“姜芃旭”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9个，建议您升级VIP下载更多相关专利

[发明专利]一种基于EDLines直线检测的索力实时测量方法-CN202310050919.0在审
发明人：于姗姗;姜芃旭;郭耀耀;蓝定潮;房菊;吉雨婷 -专利权人：江苏科技大学
申请日： 2023-02-02 - 公布日： 2023-06-13 - 主分类号： G01L5/04 文献下载
摘要：本发明公开了一种基于EDLines直线检测的索力实时测量方法，相机同步采集多根拉索在同一视场的计算图，首先选择各拉索的计算区域ROI进行直线特征检测，进而计算直线特征到ROI原点的距离，通过对连续采集到的图像重复该操作就可以获得直线特征在其法线方向的像素位移，除了提取拉索位移，还需要计算拉索之间的相对位移，对位移进行FFT变换，最后采用频率法计算拉索的索力。本发明一方面克服了传统加速度计测量方法效率低、布置繁琐的局限性，可以实现全场多点同步测量；另一方面克服了复杂背景以及相机扰动的影响，提高索力监测的准确性。
一种基于 edlines 直线检测实时测量方法

[发明专利]一种用于语音测谎的半监督加性噪声自编码器-CN201910239533.8有效
发明人：雷沛之;傅洪亮;陶华伟;姜芃旭;王少航;方元博;王珂;张建华 -专利权人：河南工业大学
申请日： 2019-03-27 - 公布日： 2023-03-24 - 主分类号： G06F18/214 文献下载
摘要：现有的语音谎言检测算法受制于难以获得足量的带标签语音数据，而现实中大量易得的无标签数据却被忽视，针对这一问题，本发明提出了一种用于语音测谎的半监督加性噪声自编码器，它包含有两层的编码和解码网络，以及一个分类器。该模型首先根据语音谎言的特征改变了网络中的激活函数，其次为了防止过拟合，在每一个网络层都增加了dropout，最后在编码输出部分直接连接了分类器使网络简洁高效。数据输入模型后，先经过编码网络提取特征，之后不仅进入解码网络进行重构，还要进入分类器进行分类。无标签数据保证了模型的泛化性，有标签数据可以保证提取到的特征更适合分类，因此，我们的模型充分利用了有标签和无标签数据的价值。
一种用于语音监督噪声编码器

[发明专利]考虑大气扰动的相机链桥梁挠度测量方法及其测量装置-CN202211374562.3在审
发明人：于姗姗;张建;姜芃旭;蓝定潮;郭耀耀;吉雨婷;房菊 -专利权人：江苏科技大学
申请日： 2022-11-01 - 公布日： 2023-03-21 - 主分类号： G01M5/00 文献下载
摘要：本发明公开了一种考虑大气扰动的相机链桥梁挠度测量方法，提出从降维，即只关注与测量位移相关的相机姿态、考虑系统随动姿态和倾角传感约束三方面对传统的对视消扰结构进行优化设计，建立大气扰动与相机随动耦合作用下的降维对视消扰和桥梁挠度测量模型，最终形成一种考虑大气扰动像点漂移的相机链桥梁挠度在线测量方法。并提供了其测量装置。本发明为桥梁结构的智慧诊断与运维提供重要的技术支撑，进一步提高了在远距离测量时的精度，本发明中每个测站的标志点只需要一个红外灯即可，降低了工程实施难度和测量成本，缩短了响应的数据提取时间，降低成本。
考虑大气扰动相机桥梁挠度测量方法及其测量装置

[发明专利]一种具有多输入多融合策略的双BiLSTM的语音情感识别方法-CN201911072974.X有效
发明人：陶华伟;方元博;傅洪亮;张建华;姜芃旭;雷沛之;庄志豪;刘曼 -专利权人：河南工业大学
申请日： 2019-11-05 - 公布日： 2021-12-24 - 主分类号： G10L25/63 文献下载
摘要：本发明公布了一种面向语音情感分类的具有多输入多融合策略的双BiLSTM结构。首先，提取语音信号中的Mel谱特征和统计特征两种帧级特征，然后将两种特征同时输入两个双向LSTM网络进行学习，分别应用注意力机制和平均池化操作将两个双向LSTM的输出进行拼接得到基于各帧的注意加权和及平均的两种高级特征，最后，将这两种特征进行融合及批归一化处理后，使用softmax分类器进行语音情感识别。我们的DABL模型同时处理两种不同类型的特征，以便更好地了解情绪中的细微变化。在“EMO‑DB”数据集上的实验结果表明了本文方法的优越性。
一种具有输入融合策略 bilstm 语音情感识别方法

[发明专利]一种基于多头注意力机制融合的卷积递归神经网络模型-CN202110467449.9在审
发明人：陶华伟;方元博;傅洪亮;姜芃旭;韩伟良;刘曼;庄志豪 -专利权人：河南工业大学
申请日： 2021-04-28 - 公布日： 2021-11-30 - 主分类号： G10L25/30 文献下载
摘要：本发明公开了一种基于多头注意力机制融合的卷积递归神经网络模型。首先，提出了一种全卷积网络用于提取语音谱图情感特征，该网络以Alexnet网络为基础模型，通过在Alexnet网络池化层后添加分支的方法阻止情感信息损失；采用2层BiLSTM网络提取语音帧级情感特征，并将BiLSTM网络与全卷积网络并行连接，组成混合网络，用于提取语音情感特征；其次，提出了一种基于多头注意力机制的特征融合算法，该方法利用多头注意力机制实现Alexnet网络与BiLSTM网络特征自适应融合，同时，为抑制网络梯度发散，将混合网络提取的特征与多头注意力融合特征通过shortcut connection连接，构成用于情感识别的特征；最后，将特征送入softmax分类器中，实现情感分类。
一种基于多头注意力机制融合卷积递归神经网络模型

[发明专利]具有多重注意机制的卷积循环神经网络的语音情感识别方法-CN202110695847.6在审
发明人： 姜芃旭;梁瑞宇;赵力;徐新洲;陶华伟 -专利权人：东南大学
申请日： 2021-06-23 - 公布日： 2021-09-28 - 主分类号： G10L25/63 文献下载
摘要：本发明公布了一种具有多重注意机制的卷积循环神经网络的语音情感识别方法，包括：步骤1，提取谱图特征和帧级特征。步骤2，谱图特征输送进CNN模块来学习特征中的时频相关信息。步骤3，多头自注意力层作用于CNN模块来计算不同规模的全局特征下不同帧的权重，并融合CNN中不同深度的特征。步骤4，一个多维注意层作用于LSTM输入的帧级特征来综合考虑局部特征与全局特征的关系。步骤5，处理过的帧级特征输送进LSTM模型中来获取特征中的时间信息。步骤6，一个融合层来总结不同模块的输出来增强模型性能。步骤7，利用Softmax分类器对不同情感进行分类。本发明结合深度学习网络，模块内部采用并行的连接结构来同时处理特征，能够有效的提升语音情感识别的性能。
具有多重注意机制卷积循环神经网络语音情感识别方法

[发明专利]一种用于语音测谎的栈式去噪自编码器及深度神经网络结构-CN201910518672.4有效
发明人：方元博;陶华伟;傅洪亮;雷沛之;姜芃旭 -专利权人：河南工业大学
申请日： 2019-06-15 - 公布日： 2021-07-13 - 主分类号： G10L19/012 文献下载
摘要：现有的语音谎言检测算法常采用的特征是组合特征，特征冗余较大，针对这一问题，本发明公布了一种面向语音谎言检测的栈式去噪自编码及深度神经网络（SDAE‑DNN）结构。它包含有两层的编码和解码网络以及后接DNN网络。该结构首先使用两层去噪自编码结构降低特征的冗余，其中为了防止过拟合，在栈式去噪自编码器的每一个网络层都增加了dropout，然后采用一层DNN网络进一步学习特征，最后使用softmax分类器对网络进行微调，得到了更加具有表征性的特征，从而提升网络对于谎言的识别效果。
一种用于语音栈式去噪编码器深度神经网络结构

[发明专利]一种基于谱图特征的并行卷积循环神经网络的语音情感识别方法-CN201910901182.2在审
发明人： 姜芃旭;雷沛之;傅洪亮 -专利权人：河南工业大学
申请日： 2019-09-23 - 公布日： 2019-12-03 - 主分类号： G10L25/03 文献下载
摘要：本发明公布了一种基于谱图特征的并行卷积循环神经网络的语音情感识别方法。包括以下步骤：首先，从每条语音中提取帧级特征，并利用长短期记忆网络逐帧进行高级特征提取。同时，计算帧级特征的一阶差分以及二阶差分，并将其组合成三维特征，通过卷积神经网络来对这些三维特征进行高级特征提取。然后将两个高级特征融合并进行批归一化处理。最后，使用SoftMax分类器对情感进行分类。本发明的基于谱图特征的并行卷积循环神经网的语音情感识别方法，模块内部采用并行的连接结构来同时处理谱图特征，能够有效的提升语音情感识别的性能。
高级特征语音情感并行卷积三维特征帧级卷积神经网络循环神经网络归一化处理记忆网络连接结构分类器神经网二阶一阶逐帧并行语音分类融合

[发明专利]一种基于卷积神经网络和简单循环单元的语音情感识别方法-CN201910901171.4在审
发明人： 姜芃旭;雷沛之;傅洪亮 -专利权人：河南工业大学
申请日： 2019-09-23 - 公布日： 2019-11-22 - 主分类号： G10L25/30 文献下载
摘要：本发明公布了一种基于卷积神经网络和简单循环单元的语音情感识别方法。首先，提取出语音中的谱图特征及其一阶差分和二阶差分，组合成三维特征。将这些特征在时间轴上分割成固定的片段数，并使用在ImageNet数据集上初始化参数的Alexnet网络取出每个分段特征的高级特征。因为这些分段的高级特征在时间上具有相关性，我们将这些特征通过一个简单循环单元来进行聚合。最后，使用SoftMax分类器对情感进行分类。本发明的基于卷积神经网络和简单循环单元的语音情感识别方法，方法新颖，能够有效的提升语音情感识别的性能。
简单循环语音情感卷积神经网络高级特征初始化参数分段特征三维特征分类器固定的时间轴数据集二阶一阶分段聚合取出语音分割分类网络

1
共 9 条