CN109344881B - 一种基于时空连续性的扩展分类器 - Google Patents

一种基于时空连续性的扩展分类器 Download PDF

Info

Publication number
CN109344881B
CN109344881B CN201811058620.5A CN201811058620A CN109344881B CN 109344881 B CN109344881 B CN 109344881B CN 201811058620 A CN201811058620 A CN 201811058620A CN 109344881 B CN109344881 B CN 109344881B
Authority
CN
China
Prior art keywords
classifier
probability density
terrain
training
line
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201811058620.5A
Other languages
English (en)
Other versions
CN109344881A (zh
Inventor
康宇
吕文君
李泽瑞
昌吉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hefei Zhongke Liheng Intelligent Technology Co ltd
Kang Yu
Lv Wenjun
Original Assignee
University of Science and Technology of China USTC
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by University of Science and Technology of China USTC filed Critical University of Science and Technology of China USTC
Priority to CN201811058620.5A priority Critical patent/CN109344881B/zh
Publication of CN109344881A publication Critical patent/CN109344881A/zh
Application granted granted Critical
Publication of CN109344881B publication Critical patent/CN109344881B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G06F18/24155—Bayesian classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种基于时空连续性的扩展分类器，包括离线训练、在线分类、在线修正三个部分，其优点在于：1)利用贝叶斯滤波器能够显著提升分类精度；2)利用贝叶斯平滑器能够显著提升历史滤波精度；3)通过对平滑结果和分类结果的在线分析，能够筛选出误分类样例，进而利用这些样例对分类器进行增量训练，能够提升其泛化性能；4)平滑‑分类结果的在线分析还可以用于修正贝叶斯滤波器的参数，从而降低其在状态突变时由于惯性导致的低精度问题。

Description

一种基于时空连续性的扩展分类器
技术领域
本发明涉及机器学习领域，特别是涉及一种基于时空连续性的扩展分类器。
背景技术
分类是机器学习的一种非常重要的问题。分类的概念是在已有数据的基础上学会一个分类函数或构造出一个分类模型(即我们通常所说的分类器。该函数或模型能够把数据库中的数据纪录映射到给定类别中的某一个，从而可以应用于数据预测。总之，分类器是机器学习中对样本进行分类的方法的统称，包含决策树、逻辑回归、朴素贝叶斯、神经网络等算法。
分类器的构造和实施大体会经过以下几个步骤：选定样本(包含正样本和负样本)，将所有样本分成训练样本和测试样本两部分；在训练样本上执行分类器算法，生成分类模型；在测试样本上执行分类模型，生成预测结果；根据预测结果，计算必要的评估指标，评估分类模型的性能。
泛化能力是指机器学习算法对新鲜样本的适应能力。学习的目的是学到隐含在数据背后的规律，对具有同一规律的学习集以外的数据，经过训练的网络也能给出合适的输出，该能力称为泛化能力。训练数据的完整性是决定泛化能力的一个主要因素。在现实中，往往很难在训练阶段将所有可能的样本收集完整，这就需要分类器能够在在线运行中主动进行增量学习，自我调整以达到最大的泛化能力。
发明内容
本发明技术克服现有技术的不足，解决了分类器泛化能力不足的问题。
本发明采用的技术方案如下：提出一种基于时空连续性的扩展分类器，包括离线训练、在线分类、在线修正三个部分，其中：
1、离线训练部分
1.1采集原始数据；
1.2对1.1获取的原始数据进行特征提取并归一化，得到训练样本集合；
1.3对1.2获取的训练样本集合进行标记，得到训练样例集合；
1.4基于1.3获取训练样例集合训练分类器，得到训练好的分类器
Figure BDA0001796480780000021
2、在线预测部分
2.1获取时间t的样本st，利用分类器
Figure BDA0001796480780000022
进行预测，得到状态预测结果
Figure BDA0001796480780000023
2.2基于2.1获取的状态预测结果yt进行贝叶斯滤波，计算先验概率密度
Figure BDA0001796480780000024
和后验概率密度
Figure BDA0001796480780000025
如下所示：
Figure BDA0001796480780000026
Figure BDA0001796480780000027
其中，xt表示时间t的状态，可以取{1，2，…，λ}共λ个离散值，Yt＝{y1，y2，…，yt}，
Figure BDA0001796480780000028
为状态转移概率密度，
Figure BDA0001796480780000029
为分类混淆概率密度；
2.3基于2.2获取的后验概率密度
Figure BDA00017964807800000210
可以得到yt的滤波值
Figure BDA00017964807800000211
如下所示：
Figure BDA00017964807800000212
3、在线校正部分
3.1基于2.2获取的后验概率密度
Figure BDA00017964807800000213
计算先验概率密度
Figure BDA00017964807800000214
和后验概率密度
Figure BDA00017964807800000215
如下所示：
Figure BDA00017964807800000216
Figure BDA00017964807800000217
其中，k＜t；
3.2基于3.1获取的后验概率密度
Figure BDA00017964807800000218
可以得到yk的平滑值
Figure BDA00017964807800000219
如下所示：
Figure BDA00017964807800000220
并存储得到平滑值序列
Figure BDA00017964807800000221
其中，τ为延迟系数；
3.3基于3.2获取的平滑值序列
Figure BDA00017964807800000222
提取被错误分类的样本，用相应的平滑值进行标记，得到在线训练样例，然后利用这些样例对分类器进行增量训练，实现了分类器
Figure BDA00017964807800000223
的校正；同时，对
Figure BDA00017964807800000224
进行统计得到混淆矩阵，用来调整
Figure BDA00017964807800000225
进而隐式地实现了贝叶斯滤波器的校正。
其中，所述的步骤1.4、2.1、3.3所述涉及的分类器
Figure BDA00017964807800000226
为能够进行增量学习的分类器。
其中，所述涉及的分类器
Figure BDA00017964807800000310
为决策树、神经网络、支持向量机。
本发明与现有技术相比，其优点在于：1)利用贝叶斯滤波器能够显著提升分类精度；2)利用贝叶斯平滑器能够显著提升历史滤波精度；3)通过对平滑结果和分类结果的在线分析，能够筛选出误分类样例，进而利用这些样例对分类器进行增量训练，能够提升其泛化性能；4)平滑-分类结果的在线分析还可以用于修正贝叶斯滤波器的参数，从而降低其在状态突变时由于惯性导致的低精度问题。
附图说明
图1为本发明一种基于时空连续性的扩展分类器原理框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图与具体实施例对本发明进行详细说明。
如图1所示，本发明一种基于时空连续性的扩展分类器，包括离线训练、在线分类、在线修正三个部分，其中：
1、离线训练部分
1.1采集原始数据；
1.2对1.1获取的原始数据进行特征提取并归一化，得到训练样本集合；
1.3对1.2获取的训练样本集合进行标记，得到训练样例集合；
1.4基于1.3获取训练样例集合训练分类器，得到训练好的分类器
Figure BDA0001796480780000031
2、在线预测部分
2.1获取时间t的数据，提取特征并归一化得到样本st，利用分类器
Figure BDA0001796480780000032
进行预测，得到状态预测结果
Figure BDA0001796480780000033
2.2基于2.1获取的状态预测结果yt进行贝叶斯滤波，计算先验概率密度
Figure BDA0001796480780000034
和后验概率密度
Figure BDA0001796480780000035
如下所示：
Figure BDA0001796480780000036
Figure BDA0001796480780000037
其中，xt表示时间t的状态，可以取{1，2，…，λ}共λ个离散值，Yt＝{y1，y2，…，yt)，
Figure BDA0001796480780000038
为状态转移概率密度，
Figure BDA0001796480780000039
为分类混淆概率密度；
2.3基于2.2获取的后验概率密度
Figure BDA0001796480780000041
可以得到yt的滤波值
Figure BDA0001796480780000042
如下所示：
Figure BDA0001796480780000043
3、在线校正部分
3.1基于2.2获取的后验概率密度
Figure BDA0001796480780000044
计算先验概率密度
Figure BDA0001796480780000045
和后验概率密度
Figure BDA0001796480780000046
如下所示：
Figure BDA0001796480780000047
Figure BDA0001796480780000048
其中，k＜t；
3.2基于3.1获取的后验概率密度
Figure BDA0001796480780000049
可以得到yk的平滑值
Figure BDA00017964807800000410
如下所示：
Figure BDA00017964807800000411
并存储得到平滑值序列
Figure BDA00017964807800000412
其中，τ为延迟系数；
3.3基于3.2获取的平滑值序列
Figure BDA00017964807800000413
提取被错误分类的样本，用相应的平滑值进行标记，得到在线训练样例，然后利用这些样例对分类器进行增量训练，实现了分类器
Figure BDA00017964807800000414
的校正；同时，对
Figure BDA00017964807800000415
进行统计得到混淆矩阵，用来调整
Figure BDA00017964807800000416
进而隐式地实现了贝叶斯滤波器的校正。
优选地，步骤1.4、2.1、3.3所涉及的分类器
Figure BDA00017964807800000417
为能够进行增量学习的分类器；进一步地，这些分类器可以为决策树、神经网络、支持向量机。
实施例：
基于本发明的一个典型应用是基于振动信号的地形分类方法，包括离线训练、在线分类、在线修正三个部分，其中：
1、离线训练部分
1.1控制移动机器人在希望被识别的地形上收集振动时间序列，以每N个点为1个振动帧，将该振动时间序列转换为振动帧集合；
1.2对1.1获取的振动帧集合中的振动帧进行快速傅里叶变换，变换结果即为每个振动帧的特征，一个特征向量表示一个样本；然后进行归一化处理，进而得到训练样本集合；
1.3对1.2获取的训练样本集合进行标记，为每个样本标记其对应的地形，得到训练样例集合；
1.4基于1.3获取训练样例集合训练分类器，得到训练好的分类器
Figure BDA0001796480780000051
2、在线预测部分
2.1获取时间t的振动帧，转换得到样本st，利用分类器
Figure BDA0001796480780000052
进行预测，得到地形预测结果
Figure BDA0001796480780000053
2.2基于2.1获取的地形预测结果yt进行贝叶斯滤波，计算先验概率密度
Figure BDA0001796480780000054
和后验概率密度
Figure BDA0001796480780000055
如下所示：
Figure BDA0001796480780000056
Figure BDA0001796480780000057
其中，xt表示时间t的真实地形，可以取{1，2，…，λ}共λ种地形，Yt＝{y1，y2，…，yt}表示从时间1到t的所有地形预测结果，
Figure BDA0001796480780000058
为地形转移概率密度，
Figure BDA0001796480780000059
为分类混淆概率密度，其中，一般可设定
Figure BDA00017964807800000510
0＜μ＜1，
Figure BDA00017964807800000511
2.3基于2.2获取的后验概率密度
Figure BDA00017964807800000512
可以得到yt的滤波值
Figure BDA00017964807800000513
如下所示：
Figure BDA00017964807800000514
3、在线校正部分
3.1基于2.2获取的后验概率密度
Figure BDA00017964807800000515
计算先验概率密度
Figure BDA00017964807800000516
和后验概率密度
Figure BDA00017964807800000517
如下所示：
Figure BDA00017964807800000518
Figure BDA00017964807800000519
其中，k＜t；
3.2基于3.1获取的后验概率密度
Figure BDA00017964807800000520
可以得到yk的平滑值
Figure BDA00017964807800000521
如下所示：
Figure BDA00017964807800000522
并存储得到平滑值序列
Figure BDA00017964807800000523
其中，τ＞0为延迟系数；
3.3基于3.2获取的平滑值序列
Figure BDA00017964807800000524
提取被错误分类的样本，用相应的平滑值进行标记，得到在线训练样例，然后利用这些样例对分类器进行增量训练，实现了分类器
Figure BDA00017964807800000525
的校正；同时，对
Figure BDA00017964807800000526
进行统计得到混淆矩阵，用来调整
Figure BDA00017964807800000527
进而隐式地实现了贝叶斯滤波器的校正。
优选地，步骤1.4、2.1、3.3所涉及的分类器C为能够进行增量学习的分类器；进一步地，这些分类器可以为决策树、神经网络、支持向量机。
还可以应用到机器学习的其他领域。
提供以上实施例仅仅是为了描述本发明的目的，而并非要限制本发明的范围。本发明的范围由所附权利要求限定。不脱离本发明的精神和原理而做出的各种等同替换和修改，均应涵盖在本发明的范围之内。

Claims (3)

1.一种用于机器人地形分类的基于时空连续性的扩展分类器，其特征在于：包括离线训练、在线分类、在线修正三个部分，其中：
1、离线训练部分
1.1控制移动机器人在希望被识别的地形上收集振动时间序列，以每N个点为1个振动帧，将该振动时间序列转换为振动帧集合；
1.2对1.1获取的振动帧集合中的振动帧进行快速傅里叶变换，变换结果即为每个振动帧的特征，一个特征向量表示一个样本；然后进行归一化处理，进而得到训练样本集合；
1.3对1.2获取的训练样本集合进行标记，为每个样本标记其对应的地形，得到训练样例集合；
1.4基于1.3获取训练样例集合训练分类器，得到训练好的分类器
Figure FDA0002755821440000011
2、在线预测部分
2.1获取时间t的振动帧，转换得到样本st，利用分类器
Figure FDA0002755821440000012
进行预测，得到地形预测结果
Figure FDA0002755821440000013
2.2基于2.1获取的地形预测结果yt进行贝叶斯滤波，计算先验概率密度
Figure FDA0002755821440000014
和后验概率密度
Figure FDA0002755821440000015
如下所示：
Figure FDA0002755821440000016
Figure FDA0002755821440000017
其中，xt表示时间t的真实地形，可以取{1，2，…，λ}共λ种地形，Yt＝{y1，y2，…，yt}表示从时间1到t的所有地形预测结果，
Figure FDA0002755821440000018
为地形转移概率密度，
Figure FDA0002755821440000019
为分类混淆概率密度，其中，设定
Figure FDA00027558214400000110
2.3基于2.2获取的后验概率密度
Figure FDA00027558214400000111
可以得到yt的滤波值
Figure FDA00027558214400000112
如下所示：
Figure FDA00027558214400000113
3、在线校正部分
基于2.2获取的后验概率密度
Figure FDA00027558214400000114
计算先验概率密度
Figure FDA00027558214400000115
和后验概率密度
Figure FDA0002755821440000021
如下所示：
Figure FDA0002755821440000022
Figure FDA0002755821440000023
其中，k＜t；
3.2基于3.1获取的后验概率密度
Figure FDA0002755821440000024
可以得到yk的平滑值
Figure FDA0002755821440000025
如下所示：
Figure FDA0002755821440000026
并存储得到平滑值序列
Figure FDA0002755821440000027
其中，τ＞0为延迟系数；
3.3基于3.2获取的平滑值序列
Figure FDA0002755821440000028
提取被错误分类的样本，用相应的平滑值进行标记，得到在线训练样例，然后利用这些样例对分类器进行增量训练，实现了分类器
Figure FDA0002755821440000029
的校正；同时，对
Figure FDA00027558214400000210
进行统计得到混淆矩阵，用来调整
Figure FDA00027558214400000211
进而隐式地实现了贝叶斯滤波器的校正。
2.如权利要求1所述的一种用于机器人地形分类的基于时空连续性的扩展分类器，其特征在于，所述的步骤1.4、2.1、3.3所述的分类器
Figure FDA00027558214400000212
为能够进行增量学习的分类器。
3.如权利要求2所述的一种用于机器人地形分类的基于时空连续性的扩展分类器，其特征在于，所述的分类器
Figure FDA00027558214400000213
为决策树、神经网络、支持向量机。
CN201811058620.5A 2018-09-11 2018-09-11 一种基于时空连续性的扩展分类器 Active CN109344881B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811058620.5A CN109344881B (zh) 2018-09-11 2018-09-11 一种基于时空连续性的扩展分类器

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811058620.5A CN109344881B (zh) 2018-09-11 2018-09-11 一种基于时空连续性的扩展分类器

Publications (2)

Publication Number Publication Date
CN109344881A CN109344881A (zh) 2019-02-15
CN109344881B true CN109344881B (zh) 2021-03-09

Family

ID=65305018

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811058620.5A Active CN109344881B (zh) 2018-09-11 2018-09-11 一种基于时空连续性的扩展分类器

Country Status (1)

Country Link
CN (1) CN109344881B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114063148B (zh) * 2020-07-31 2023-09-26 中国石油天然气股份有限公司 一种基于贝叶斯判别的折射波初至优选方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO1998052011A2 (en) * 1997-05-14 1998-11-19 Emory University Systems and methods for analyzing phantom images
CN101813475A (zh) * 2010-04-24 2010-08-25 上海交通大学 远距离障碍的自适应检测方法
EP2405383A1 (en) * 2010-07-06 2012-01-11 BAE Systems PLC Assisting with guiding a vehicle over terrain
CN104655425A (zh) * 2015-03-06 2015-05-27 重庆大学 基于稀疏表示和大间隔分布学习的轴承故障分类诊断方法
CN105426858A (zh) * 2015-11-26 2016-03-23 哈尔滨工业大学 一种基于视觉和振动信息融合的地面类型辨识方法
CN105787434A (zh) * 2016-02-01 2016-07-20 上海交通大学 基于惯性传感器的人体运动模式识别方法
CN106355056A (zh) * 2016-08-31 2017-01-25 厦门市杜若科技有限公司 一种进行时空唯一性与连续性判断的身份鉴别方法与系统

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB2557818A (en) * 2015-09-25 2018-06-27 Veracyte Inc Methods and compositions that utilize transciptome sequencing data in machine learning-based classification
EP3343431A1 (en) * 2016-12-28 2018-07-04 Volvo Car Corporation Method and system for vehicle localization from camera image
CN107527023B (zh) * 2017-08-07 2021-05-25 西安理工大学 基于超像素和主题模型的极化sar图像分类方法
CN108364016A (zh) * 2018-01-12 2018-08-03 华南理工大学 基于多分类器的渐进式半监督分类方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO1998052011A2 (en) * 1997-05-14 1998-11-19 Emory University Systems and methods for analyzing phantom images
CN101813475A (zh) * 2010-04-24 2010-08-25 上海交通大学 远距离障碍的自适应检测方法
EP2405383A1 (en) * 2010-07-06 2012-01-11 BAE Systems PLC Assisting with guiding a vehicle over terrain
CN104655425A (zh) * 2015-03-06 2015-05-27 重庆大学 基于稀疏表示和大间隔分布学习的轴承故障分类诊断方法
CN105426858A (zh) * 2015-11-26 2016-03-23 哈尔滨工业大学 一种基于视觉和振动信息融合的地面类型辨识方法
CN105787434A (zh) * 2016-02-01 2016-07-20 上海交通大学 基于惯性传感器的人体运动模式识别方法
CN106355056A (zh) * 2016-08-31 2017-01-25 厦门市杜若科技有限公司 一种进行时空唯一性与连续性判断的身份鉴别方法与系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
《Adaptive Bayesian Filtering for Vibration-Based Terrain Classification》;Komma P et al;《2009 IEEE of Robotics and Automation》;20090624;全文 *
《朴素贝叶斯分类器在地形评估中的应用方法》;钱玲飞;《计算机工程与应用》;20050526;第41卷(第12期);全文 *

Also Published As

Publication number Publication date
CN109344881A (zh) 2019-02-15

Similar Documents

Publication Publication Date Title
CN109816221B (zh) 项目风险决策方法、装置、计算机设备和存储介质
CN110728360B (zh) 一种基于bp神经网络的微能源器件能量识别方法
US11468273B2 (en) Systems and methods for detecting and classifying anomalous features in one-dimensional data
CN109993236A (zh) 基于one-shot Siamese卷积神经网络的少样本满文匹配方法
CN104751186A (zh) 一种基于bp网络和小波变换的虹膜图像质量分类方法
KR20210127069A (ko) 융합 모델 신경망의 성능 제어 방법
CN112784920A (zh) 云边端协同的旋转部件对抗域自适应故障诊断方法
CN114034486A (zh) 基于无监督迁移学习的泵类机械设备轴承故障诊断方法
CN115564983A (zh) 目标检测方法、装置、电子设备、存储介质及其应用
CN114239810A (zh) 一种基于改进PCANet模型的铣刀磨损预测方法
CN109344881B (zh) 一种基于时空连续性的扩展分类器
Yu et al. MobileNet-YOLO v5s: An improved lightweight method for real-time detection of sugarcane stem nodes in complex natural environments
CN113221758B (zh) 一种基于gru-nin模型的水声目标识别方法
CN113627240B (zh) 一种基于改进ssd学习模型的无人机树木种类识别方法
CN109272036B (zh) 一种基于深度残差网络的随机蕨目标跟踪方法
CN115294009A (zh) 一种基于机器学习检测电池极耳焊接缺陷的方法、设备及存储介质
CN113313179A (zh) 一种基于l2p范数鲁棒最小二乘法的噪声图像分类方法
CN113158904A (zh) 一种基于双掩膜模板更新的孪生网络目标跟踪方法及装置
CN117371511A (zh) 图像分类模型的训练方法、装置、设备及存储介质
CN109919235B (zh) 一种基于人工干预样本集权重的深度学习图像分类模型训练方法
KR20220014744A (ko) 강화 학습을 기반으로 한 데이터 전처리 시스템 및 방법
Mishra et al. Visual sparse Bayesian reinforcement learning: a framework for interpreting what an agent has learned
CN116306813A (zh) 一种基于yolox轻量化及网络优化的方法
CN115511798A (zh) 一种基于人工智能技术的肺炎分类方法及装置
CN111160464B (zh) 基于多隐层加权动态模型的工业高阶动态过程软测量方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CP02 Change in the address of a patent holder

Address after: No.443 Huangshan Road, Shushan District, Hefei City, Anhui Province 230022

Patentee after: University of Science and Technology of China

Address before: 230026 Jinzhai Road, Baohe District, Hefei, Anhui Province, No. 96

Patentee before: University of Science and Technology of China

CP02 Change in the address of a patent holder
TR01 Transfer of patent right

Effective date of registration: 20220706

Address after: 230026 Jinzhai Road, Baohe District, Hefei, Anhui Province, No. 96

Patentee after: University of Science and Technology of China

Patentee after: Kang Yu

Patentee after: Lv Wenjun

Address before: No.443 Huangshan Road, Shushan District, Hefei City, Anhui Province 230022

Patentee before: University of Science and Technology of China

TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20230118

Address after: Building 7, Yousi Tiancheng Industrial Park, 1800 Dabieshan Road, High-tech Zone, Hefei City, Anhui Province, 231283

Patentee after: Hefei Zhongke Liheng Intelligent Technology Co.,Ltd.

Address before: Room 1001, Building 16, Wenqingyuan, Keda Garden, No. 130, Tongcheng South Road, Baohe District, Hefei City, Anhui Province, 230022

Patentee before: Kang Yu

Patentee before: Lv Wenjun

Effective date of registration: 20230118

Address after: Room 1001, Building 16, Wenqingyuan, Keda Garden, No. 130, Tongcheng South Road, Baohe District, Hefei City, Anhui Province, 230022

Patentee after: Kang Yu

Patentee after: Lv Wenjun

Address before: 230026 Jinzhai Road, Baohe District, Hefei, Anhui Province, No. 96

Patentee before: University of Science and Technology of China

Patentee before: Kang Yu

Patentee before: Lv Wenjun

TR01 Transfer of patent right