-
公开(公告)号：CN115424040A
公开(公告)日：2022-12-02
申请号：CN202210923508.3
申请日：2022-08-02
Applicant: 大庆师范学院
Abstract: 本发明提供的是一种基于改进自我注意力机制和张量RX的高光谱异常检测方法。（1）利用改进自我注意力机制对高光谱图像进行变换；（2）对经过改进自我注意力机制变换的高光谱图像采用张量RX进行异常目标检测。本发明利用深度置信网络（DBN）对高光谱图像进行重建，增大了异常目标点和背景之间的差距；利用改进自我注意力机制，更好地突出了测试点像素，以及其和周围像素点之间的关系；利用张量RX，更加突出了测试点的空间特性，同时考虑了光谱特性和空间特性，改善了检测效果。
-
公开(公告)号：CN115099251A
公开(公告)日：2022-09-23
申请号：CN202210827109.7
申请日：2022-07-13
Applicant: 大庆师范学院
Abstract: 本发明涉及标签检测领域，具体公开了一种适用于电子信息技术的标签检测装置，包括：底座；连接组件，所述连接组件与底座相连；设备容置装置，所述设备容置装置与连接组件滑动连接；检测装置，所述检测装置与底座相连；其中，所述检测装置包括：扫描装置，所述扫描装置与底座相连；第一定位装置，所述第一定位装置与扫描装置相连，用于设备容置装置初步夹持固定；第二定位装置，所述第二定位装置与扫描装置相连，用于设备容置装置的二次夹持固定，本装置通过第一定位装置和第二定位装置配合，可实现设备容置装置的移动双重稳定锁止，使得待扫描物与扫描装置稳定对齐，进一步提高扫描装置的扫描准确度，提高检测效率。
-
公开(公告)号：CN110781832A
公开(公告)日：2020-02-11
申请号：CN201911027963.X
申请日：2019-10-28
Applicant: 大庆师范学院
Abstract: 基于联合深度置信网络的高光谱图像异常目标检测方法，该方法基于深度置信网络实现，有效地利用了张量结构和低秩稀疏分解理论，展示出较好的异常检测效果。本发明包括：首先在高光谱图像中利用测试点张量和其DBNs重建误差进行异常检测；采用LRASMD获得高光谱图像的稀疏矩阵；在稀疏矩阵中，利用测试点张量和其DBNs重建误差进行异常检测；最后，采用JDBN检测器获得最终的异常检测结果。本发明无需对高光谱数据分布模型进行假设；采用了高光谱图像和其稀疏矩阵的联合模型，降低了低秩矩阵最大秩和稀疏矩阵基数的盲选取对检测结果的影响；利用测试点张量代替测试点向量，考虑空谱特性，使检测结果更可靠。
-
公开(公告)号：CN110781832B
公开(公告)日：2023-04-18
申请号：CN201911027963.X
申请日：2019-10-28
Applicant: 大庆师范学院
IPC: G06V20/13 , G06V10/77 , G06V10/82 , G06N3/0464 , G06N3/088
Abstract: 基于联合深度置信网络的高光谱图像异常目标检测方法，该方法基于深度置信网络实现，有效地利用了张量结构和低秩稀疏分解理论，展示出较好的异常检测效果。本发明包括：首先在高光谱图像中利用测试点张量和其DBNs重建误差进行异常检测；采用LRASMD获得高光谱图像的稀疏矩阵；在稀疏矩阵中，利用测试点张量和其DBNs重建误差进行异常检测；最后，采用JDBN检测器获得最终的异常检测结果。本发明无需对高光谱数据分布模型进行假设；采用了高光谱图像和其稀疏矩阵的联合模型，降低了低秩矩阵最大秩和稀疏矩阵基数的盲选取对检测结果的影响；利用测试点张量代替测试点向量，考虑空谱特性，使检测结果更可靠。
-
公开(公告)号：CN115576394A
公开(公告)日：2023-01-06
申请号：CN202211193257.4
申请日：2022-09-28
Applicant: 大庆师范学院
Abstract: 本发明涉及计算机机箱领域，具体公开了一种自动清洁的小型计算机机箱，包括：缓冲座；机箱组件，所述机箱组件与缓冲座相连；排热装置，所述排热装置与机箱组件相连；自清洁装置，所述自清洁装置与机箱组件内部相连；联动顶压装置，所述联动顶压装置与排热装置相连；其中，所述自清洁装置包括：摆动除尘装置；联动调节装置，所述联动调节装置与排热装置相连；传动调节装置，所述传动调节装置机箱组件内部相连，本装置内部排热装置在进行机箱内部散热驱动的同时，可配合联动调节装置和传动调节装置，实现摆动除尘装置的运行驱动，从而完成机箱内部集尘的自清洁处理，防止大量灰尘聚集在机箱散热出风位置，影响计算机机箱散热效果。
-
Patent Agency Ranking
公开(公告)号：CN118675043A
公开(公告)日：2024-09-20
申请号：CN202410567331.7
申请日：2024-05-09
Applicant: 大庆师范学院
Abstract: 本发明提供的是一种基于联合图模型的高光谱图像异常目标检测方法，首先，采用光谱图子模型进行异常目标检测，原始高光谱图像经过图傅里叶变换(GFT)，原始高光谱图像和其经过GFT后的图像之间的重建误差被映射到分数傅里叶域(FrFD)进行异常目标检测，该过程利用了高光谱图像的全局光谱信息；之后，采用空间图子模型进行异常目标检测，栈式自动编码(SAE)和自适应算法相结合进行异常目标检测，该过程利用了高光谱图像的局部空间信息和光谱信息；最后，两个子模型通过差分融合方法相结合形成联合图模型，获得最终的异常目标检测结果。本发明充分考虑了高光谱图像的空间特性和光谱特性，使检测结果更加可靠。
-
公开(公告)号：CN108389188A
公开(公告)日：2018-08-10
申请号：CN201810115889.6
申请日：2018-01-30
Applicant: 大庆师范学院
Abstract: 本发明公开了一种稀疏高光谱异常目标检测方法，属于高光谱异常检测技术领域。针对RX异常目标检测算法对高光谱图像异常目标检测精度低和虚警率高的问题。提出一种充分利用高光谱图像的空间信息和光谱信息，基于稀疏表示理论基础上的稀疏RX异常目标检测算法。该算法首先利用空间预处理方法使高光谱图像目标信息相比于背景信息更加突出，然后利用双边滤波方法再次对高光谱图像进行滤波处理，滤除噪声干扰对高光谱图像的影响；在此基础上，利用稀疏表示理论，计算高光谱图像的稀疏差异指数，再利用稀疏差异指数重构一个高光谱图像数据向量，最后利用RX方法进行异常目标检测，得到异常目标检测结果。
-
公开(公告)号：CN119492444A
公开(公告)日：2025-02-21
申请号：CN202411816085.0
申请日：2024-12-11
Applicant: 大庆师范学院
IPC: G01J3/28
Abstract: 本发明公开了一种高分辨率光谱细分的光纤传感精度增强方法。本发明中，应用基于傅里叶变换的光谱细分算法，实现了光谱的细分和分辨率增强，这对于整个高分辨率光谱细分的光纤传感精度增强方法具有显著的有益效果。傅里叶变换能够将时域信号转换为频域信号，通过频域滤波有效去除了高频噪声和低频干扰，保留了目标光谱范围内的频率成分，从而提高了光谱信号的纯净度。接着逆傅里叶变换将滤波后的频域信号还原为时域信号，保持了信号的完整性。进一步地，通过线性插值算法对时域信号进行细分，增加了数据点密度，显著提高了光谱分辨率。为后续特征光谱的识别和分析提供了更为准确和详细的数据基础，从而增强了光纤传感器的测量精度和可靠性。
-
公开(公告)号：CN108389188B
公开(公告)日：2022-02-15
申请号：CN201810115889.6
申请日：2018-01-30
Applicant: 大庆师范学院
Abstract: 本发明公开了一种稀疏高光谱异常目标检测方法，属于高光谱异常检测技术领域。针对RX异常目标检测算法对高光谱图像异常目标检测精度低和虚警率高的问题。提出一种充分利用高光谱图像的空间信息和光谱信息，基于稀疏表示理论基础上的稀疏RX异常目标检测算法。该算法首先利用空间预处理方法使高光谱图像目标信息相比于背景信息更加突出，然后利用双边滤波方法再次对高光谱图像进行滤波处理，滤除噪声干扰对高光谱图像的影响；在此基础上，利用稀疏表示理论，计算高光谱图像的稀疏差异指数，再利用稀疏差异指数重构一个高光谱图像数据向量，最后利用RX方法进行异常目标检测，得到异常目标检测结果。
-
公开(公告)号：CN119760569A
公开(公告)日：2025-04-04
申请号：CN202411846031.9
申请日：2024-12-16
Applicant: 大庆师范学院
IPC: G06F18/2431 , G06F18/2415 , G06F18/213 , G06F18/10 , G06N3/0464 , G06N3/048 , G06N3/084
Abstract: 本发明公开了一种基于深度学习优化的光纤信号处理方法。本发明中，CNN架构为光纤信号处理提供了强大的特征提取和表示能力。通过两个卷积层和两个池化层的组合，模型能够从原始信号中逐层提取从简单到复杂的特征。卷积操作利用局部连接和权值共享的特性，有效地捕捉信号中的空间相关性，而池化操作则通过下采样减少数据维度，同时增加模型对位置变化的鲁棒性。这种层次化的特征提取过程使得模型能够学习到信号的本质特征，为后续的分类或回归任务打下坚实基础。此外，全连接层将卷积和池化后的特征图展平并进行特征融合，进一步增强了模型对复杂信号模式的识别能力。
-
-
-
-
-
-
-
-
-
Search Results
13
records
(took 0.032 seconds)
