“盛伟国”申请（专利权）人搜索_中国专利权人_发明人_技术持有人_科研专家_钻瓜专利网

钻瓜专利网为您找到相关结果14个，建议您升级VIP下载更多相关专利

[发明专利]一种基于深度学习的深度图像语义分割方法-CN202011215611.X有效
发明人： 盛伟国;陈浩天 -专利权人：杭州师范大学
申请日： 2020-11-04 - 公布日： 2023-10-27 - 主分类号： G06V20/70 文献下载
摘要：本发明公开了一种基于深度学习的深度图像语义分割方法。本发明步骤如下：1：处理数据集并将处理后的数据集输入到ResNet网络模型中。2：将步骤1中处理好的数据集输入到ResNet网络下采样阶段，在下采样编码阶段使用分别训练逐渐融合的方式将RGB图像和深度图像的信息进行融合，得到下采样编码阶段提取到的特征。3：将步骤2中由ResNet网络下采样编码阶段提取到的特征输入到在上采样编码阶段，在上采样编码阶段过程加入强化监督模块，优化语义分割结果，进行更深层的特征提取。4：利用步骤3所训练获得的网络模型进行深度图像语义分割。本发明使特征在深层的网络中不被损耗，在上采样过程加入强化监督模块，优化语义分割结果。
一种基于深度学习图像语义分割方法

[发明专利]工业信息物理系统全对称多胞形集员状态与故障估计方法-CN202310301753.5在审
发明人：李琦;郅玉福;谭海龙;刘宏建;盛伟国 -专利权人：杭州师范大学
申请日： 2023-03-20 - 公布日： 2023-06-23 - 主分类号： G05B23/02 文献下载
摘要：本发明公开了工业信息物理系统全对称多胞形集员状态与故障估计方法。本发明首先建立离散时变工业信息物理系统模型；然后应用增广技术，将离散时变工业信息物理系统的状态与故障进行增广，得到离散时变工业信息物理增广系统模型；针对离散时变工业信息物理增广系统，引入Round‑Robin协议；设计基于Round‑Robin协议的工业信息物理系统的全对称多胞形集员状态与故障估计器，得到包含系统真实状态与真实故障的参数化全对称多胞形估计集；优化参数，得到在F范数意义上最小的全对称多胞形估计集。本发明可以同时估计系统状态与系统故障，并且可以节省有限的网络通信资源，该方法简便且易于实施，便于对状态与故障进行范围估计。
工业信息物理系统称多胞形集员状态故障估计方法

[发明专利]一种基于改进生成对抗网络的图像超分辨率重建方法-CN201910304743.0有效
发明人：俞辉;戴航;毛家发;盛伟国 -专利权人：浙江工业大学
申请日： 2019-04-16 - 公布日： 2023-03-31 - 主分类号： G06T3/40 文献下载
摘要：一种基于改进生成对抗网络的图像超分辨率重建方法，包括如下步骤：1)收集大量2k像素高质量图片，从中截取大量HR块，通过4倍下采样的方式得到对应的LR块，以此构建训练数据集。2)建立生成对抗网络模型，生成器网络G采用残差网络，条件判别器D同样采用残差网络。3)用相对判别器的思想改进生成对抗网络的训练损失函数，并在生成器损失函数中加入内容损失，在判别器损失函数中加入基于假数据的梯度惩罚项，再使用处理好的的训练数据集并采用Adam优化器对网络进行对抗训练，直到其收敛。4)由训练好的生成器网络完成对低像素图像的4倍超分辨率重建。
一种基于改进生成对抗网络图像分辨率重建方法

[发明专利]具有切换拓扑结构的复杂网络的状态估计方法-CN202210793633.7在审
发明人：李琦;陈凯歌;谭海龙;盛伟国 -专利权人：杭州师范大学
申请日： 2022-07-05 - 公布日： 2022-09-20 - 主分类号： G06F30/27 文献下载
摘要：本发明公开了具有切换拓扑结构的复杂网络的状态估计方法。本发明方法首先基于二进制编码方案，建立具有时滞的离散非线性复杂网络模型，对其进行状态估计，得到状态估计误差，进而得到状态估计增广系统；根据李亚普诺夫稳定性定理，得到状态估计器增益矩阵；将状态估计器增益矩阵带入状态估计器模型，完成对考虑切换拓扑结构的时滞非线性复杂网络系统基于二进制编码的状态估计。本发明方法考虑了具有耦合性、时滞以及非线性的复杂网络，能够用来建模许多工程中的复杂网络。本发明方法能够减少传输过程能量的消耗与网络带宽资源的占用，对保障网络安全平稳运行有着重要应用。
具有切换拓扑结构复杂网络状态估计方法

[发明专利]一种基于蓝图分离卷积的点云分类方法-CN202210507080.4在审
发明人：刘儒瑜;章国道;翁杭立;郑宇军;盛伟国 -专利权人：杭州师范大学
申请日： 2022-05-10 - 公布日： 2022-08-02 - 主分类号： G06V10/764 文献下载
摘要：本发明公开了一种基于蓝图分离卷积的点云分类方法。本发明方法首先获取构成三维点云的每个点坐标数据，然后提取点与近邻点的特征值和特征向量，生成每个点的包含17个三维空间特征的三维空间特征矩阵，和包含15个二维空间特征的二维空间特征矩阵；将三维空间特征矩阵和二维空间特征矩阵合并生成每个点的特征矩阵，将每个点以及该点的31个近邻点的特征组合成特征图像矩阵，输入到featureB2SENet深度学习网络中，经过深度学习网络的计算，得到每个点云的类别标签。本发明方法不仅考虑了点云的三维特征对点云分类的影响，还考虑了二维点云特征对于点云分类的影响，获得点云数据集的丰富空间信息和较高的分类精度。
一种基于蓝图分离卷积分类方法

[发明专利]多速率系统的全对称多胞形集员状态估计方法-CN202210111985.X在审
发明人：李琦;郅玉福;谭海龙;盛伟国 -专利权人：杭州师范大学
申请日： 2022-01-28 - 公布日： 2022-05-10 - 主分类号： G06F30/20 文献下载
摘要：本发明公开了多速率系统的全对称多胞形集员状态估计方法。本发明方法包括：建立离散时变线性多速率系统模型；应用提升技术，将离散时变线性多速率系统模型转换为对应的离散时变线性单速率系统模型；针对转换后的离散时变线性单速率系统，引入动态事件触发机制，以节省有限的通信资源；设计基于动态事件触发机制的全对称多胞形集员状态估计器，得到包含系统真实状态的参数化全对称多胞形估计集；优化参数，得到在F范数意义上最小的全对称多胞形估计集。本发明方法可以同时处理多速率机制和动态事件触发机制引起的稀疏数据传输问题，既能解决多速率系统的状态估计问题，又节省了有限的网络通信资源。
速率系统称多胞形集员状态估计方法

[发明专利]基于跨模态融合的360度环境深度补全和地图重建方法-CN202111341830.7在审
发明人：刘儒瑜;刘政喆;宋琴;盛伟国;郑宇军 -专利权人：杭州师范大学
申请日： 2021-11-12 - 公布日： 2022-03-01 - 主分类号： G06T17/05 文献下载
摘要：本发明公开了一种基于跨模态融合的360度环境深度补全和地图重建方法。本发明方法首先构建跨模态的全景深度补全网络，获得场景的全景深度图，作为深度补全模块，然后将深度补全模块嵌入全景定位和稠密建图系统，构建全景定位和稠密地图重建系统，完成大规模环境的三维重建。全景深度补全网络包括基于跨模态融合的全景深度补全网络结构和基于单位球面面积积分的深度补全损失函数。本发明方法能够有效提取稀疏深度模态的特征，最终生成对应的全景深度特征图，并根据全景深度补全网络在通道维度串联两种模态特征，通过损失函数的约束网络从而得到高精度稠密全景深度图像。本发明方法将深度补全模块嵌入系统，实现大规模场景的地图重建。
基于跨模态融合 360 环境深度地图重建方法

[发明专利]一种基于中文字符结构的序列标注方法-CN202011202507.7在审
发明人： 盛伟国;张键 -专利权人：杭州师范大学
申请日： 2020-11-02 - 公布日： 2021-01-29 - 主分类号： G06F40/117 文献下载
摘要：本发明公开了一种基于中文字符结构的序列标注方法。本发明步骤如下：1：利用字符‑笔画映射表预处理语料和数据集；2：在双向LSTM网络中使用语料训练语言模型；3：利用迁移学习方法将语料中的特征转化到数据集中，用向量形式表示数据集中的文本特征；4：通过LSTM‑CRF模型训练序列标注网络；5：利用训练好的序列标注网络对文本进行标注。本模型将抽取了中文字符中的字形特征和笔画表示特征，利用迁移学习的方法将语料中学习到的特征转移至数据集文本中，具有感知上下文的能力，优化了一词多义的能力。通过神经网络能够抽取到更加丰富的上下文笔画信息，也能够解决中文单词的稀疏导致的未收录词的问题。
一种基于中文字符结构序列标注方法

[发明专利]一种基于深度学习的航班延误预测方法-CN201910870557.3在审
发明人： 盛伟国;崔文植;刘舜琪;孟凡胜 -专利权人：杭州师范大学
申请日： 2019-09-16 - 公布日： 2020-01-07 - 主分类号： G06Q10/04 文献下载
摘要：本发明公开了一种基于深度学习的航班延误预测方法。本发明步骤如下：1：处理数据集并将处理后的数据集输入到网络模型中；2：将步骤1中处理好的数据集以时序的矩阵形式输入到LSTM网络中提取时序上的时序特征；3：将步骤2中由LSTM网络提取到的时序特征输入到ResNet网络中进行更深层的特征提取；4：预测航班延误状态并计算预测准确率；即：不延误，延误0到45分钟，延误45到90分钟，延误90分钟以上。本发明将航班延误预测的时序性特征加入到模型中，使用特征数量更多的样本作为输入，并加入具有残差结构的网络将网络层数做深，在将网络做深的基础上保留浅层网络中具有的特征，使特征在深层的网络中不被损耗，提高航班延误预测模型的准确率。
航班延误网络预测时序时序特征数据集准确率处理数据矩阵形式特征提取网络模型网络提取预测模型时序性网络层残差浅层样本保留学习

[发明专利]一种神经网络的点击流预估方法-CN201910746636.3在审
发明人：邹大方;俞辉;毛家发;盛伟国 -专利权人：浙江工业大学
申请日： 2019-08-13 - 公布日： 2019-12-27 - 主分类号： G06Q30/02 文献下载
摘要：一种神经网络的点击流预估方法，包括如下步骤：1)收集大量用户历史行为数据，数据包括对点击流预估可能有帮助的特征，比如广告商品信息、用户信息、上下文信息和店铺信息等4类数据，以此为基础构建数据集。2)构建关联特征的权值矩阵分解交叉神经网络模型，该模型包括逻辑斯蒂块，词嵌入块，词嵌入向量权值交叉块以及隐藏层块。3)将数据集切分成小块依次输入到关联特征的权值矩阵分解交叉神经网络中利用反向传播Adam算法更新参数，直到其满足早停条件收敛。4)将训练好的模型在实际系统中完成用户对广告商品的点击预测。本发明通过词嵌入技术将相对高维的数据映射到低维的词向量中，不仅减少计算量，又方便神经网络的学习。
神经网络嵌入预估关联特征广告商品权值矩阵点击流数据集用户历史行为数据神经网络模型上下文信息分解店铺信息反向传播基础构建实际系统数据包括数据映射算法更新条件收敛用户信息词向量计算量隐藏层低维高维构建向量小块预测帮助学习

[发明专利]一种基于多局部搜索的神经网络进化方法-CN201610012847.0在审
发明人：单鹏霄;盛伟国;陈志强;卢梦雅 -专利权人：浙江工业大学
申请日： 2016-01-08 - 公布日： 2016-06-22 - 主分类号： G06N3/08 文献下载
摘要：一种基于多局部搜索的神经网络进化方法，生成一个M层神经网络的种群，每个网络个体使用实数编码，网络个体中隐结点的个数和权值被随机初始化；计算每个网络个体的适应度值；根据网络个体的适应度从高到低选择个体生成新的种群；每个网络个体进行突变操作，突变的概率基于个体的适应度在种群中的排序；每个网络个体进行多局部搜索机制来调节网络中的隐结点个数和权值；使用一次迭代的BP算法来调整权值；计算子代个体的适应度值，并且将父代和子代合并成一个种群；使用精英策略选择个体生成新的种群；判断停止标准是否满足，如果不满足返回迭代，如果满足选择最优网络个体，并对测试集进行分类预测。本发明有效避免过早收敛、计算速度较快。
一种基于局部搜索神经网络进化方法

[发明专利]一种基于小生境和自适应负相关学习的进化神经网络集成方法-CN201610010275.2在审
发明人：单鹏霄;盛伟国;陈志强;卢梦雅;徐琪琪 -专利权人：浙江工业大学
申请日： 2016-01-08 - 公布日： 2016-06-15 - 主分类号： G06N3/08 文献下载
摘要：一种基于小生境和自适应负相关学习的进化神经网络集成方法，初始化M个网络个体的种群，每个网络个体的隐结点个数，结点间链接的数量和链接的权值都被随机初始化；根据适应度公式，计算种群中每个个体的适应度值；基于小生境的方法选择个体；对选择的个体进行交叉、变异操作，生成父代的子代；使用自适应的负相关学习方法更新每个网络个体的链接的权值；计算每个后代的适应度值，并且将子代与父代合并成一个种群；使用精英策略选择个体生成新的种群，并且将新生成的种群的个体按照适应度从高到低进行排序；联结所有网络个体形成网络集成，并对测试集进行分类预测。本发明有效平衡集成中网络个体的精确度和网络个体间的差异度、提升泛化能力。
一种基于小生境自适应相关学习进化神经网络集成方法

[发明专利]基于自适应小生境的遗传聚类方法-CN201310580924.9在审
发明人： 盛伟国;白丽叶;盛蒙蒙;单鹏霄;陈胜勇 -专利权人：浙江工业大学
申请日： 2013-11-18 - 公布日： 2014-03-05 - 主分类号： G06F17/30 文献下载
摘要：一种基于自适应小生境的遗传聚类方法。该方法针对较大数据或大数据的遗传聚类问题，提出一种基于自适应小生境的遗传聚类算法。首先，生成一个初始种群，选择父本交叉产生后代；然后，采用自适应RTS小生境方法为每一个后代个体选择一个相似度最高的种群个体，并与其进行生存竞争，若后代优于被选择的竞争个体，则代替其进入种群；该过程不断重复直至终止条件成立并最后给出种群的最优解。
基于自适应小生境遗传方法

[发明专利]基于遗传自动模糊聚类分析的无模板生物密钥生成方法-CN201310375864.7有效
发明人： 盛伟国;白丽叶;应豪超;卢梦雅;陈胜勇 -专利权人：浙江工业大学
申请日： 2013-08-26 - 公布日： 2014-02-12 - 主分类号： G06F21/32 文献下载
摘要：基于遗传自动模糊聚类分析的无模板生物密钥生成方法，步骤如下：1)从用户获取若干生物特征样本，计算每个生物特征样本的统计特征值，应用遗传自动模糊聚类算法对数据进行模糊聚类分析。2)通过模糊聚类结果，计算每个特征组件与每个簇的平均模糊隶属度，确定特征组件的稳定性。用得到的隶属度值衡量特征组件的稳定性。3)特征组件的选择。基于上一步中得到的特征组件稳定性结果，选择稳定性较高的特征组件用以生成密钥。4)生物密钥的生成。确定好每个用户的特征组件后，对于每个特征组件上的聚类结果，每个簇可用一个密钥位来标记。确定每个选定的特征组件相应的归属簇以及密钥位，通过组合得到的所有密钥位，即可为每个用户生成密钥。
基于遗传自动模糊聚类分析模板生物密钥生成方法

1
共 14 条