的识别结果，计算各种评价指标；(7)以可视化方式展示模型的识别结果和评价指标。本发明还包括实施基于全局和局部时空特征融合的交通模式识别方法的系统。本发明提高了交通模型识别精度。
📄 2023104256586
📂 G06F18_24
👤 浙江工业大学
📅 2023-04-20
柿子坊 · 知识产权运营
柿子坊知识产权运营平台