[发明专利]根据体育运动中的跟踪数据进行半监督动作-行动者检测在审
申请号: | 202180035514.9 | 申请日: | 2021-05-27 |
公开(公告)号: | CN115668095A | 公开(公告)日: | 2023-01-31 |
发明(设计)人: | 魏新宇;詹妮弗·霍布斯;沙龙;帕特里克·约瑟夫·卢西;苏乔伊·甘古利 | 申请(专利权)人: | 斯塔特斯公司 |
主分类号: | G06E1/00 | 分类号: | G06E1/00 |
代理公司: | 北京高沃律师事务所 11569 | 代理人: | 万慧华 |
地址: | 美国*** | 国省代码: | 暂无信息 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | 本文公开了基于多主体跟踪数据生成主体和动作预测的方法和系统。计算系统从数据存储检索跟踪数据。计算系统通过以下操作来生成训练的神经网络:基于跟踪数据,通过将每个数据帧转换成包含在帧中的数据的矩阵表示,生成多个训练数据集;以及通过神经网络学习包含在帧中的每个动作的开始帧和结束帧及每个动作相关联的行动者。计算系统接收与赛事相关联的目标跟踪数据。目标跟踪数据包括多个行动者和多个动作。计算系统经由训练的神经网络生成跟踪数据中识别的每个动作的目标开始帧和目标结束帧以及对应的行动者。 | ||
搜索关键词: | 根据 体育运动 中的 跟踪 数据 进行 监督 动作 行动 检测 | ||
【主权项】:
暂无信息
下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于斯塔特斯公司,未经斯塔特斯公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/patent/202180035514.9/,转载请声明来源钻瓜专利网。
- 同类专利
- 使用模型相交进行文档分析-202280012001.0
- J·E·布拉德利三世 - 马里兰怡安风险服务有限公司
- 2022-02-02 - 2023-10-03 - G06E1/00
- 公开了用于使用模型相交进行文档分析的系统和方法。构建并训练预测模型以预测给定文档相对于给定模型是否为类内。每个预测模型都可以与已识别技术的子类别相关联。可以识别由预测模型中的多个预测模型确定为类内的文档并将其分组到子集中。可以将文档的这些子集识别为与所讨论的技术相关。
- 体育运动中的微观与宏观预测-202280009472.6
- 赫克托耳·鲁伊斯;尼尔斯·塞巴斯蒂安·麦凯基;克里斯蒂安·马可;帕特里克·约瑟夫·卢西 - 斯塔特斯公司
- 2022-02-22 - 2023-09-15 - G06E1/00
- 本文公开了一种方法。计算系统接收事件的数据馈送。数据馈送包括实时球员和球队信息。计算系统生成数据馈送的特征表示。计算系统生成事件的微观预测。事件的微观预测与竞赛级预测相关联。计算系统为事件中所涉及的每个球队生成宏观预测。宏观预测与跨一个或更多个赛季的预测相关联。计算系统生成输出。输出包括微观预测和宏观预测。
- 用于暴露组学临床应用的系统和方法-202180079461.0
- M·阿罗拉;P·柯廷;C·奥斯汀 - 西奈山伊坎医学院
- 2021-10-06 - 2023-08-18 - G06E1/00
- 本发明提供了计算机实现的暴露组学系统,其包括暴露组生化特征数据库和干预结果数据库,所述暴露组生化特征数据库包括多个受试者中的每个受试者的对应的多个暴露组学特征,所述干预结果数据库包括关于针对以下项的干预结果信息的信息:所述多个受试者中的至少一个受试者的至少一项干预的至少一个期。关联软件模块确定所述对应的多个暴露组学特征与所述干预结果信息之间的关联。推荐软件模块至少部分地基于所述对应的多个暴露组学特征、所述干预结果信息以及针对所述至少一个受试者的所述对应的多个暴露组学特征、临床表型信息与所述干预结果信息之间的关联为所述至少一个受试者提供干预推荐。
- 用于血管通路装置放置的系统、方法和计算机程序产品-202180080574.2
- 阿什利·瑞秋·罗滕伯格;艾瑞克·科特·维特;马克·杰瑟;阿米·库莫尔齐 - 贝克顿·迪金森公司
- 2021-09-29 - 2023-08-01 - G06E1/00
- 提供了一种用于血管通路装置放置的方法。该方法可以包括接收与至少一位临床医生相关联的临床医生数据,该至少一位临床医生包括第一临床医生。可以接收与至少一位患者相关联的患者数据,该至少一位患者包括第一患者。可以基于与该第一患者相关联的该患者数据和与该第一临床医生相关联的该临床医生数据,生成由该第一临床医生在该第一患者的至少一个进入点处成功放置至少一个血管通路装置的至少一个第一概率。基于该至少一个第一概率可以向用户装置传输用于放置该至少一个血管通路装置的指令消息。还公开了一种系统和计算机程序产品。
- 一种光子神经网络-202111116962.X
- 刘胜平;田野;李强;赵洋;王玮 - 联合微电子中心有限责任公司
- 2021-09-23 - 2023-08-01 - G06E1/00
- 本发明提供了一种光子神经网络,包括激光器阵列、调制器阵列、第一合束器、调制器、分束器、延时线、第二合束器和探测器;激光器阵列发出多束波长不同的激光;调制器阵列对激光器阵列输出的激光进行调制,将卷积核的权重加载到激光器阵列发出的光上;该第一合束器将调制后的多束激光合束,得到第一光束;调制器对第一光束进行调制,将待处理信息加载到第一光束上;分束器将加载待处理信息的第一光束分束,得到波长不同的多束光;延时线使分束后的多束光产生等差延时;第二合束器将产生等差延时后的多束光合束,得到第二光束;探测器接收第二光束,实现信号的错位相加。减少了控制电路的数目,同时也消除了因性能差异导致的计算误差。
- 对象识别方法和系统的无监督学习-201880004421.8
- 陈嘉翰;吴韧 - 广州异构智能科技有限公司
- 2018-01-02 - 2023-06-30 - G06E1/00
- 旨在训练对象识别系统的神经网络的方法和系统。该方法和系统记录人的视频流。从每个视频流提取对象图像序列,每个对象图像序列对应于一个人。为每个对象图像序列形成三元组,该三元组包括锚定特征向量和同一对象的正特征向量以及不同对象的负特征向量。每个三元组的锚定特征向量、正特征向量和负特征向量被分别输入到神经网络以计算相应的输出的锚定向量、正向量和负向量。从输出的锚定向量、正向量和负向量计算三元组损失函数值。当三元组损失函数值大于阈值时,使用对象图像序列的锚定特征向量和正特征向量来重新训练神经网络。
- 从非职业跟踪数据预测NBA天赋和质量-202180067873.2
- 安德鲁·巴顿;南森·沃克;马修·斯科特;亚历克斯·奥滕韦斯 - 斯塔特斯公司
- 2021-10-01 - 2023-06-23 - G06E1/00
- 一种计算系统识别第一联赛中多场比赛的广播视频。广播视频包括多个视频帧。计算系统从对应比赛的广播视频中生成每场比赛的跟踪数据。计算系统使跟踪数据丰富。丰富包括将比赛的实况报道数据与对应比赛的跟踪数据合并。计算系统基于跟踪数据生成填充跟踪数据。计算系统基于跟踪数据和填充跟踪数据为每个球员预测第二联赛中的球员表现。
- 用于预测分析和/或过程控制的方法和系统-202180056822.X
- 蒂莫西·马修·伯克;安德鲁·盖伦·朔伊尔曼;斯瓦米·穆杜 - 奥奇系统公司
- 2021-08-04 - 2023-05-05 - G06E1/00
- 一种用于预测分析和/或过程控制的系统,其优选地包括一个或更多个通信和/或计算系统,并且可选地包括一个或更多个实体和/或传感器。一种用于预测分析和/或机器操作的方法,其优选地包括接收实体数据和确定一个或更多个潜在特征,并且可选地包括确定一个或更多个响应重构、确定实体数据的经处理的表示、确定实体信息和/或基于实体信息采取行动。在一些实施例中,该方法可以附加地或可替代地包括:确定片段、识别一个或更多个状态改变事件发生、基于状态改变事件发生确定事件数据子集、使用事件数据子集生成响应重构、选择物理模拟、为物理模拟选择一个或更多个模拟超参数、运行物理模拟、和/或从物理模拟中提取一个或更多个潜在特征。
- 用于实体解析分析的对选择-202180049401.4
- A.塞思;S.S.纳甘纳;G.S.普利帕蒂;R.萨拉夫;M.S.周汉 - 国际商业机器公司
- 2021-06-07 - 2023-03-24 - G06E1/00
- 通过根据记录对比较方法得分确定自动链接(AL)和人工审核(CR)阈值值,定义与所述AL或CR阈值中的至少一个相邻的感兴趣得分区域,识别至少一个感兴趣区中的异常对,以及向用户提供至少一个异常记录对以供评论,来分析实体匹配系统。
- 用于定位纤颤源的系统和方法-201680075885.9
- D·E·克鲁门;A·D·麦卡洛克;C·维隆科;G·贺 - 加利福尼亚大学董事会
- 2016-12-22 - 2023-03-03 - G06E1/00
- 提供了用于纤颤源的计算定位的系统。在一些实现方式中,系统执行操作,所述操作包括生成患者心脏的电激活的表示并且基于相关性将生成的表示与心脏的一个或多个存储的表示进行比较以识别心脏的至少一个匹配的表示。该操作还可以包括基于至少一个匹配的表示来生成针对患者心脏的计算模型,其中该计算模型包括患者心脏中的一个或多个纤颤源的示出。另外,操作可以包括经由用户接口显示计算模型的至少一部分。还描述了相关的系统、方法和制品。
- 用于预测体育运动中的队形的系统和方法-202180037211.0
- 詹妮弗·霍布斯;苏乔伊·甘古利;帕特里克·约瑟夫·卢西 - 斯塔特斯公司
- 2021-05-27 - 2023-02-24 - G06E1/00
- 本文公开了一种预测比赛场地表面上的团队的队形的系统和方法。计算系统检索多个赛事的一个或更多个赛事数据集。每个赛事数据集对应于赛事的片段。诸如混合密度网络的深度神经网络基于一个或更多个赛事数据集学习以预测赛事的每个片段中的运动员的最佳排列。深度神经网络基于对应的赛事数据和运动员的最佳排列来学习每个片段的运动员的分布。计算系统基于学习生成完全训练的预测模型。计算系统接收对应于目标赛事的目标赛事数据。计算系统基于目标赛事数据经由所训练的预测模型生成每个运动员的期望位置。
- 根据体育运动中的跟踪数据进行半监督动作-行动者检测-202180035514.9
- 魏新宇;詹妮弗·霍布斯;沙龙;帕特里克·约瑟夫·卢西;苏乔伊·甘古利 - 斯塔特斯公司
- 2021-05-27 - 2023-01-31 - G06E1/00
- 本文公开了基于多主体跟踪数据生成主体和动作预测的方法和系统。计算系统从数据存储检索跟踪数据。计算系统通过以下操作来生成训练的神经网络:基于跟踪数据,通过将每个数据帧转换成包含在帧中的数据的矩阵表示,生成多个训练数据集;以及通过神经网络学习包含在帧中的每个动作的开始帧和结束帧及每个动作相关联的行动者。计算系统接收与赛事相关联的目标跟踪数据。目标跟踪数据包括多个行动者和多个动作。计算系统经由训练的神经网络生成跟踪数据中识别的每个动作的目标开始帧和目标结束帧以及对应的行动者。
- 用于网络游戏的用户输入文本的语言检测-202180026478.X
- 尼古拉斯·松塔格;阿斯沃思·马诺哈兰;盧奕吾;埃里克·霍尔姆达尔;马德霍克·希瓦拉特雷 - 罗布乐思公司
- 2021-04-14 - 2022-11-22 - G06E1/00
- 一种用户查询,例如由网络游戏系统处理的用户查询,被提供作为输入给已训练机器学习模型。该机器学习模型预测用户查询的备选语言并输出备选语言的语言置信度分数。用户查询还跟该相应备选语言的个体语言数据库中的游戏信息相关联的已存储的查询数据匹配。匹配分数可基于该相应响应匹配的确定性来确定。匹配分数和语言置信度分数可被加权以确定加权分数。该响应匹配的该加权分数被应用于判断从所识别的数据库获取的游戏信息以用于生成给用户的检索结果的响应。
- 基于图的下一次投球预测的方法-202180023130.5
- 丹尼尔·艾笛森·马利;马修·托马斯·奥康纳;亚历山大·尼古拉斯·奥滕维斯;埃曼·谢拉尼;马修·霍尔布鲁克 - 斯塔特斯公司
- 2021-04-09 - 2022-11-11 - G06E1/00
- 本文公开了一种用于预测下一次投球的系统和方法。计算系统检索多个事件的逐次投球信息以及与逐次投球信息中的每次投球相关联的比赛背景信息。计算系统将逐次投球信息和比赛背景信息转换为多个基于图的表示。图神经网络基于多个基于图的表示进行学习以生成每次投球的投球类型预测。计算系统基于学习来生成训练后图神经网络。计算系统接收当前投球手的当前逐次投球信息和当前比赛背景信息的当前基于图的表示。计算系统经由训练后图神经网络来预测待由当前投球手投掷的下一次投球的投球类型。
- 用于将服务提供者连接到客户的系统和方法-202180018009.3
- E·H·林 - E·H·林
- 2021-03-02 - 2022-10-18 - G06E1/00
- 本文中描述一种用于将客户与服务提供者连接的计算机实施的系统和方法。所述系统使用可解释人工智能(XAI)来匹配客户和服务提供者,从而最小化系统偏差。除了使客户与服务提供者匹配之外,系统还具有用于背景调查、支付、日程安排和目标设置的工具。
- 使用移动优化软件工具衡量空间工作记忆-202080061913.8
- M·林德曼;F·利普斯梅尔;D·诺布斯;郑维逸;D·A·斯莱特;T·基尔钦曼;C·戈森斯;J·希普;C·查塔姆;E·A·阿庞特佩雷斯 - 豪夫迈·罗氏有限公司
- 2020-09-04 - 2022-07-08 - G06E1/00
- 本公开的方面涉及可以被采用和用于跨不同的临床试验群体衡量空间工作记忆的移动优化软件工具。例如,一些方面描述了用于与自闭症谱系障碍(ASD)或其他神经性病症(例如,阿尔茨海默氏病)有关的临床试验的新型空间工作记忆任务的计算优化和参与式设计。如本文所述的软件工具可以用于衡量对空间工作记忆的治疗效果和/或提供治疗以改善患者的空间工作记忆。可以基于每个患者的空间工作记忆为所述患者生成数字生物标志物。
- 用于自动解析示意图的系统和方法-202080078310.9
- 路易斯·波里尔;威利·道哈德;肖维克·马尼;丹·康斯坦蒂尼 - 思睿人工智能公司
- 2020-09-10 - 2022-07-08 - G06E1/00
- 本公开提供了用于根据系统的包括一个或多个示意图和部件表的工程文档来生成系统的数字表示的系统、方法和计算机程序产品。示例方法可以包括:(a)使用深度学习算法,(i)将一个或多个示意图中的多个符号中的每个符号分类为部件,并且(ii)将每组相关符号分类为组件;(b)确定部件和组件之间的连接;(c)将部件和组件的子集与部件表中的条目相关联;以及(d)根据部件、组件、连接和关联来生成系统的数字表示。系统的数字表示可以至少包括系统的数字模型以及机器可读的材料清单。
- 用于地层的渗透率的监督学习的系统和方法-202080033019.X
- R.K.卡达亚姆维斯瓦那坦;L.文卡塔拉马南;P.斯里瓦斯塔瓦;A.普拉多;N.埃维尔根;M.洛安;H.达蒂尔 - 斯伦贝谢技术有限公司
- 2020-03-09 - 2022-03-18 - G06E1/00
- 本文的实施例包括一种用于表征岩层样本的方法。用于表征岩层样本的方法包括获得表征岩层样本的多个数据集。该方法还包括训练神经网络以生成计算模型。此外,该方法还包括使用多个数据集作为计算模型的输入,其中计算模型可以由处理器实现,该处理器导出岩层样本的渗透率的估计。
- 用于预测性环境跌倒风险标识的系统及方法-202080033811.5
- J·R·赖特;H·S·里奇 - 电子护理公司
- 2020-05-05 - 2021-12-14 - G06E1/00
- 在各种示范性实施例中,方法包括:(a)接收环境地图的动态观察;(b)确定所述环境地图;(c)收集一组风险因素;(d)评估所述一组风险因素;(e)创建包括所述所收集一组风险因素的第一训练集;(f)使用所述第一训练集在第一阶段中训练人工神经网络;(g)创建第二训练集;(h)使用所述第二训练集在第二阶段中训练所述人工神经网络;(i)使用所述人工神经网络预测用户的跌倒风险;及(j)向所述用户发送警报。
- 使用流信号的事件检测的系统和方法-201680035691.6
- P·D·安诺;H·克利;S·拉姆齐 - 科诺科菲利浦公司
- 2016-06-17 - 2021-12-07 - G06E1/00
- 系统和方法通过偏离平均(正常)状态特性的振幅包络来计算功能障碍。包络函数由给定窗口尺寸内的最大信号值的递归应用构成。上述的操作是因果的以及计算上可承受的,因为需要相对短的移动窗口来跟踪当前点。因此,所提出的包络和功能障碍计算适用于以高采样率测量的任何数据流源。计算的有效性被验证为表示实时现场钻探操作中的多个物理量。
- 预测热带气旋的影响-201980089850.4
- J·N·梅尔斯;M·莫斯;J·波特;M·鲁特 - 精准天气预报股份有限公司
- 2019-12-09 - 2021-11-26 - G06E1/00
- 一种热带气旋分析系统,其存储多个天气状况中的每一个的多个范围,识别预报的热带气旋,识别所述预报的热带气旋的预测路径,识别沿着所述预报的热带气旋的预测路径的每个国家或地区,并且对于沿着所述预报的热带气旋的预测路径的每个国家或地区,识别所述国家或地区中的可归因于所述预报的热带气旋的预报的天气状况,将所述国家或地区中的所述预报的天气状况与所述多个天气状况中的每一个的所述多个范围进行比较,基于所述国家或地区中的所述预报的天气状况与所述多个范围的比较表征所述国家或地区中的所述预报的热带气旋,以及输出所述表征以显示给用户。
- 光子信息处理芯片-202010653113.7
- 周炆杰;刘晓海 - 欧梯恩智能科技(苏州)有限公司
- 2020-07-08 - 2021-01-01 - G06E1/00
- 本发明公开光子信息处理芯片,包括并行扩束单元,用于将输入光子信号按不同波长间隔分成多束光子信号,以实现并行化的信息处理;权重设置单元,用于将所述并行扩束单元后的每一束不同波长间隔的光子束的强度值或相位值分别进行不同等级的权重值设置;交叉运算单元,用于将所述权重设置单元之后已被设置为不同权重值的光子束按照不同的控制电压值进行重新分配传播通道;光电接收阵列,用于将经过所述交叉运算单元重新分配传播通道之后的每一束不同波长间隔的光子束分别通过光电转换成多路电压信号阵列,这四者制作在同一硅基材料。由此,利用本申请的光子信息处理芯片在信息处理容量大幅度提高,信息处理时间大幅度减少,信息处理能耗大幅度降低。
- 提供基于情绪的认知助理系统、方法及计算器可读取媒体-201680083632.6
- P-V·阮 - 富为认知网络公司
- 2016-05-25 - 2020-08-04 - G06E1/00
- 一种以个人情绪为基础的认知助理系统,其包括可由用户穿戴成头戴式耳机的一个或多个组件;收集该用户的情绪状态的一个或多个传感器;根据收集得的情绪状态,来识别环境对该用户的个人意义的处理器;及根据辨识得的个人意义,而将带有有关该环境的资料的经识别的个人化意义,储存于内存储器的不同区中的内存储器。
- 可再生能量车辆充电-201680091590.0
- 肯尼士·詹姆斯·米勒;艾德·M·杜道尔;道格拉斯·雷蒙德·马丁 - 福特汽车公司
- 2016-11-03 - 2019-08-02 - G06E1/00
- 一种用于提高自主车辆的充电效率的可再生能量充电系统包括:计算机,所述计算机被编程为预测在多个位置处在车辆中的与每个位置相关联的发电量。所述计算机至少基于所述预测的发电量来选择所述位置中的一者并且将所述车辆移动到所述选定位置。
- 微瞬间分析-201680066970.9
- 史密斯·法德里 - MMS美国控股有限公司
- 2016-09-19 - 2018-08-03 - G06E1/00
- 一种用于确定微瞬间值的计算机实施方法。该方法包括通过网络接收与多个客户的行为相关的客户数据。该方法包括通过一个或多个处理器,基于客户数据确定穿过域的点击率信号,以及通过一个或多个处理器,基于客户数据确定每一信道的弧度率。该方法还包括通过一个或多个处理器,基于穿过域的点击率信号确定转换率。该方法还包括通过一个或多个处理器,基于每一信道的弧度率和转换率确定微瞬间值。
- 一种基于DNA分子固定技术的DNA分子计算机-201510539473.3
- 李淑范 - 哈尔滨光凯科技开发有限公司
- 2015-08-30 - 2017-03-08 - G06E1/00
- 本发明公开了一种基于DNA分子固定技术的DNA分子计算机,包括载体子系统、对象子系统、固定剂子系统及标记子系统;所述载体子系统由金箔、玻璃、量子点、磁珠及凝胶组成;所述对象子系统包括DNA分子、RNA分子及蛋白质;所述固定剂子系统包括偶联的共价键,以及相互吸附的离子键、氢键和磁力,及生物素和LB膜;所述标记子系统由放射性标记、非放射性标记及其他种类标记组成。本发明的基于DNA分子固定技术的DNA分子计算机,具有高度的并行性,运算速度快,耗能低,抗干扰性强,存储能力强。
- 神经网络及神经网络训练的方法-201580012022.2
- 德米崔·佩先奇 - 前进公司
- 2015-03-06 - 2016-11-09 - G06E1/00
- 一种神经网络包括用于接收输入信号的多个输入、以及被连接到所述输入且具有校正权重的神经结。所述网络另外包括分配器。每个分配器连接到所述输入的一个,以供接收相应输入信号且选择和所述输入值相关的一个或多个校正权重。所述网络还包括神经元。每个神经元具有一个输出且经由一个神经结而和所述输入的至少一个连接,且通过将选择自被连接到相应的神经元的每个神经结的校正权重总计而产生一个神经元总和。此外,所述网络包括一个权重校正计算器,其接收一个期望输出信号,确定所述神经元总和与所述期望输出信号值的一个偏差,且使用所述确定的偏差来修改相应的校正权重。将修改的校正权重合计以确定所述神经元总和,使所述所属的偏差为最小化,以用于训练所述神经网络。
- 用于行为预测和分类的分层统计模型-201480060604.3
- J·盖弗;J·文恩;J·埃德莱恩 - 微软技术许可有限责任公司
- 2014-11-04 - 2016-07-13 - G06E1/00
- 概括地说,提供了用于分层的、基于特征的统计模型的技术,该模型可以用于用户社区内的个性化分类或预测。个性化是指学习单独用户的习惯和特性并且基于该学习来调整用户体验。该模型可以用于通信应用中,以预测对输入电子邮件消息的用户动作,并且通过基于模型预测做出个性化建议来帮助用户对电子邮件进行分流。与通信应用关联在一起的用户社区可以一起被并入到单个模型中,以能够实现从作为整体的用户社区学习到的情报和从单独用户学习到的情报之间的连续精细粒度的交互。单个模型可以允许基于社区观察的针对全新用户的预测和基于单独观察的针对长期用户的高度个性化预测之间的无缝演进。
- 一种基于DNA分子固定技术的DNA分子计算机-201520660684.8
- 李淑范 - 哈尔滨光凯科技开发有限公司
- 2015-08-30 - 2016-01-20 - G06E1/00
- 本实用新型公开了一种基于DNA分子固定技术的DNA分子计算机,包括载体子系统、对象子系统、固定剂子系统及标记子系统;所述载体子系统由金箔、玻璃、量子点、磁珠及凝胶组成;所述对象子系统包括DNA分子、RNA分子及蛋白质;所述固定剂子系统包括偶联的共价键,以及相互吸附的离子键、氢键和磁力,及生物素和LB膜;所述标记子系统由放射性标记、非放射性标记及其他种类标记组成。本实用新型的基于DNA分子固定技术的DNA分子计算机,具有高度的并行性,运算速度快,耗能低,抗干扰性强,存储能力强。
- 专利分类
- 数据显示系统、数据中继设备、数据中继方法、数据系统、接收设备和数据读取方法
- 数据记录方法、数据记录装置、数据记录媒体、数据重播方法和数据重播装置
- 数据发送方法、数据发送系统、数据发送装置以及数据结构
- 数据显示系统、数据中继设备、数据中继方法及数据系统
- 数据嵌入装置、数据嵌入方法、数据提取装置及数据提取方法
- 数据管理装置、数据编辑装置、数据阅览装置、数据管理方法、数据编辑方法以及数据阅览方法
- 数据发送和数据接收设备、数据发送和数据接收方法
- 数据发送装置、数据接收装置、数据收发系统、数据发送方法、数据接收方法和数据收发方法
- 数据发送方法、数据再现方法、数据发送装置及数据再现装置
- 数据发送方法、数据再现方法、数据发送装置及数据再现装置