专利名称
主分类
A 农业
B 作业;运输
C 化学;冶金
D 纺织;造纸
E 固定建筑物
F 机械工程、照明、加热
G 物理
H 电学
专利下载VIP
公布日期
2023-10-24 公布专利
2023-10-20 公布专利
2023-10-17 公布专利
2023-10-13 公布专利
2023-10-10 公布专利
2023-10-03 公布专利
2023-09-29 公布专利
2023-09-26 公布专利
2023-09-22 公布专利
2023-09-19 公布专利
更多 »
专利权人
国家电网公司
华为技术有限公司
浙江大学
中兴通讯股份有限公司
三星电子株式会社
中国石油化工股份有限公司
清华大学
鸿海精密工业股份有限公司
松下电器产业株式会社
上海交通大学
更多 »
钻瓜专利网为您找到相关结果1637589个,建议您升级VIP下载更多相关专利
  • [发明专利]一种去多义性的文本输入系统-CN01109274.2无效
  • 杨东宁 - 杨东宁
  • 2001-03-05 - 2002-10-09 - G06F17/22
  • 一种去多义性的文本输入系统,具有预测提示功能;在输入一个键序列后,程序搜索存储器中以该键序列开头的键序列,将这些键序列中的所有后续第一个键作为有效后续字符键;程序还搜索该键序列相关联的字符序列,将字符序列显示在不作为有效后续字符键的键所对应的屏幕分区上,这些键可以包括字符键;输入不作为有效后续字符键的键将被解释为选择其对应的屏幕分区上的字符序列。该文本系统提高了字符键的输入效率;并在汉语拼音方面能有效方便地提供一种直观的输入方式。
  • 一种多义性文本输入系统
  • [发明专利]一种基于De Bruijn图的多序列比对方法-CN202210718465.5在审
  • 吴建盛;苗雨露 - 南京邮电大学
  • 2022-06-23 - 2022-10-18 - G16B30/10
  • 本发明提供了一种基于De Bruijn图的多序列比对方法,包括以下步骤:步骤S100,将输入序列分割成序列片段;步骤S200,利用序列片段构造De Bruijn图,每一序列片段为一节点;步骤S300,利用深度优先搜索算法剔除De Bruijn图中的环路;步骤S400,利用Bellman‑Ford算法获取最优权值路径作为中心序列;步骤S500,将中心序列输入序列两两比对,并更新中心序列;步骤S600,更新后的中心序列再与输入序列两两比对
  • 一种基于debruijn序列方法
  • [发明专利]一种基于多时间尺度的主任务优先预测方法-CN202310381960.6在审
  • 高旻;武宇江 - 重庆大学
  • 2023-04-11 - 2023-08-15 - G06Q10/04
  • 本发明提供了一种基于多时间尺度的主任务优先预测方法,包括:获取待预测时间序列以及待预测时间序列的N个相关时间序列,将待预测时间序列作为主任务序列,将相关时间序列作为辅任务序列,分别提取主任务序列和N个辅任务序列中的月序列、年序列和近期序列并构成输入序列;将输入序列输入训练好的预测模型,预测模型包括近期趋势塔、月趋势塔、年趋势塔、主任务套接字、N个辅任务套接字、主任务解码器和N个辅任务解码器。主任务序列和辅任务序列协同提取不同时间尺度的公共特征,充分利用了时间序列数据之间的相关关系进行预测,提高了时间序列预测精度。
  • 一种基于多时尺度主任优先预测方法
  • [发明专利]一种多尺度自适应图学习的多变量时间序列预测方法-CN202111298623.8在审
  • 陈岭;陈东辉;张友东;文波;杨成虎 - 浙江大学
  • 2021-11-04 - 2022-03-11 - G06K9/62
  • 本发明公开了一种多尺度自适应图学习的多变量时间序列预测方法,包括:将训练样本集输入至多尺度金字塔网络得到每个训练样本的多尺度初始子序列集;基于自适应图学习模块得到每个尺度的邻接矩阵;将每个时刻序列与对应尺度的邻接矩阵同时输入至图神经网络得到每个时刻序列的表示序列,将表示序列输入至时间卷积网络得到每个尺度最终子序列,将多尺度最终子序列输入至多尺度融合模块,将每个训练样本多尺度融合数据输入至多层卷积神经网络映射得到每个训练样本的多变量时间序列预测值;基于损失函数确定模型参数,从而确定多尺度自适应图学习的多变量时间序列预测模型;该方法能够准确预测选定场景的预测值。
  • 一种尺度自适应学习多变时间序列预测方法
  • [发明专利]一种单变量时间序列变化点检测方法-CN202110461210.0在审
  • 杜海舟;段子怡 - 上海电力大学
  • 2021-04-27 - 2021-07-27 - G06Q10/04
  • 本发明公开了一种单变量时间序列变化点检测方法,包括:选择目标序列和相关输入序列,并输入时间序列预测模块,预测目标序列,并评估预测性能;将目标序列预测值、目标序列实际值输入变化点检测模块,计算每个点对应的异常分数;根据高斯分布,确定阈值范围,并选择最佳阈值L;基于异常分数、最佳阈值L,根据变化点选择策略识别变化点,输出检测出的变化点位置集合;根据集合和实际目标序列中变化点的标签,输出变化点检测结果并可视化,基于评估指标评估检测性能,实现单变量时间序列变化点检测。本发明可以在长时间序列检测中减少误差累积,同时有效处理多个相关序列,实现输入特征的提取及融合,提高检测准确性和模型性能。
  • 一种变量时间序列变化检测方法
  • [发明专利]周期性综合包络序列生成装置、方法、记录介质-CN201910728046.8有效
  • 守谷健弘;镰本优;原田登 - 日本电信电话株式会社
  • 2015-02-20 - 2022-10-21 - G10L19/06
  • 提供能够提高音频信号的基音周期引起的波峰的附近的近似精度的包络序列以及周期性综合包络序列生成装置、方法、程序、记录介质。本发明的周期性综合包络序列生成装置,将预定的时间区间即帧单位的时域的音频数字信号作为输入音频信号,作为包络序列而生成周期性综合包络序列。本发明的周期性综合包络序列生成装置至少包括频谱包络序列计算部和周期性综合包络生成部。频谱包络序列计算部基于输入音频信号的时域的线性预测,计算输入音频信号的频谱包络序列。周期性综合包络生成部基于输入音频信号在频域中的周期性分量,对频谱包络序列进行变形,并设为周期性综合包络序列
  • 周期性综合包络序列生成装置方法记录介质
  • [发明专利]周期性综合包络序列生成装置、方法、记录介质-CN201910728067.X有效
  • 守谷健弘;镰本优;原田登 - 日本电信电话株式会社
  • 2015-02-20 - 2022-10-21 - G10L19/06
  • 提供能够提高音频信号的基音周期引起的波峰的附近的近似精度的包络序列以及周期性综合包络序列生成装置、方法、程序、记录介质。本发明的周期性综合包络序列生成装置,将预定的时间区间即帧单位的时域的音频数字信号作为输入音频信号,作为包络序列而生成周期性综合包络序列。本发明的周期性综合包络序列生成装置至少包括频谱包络序列计算部和周期性综合包络生成部。频谱包络序列计算部基于输入音频信号的时域的线性预测,计算输入音频信号的频谱包络序列。周期性综合包络生成部基于输入音频信号在频域中的周期性分量,对频谱包络序列进行变形,并设为周期性综合包络序列
  • 周期性综合包络序列生成装置方法记录介质
  • [发明专利]一种信号模式识别方法及装置-CN201911108214.X有效
  • 请求不公布姓名 - 创耀(苏州)通信科技股份有限公司
  • 2019-11-13 - 2023-06-30 - G06F18/24
  • 本发明公开了一种信号模式识别方法及装置,该信号模式识别方法的具体步骤包括:获取输入信号的采样序列;根据所述输入信号的采样序列和预设的CSS子符号计算序列互相关值;对所述序列互相关值进行延迟处理,得到经过不同延迟的第二序列互相关值;根据所述第二序列互相关值进行组合生成序列互相关值组;根据所述序列互相关值组计算同步识别度量值;根据所述同步识别度量值识别所述输入信号的信号模式。通过实施本发明,与预设的子符号做序列相关运算,根据同步识别度量值识别输入信号的信号模式,减少运算量。
  • 一种信号模式识别方法装置

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

400-8765-105周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top