“肖春静”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5个，建议您升级VIP下载更多相关专利

[发明专利]基于权重递增的条件扩散模型的时间序列异常检测方法及装置-CN202310853533.3在审
发明人： 肖春静;杜翔鹤;薛玉霞;缑泽华;张磊 -专利权人：河南大学
申请日： 2023-07-12 - 公布日： 2023-09-22 - 主分类号： G06F18/2321 文献下载
摘要：本发明公开一种基于权重递增的条件扩散模型的时间序列异常检测方法及装置，该方法首先选择一部分时间序列数据作为观测值，其余数据作为缺失值，然后根据观测值来估计缺失点的值，最后根据估计错误来判定一个点是否为异常。采用基于密度比的策略灵活地选择观测值，可以轻松适用于异常集中的情况。本发明通过权重递增的条件扩散来增强缺失值的估计性能，可以显著提高生成数据质量，从而提升异常检测的稳定性。此外，本发明还设计了一个多尺度状态空间模型，以捕捉时间序列数据的长期依赖关系。实验结果表明，本发明表现明显优于当前最先进的模型；能够改善异常检测性能；在标记数据稀缺或异常点集中的情况下，提供了一种灵活的解决方案。
基于权重递增条件扩散模型时间序列异常检测方法装置

[发明专利]用于人体动作识别的基于扩散模型的自监督对比学习方法-CN202310434396.X在审
发明人： 肖春静;韩艳会;薛玉霞;杨帅涛;江雪;卢佳慧 -专利权人：河南大学
申请日： 2023-04-21 - 公布日： 2023-07-11 - 主分类号： G06F18/214 文献下载
摘要：本发明属于基于WiFi信道状态信息(CSI)的动作识别技术领域，公开一种用于人体动作识别的基于扩散模型的自监督对比学习方法，在对比学习框架基础上，主要提出了两个组件来满足CSI动作识别场景的需求，为了有效地扩大训练数据的分布，提出了一种针对时间序列的基于去噪扩散概率模型(DDPM)的数据增强模型，可以将两个样本结合起来生成多样化的增强数据，为了高效地捕捉样本重要性的差异，提出了一种自适应权重算法，可以自适应地调整正样本对的权重，以学习更好的数据表示。实验表明，与现有最先进方法相比，本发明取得了显著的提升。
用于人体动作识别基于扩散模型监督对比学习方法

[发明专利]一种针对行为识别的基于自监督少样本学习的动作序列分割方法-CN202111471435.0在审
发明人： 肖春静;陈世名;韩艳会;康红霞;王一凡 -专利权人：河南大学
申请日： 2021-12-04 - 公布日： 2022-03-01 - 主分类号： G06K9/00 文献下载
摘要：本发明属于传感器动作识别技术领域，公开一种针对行为识别的基于自监督少样本学习的动作序列分割方法，包括：构建自监督的少样本动作序列分割框架SFTSeg；该框架基于孪生神经网络，以大量源传感器的标记样本、少量目标传感器的标记样本、目标传感器的未标记样本作为输入数据；分别构建交叉熵损失函数、一致性正则化损失函数和自监督损失函数进行孪生神经网络训练；然后使用训练好的SFTSeg进行状态标签预测及活动分割。本发明在不同场景的不同传感器下，均有良好活动分割效果，且仅需很少的目标传感器标记样本即可达到良好活动分割效果。
一种针对行为识别基于监督样本学习动作序列分割方法

[实用新型]一种深度学习服务器承载结构-CN202122059541.X有效
发明人：彭嘉明;肖春静;赵寒雨;朱泽宇 -专利权人：河南大学
申请日： 2021-08-30 - 公布日： 2022-01-18 - 主分类号： G06F1/18 文献下载
摘要：本实用新型涉及服务器技术领域，具体涉及一种深度学习服务器承载结构，包括箱体，所述箱体一侧可拆卸连接有安装板，所述安装板一侧开设有多个圆形孔。本实用新型中，通过将安装板拆卸下，将服务器主板上的多个预开孔对准安装板上的各个圆形孔，将卡固机构上连接块捏住向主板按压，使两个弹性卡块贯穿主板预开孔和安装板，此时两个弹性卡块的端部卡住安装板侧壁，而板体抵住主板，再转动连接块使相连接的转动杆带动转动卡块同步转动，从而使转动卡块两端分别卡在相邻弹性卡块上的两个橡胶垫之间的缝隙中，从而使两个弹性卡块不会因意外情况而松动，同时可使用握持机构辅助进行安装和拆卸主板，从而方便使用人员快速安装服务器主板。
一种深度学习服务器承载结构

[发明专利]针对WiFi信号行为识别的基于深度学习的动作分割框架构建方法-CN202010718841.1在审
发明人： 肖春静;何海生;段宇晨;雷越;陈世名 -专利权人：河南大学
申请日： 2020-07-23 - 公布日： 2020-11-10 - 主分类号： G06K9/00 文献下载
摘要：本发明属于行为识别技术领域，公开一种针对WiFi信号行为识别的基于深度学习的动作分割框架构建方法，包括：通过CSI数据训练状态推断模型；通过大小为ω的滑动窗口将CSI数据划分为等长的数据段，设置滑动步长为1；采用训练好的状态推断模型推断数据段的标签；基于数据段的标签，确定人体动作的开始点和结束点，对人体动作进行分割提取；基于动作分割好的CSI数据，采用深度学习模型CNN作为行为分类模型，进行行为分类，并计算置信度作为反馈信息；将来自行为分类模型的反馈信息融入到状态推断模型的构建中，完成基于深度学习的动作分割框架的构建。本发明不需要依靠经验的噪声去除和阈值计算，解决了混合动作下动作分割性能下降问题。
针对 wifi 信号行为识别基于深度学习动作分割框架构建方法