-
公开(公告)号：CN104393030A
公开(公告)日：2015-03-04
申请号：CN201410660513.5
申请日：2014-11-18
Applicant: 西安电子科技大学
IPC: H01L29/40 , H01L29/778 , H01L21/335
CPC classification number: H01L29/402 , H01L29/66409 , H01L29/778
Abstract: 本发明公开了一种绝缘栅型直角复合源场板功率晶体管，主要解决现有场板技术在实现高击穿电压时工艺复杂的问题。其包括：衬底(1)、过渡层(2)、势垒层(3)、源极(4)、漏极(5)、台面(6)、绝缘介质层(7)、绝缘栅极(8)、钝化层(9)和保护层(13)，钝化层(9)内刻有凹槽(10)，凹槽(10)内完全填充有高介电常数介质(11)，钝化层(9)与保护层(13)之间淀积有一字形源场板(12)，一字形源场板靠近绝缘栅极一侧边缘与凹槽靠近绝缘栅极一侧边缘对齐，并将一字形源场板与源极电气连接；一字形源场板与高介电常数介质构成直角复合源场板。本发明具有工艺简单、击穿电压高、可靠性高和成品率高的优点。
-
公开(公告)号：CN117040850A
公开(公告)日：2023-11-10
申请号：CN202311012982.1
申请日：2023-08-13
Applicant: 西安电子科技大学
IPC: H04L9/40 , H04L67/131 , H04L41/06
Abstract: 本发明公开的一种面向元宇宙锚点网络的透明化表征方法，主要解决现有表征方法无法全方位地对元宇宙网络中实体和行为关系进行多层次、高维度表征，不具备元宇宙环境下可解释性的问题。其实现方案为：获得针对元宇宙网络的关键安全数据；利用这些数据依据元宇宙网络的分层结构，分别对传感器层可穿戴感知设备的安全状况、锚点网络层锚点的安全状况以及应用层攻击场景实体关系进行表征；将传感器层和锚点网络层的表征结果进行融合，利用应用层的表征结果增强融合结果进行更高维度的融合表征。本发明提高了网络表征维度以及网络透明化与安全可视化的效率，具备元宇宙环境下的可解释性，可用于未来元宇宙环境下多维度、多层次的网络环境安全保护。
-
公开(公告)号：CN116915484A
公开(公告)日：2023-10-20
申请号：CN202311012981.7
申请日：2023-08-13
Applicant: 西安电子科技大学
IPC: H04L9/40 , H04L67/131 , H04L41/06
Abstract: 本发明公开了一种元宇宙网络威胁事件推演方法，主要解决现有威胁检测方法不能完全反映系统的动态性，无法实时检测系统中实时发生的网络攻击，缺乏重建攻击场景能力的问题。其实现方案为：监控元宇宙虚拟资源参数变化，在元宇宙虚拟环境中对用户当前虚拟边界的状况发出警告；利用用户设备上采集的系统日志数据以及网络空间锚点实体信息构建溯源图；对溯源图进行压缩得到压缩溯源图，并在Neo4j数据库中进行可视化显示；设置压缩溯源图中实体匹配到的攻击阶段标签，对压缩溯源图进行正向和反向搜索，提取元宇宙安全边界攻击的攻击图。本发明能够实时检测元宇宙网络中的攻击，应用场景更广，增强了主动应对元宇宙网络威胁的能力，可用于网络安全。
-
公开(公告)号：CN108460749A
公开(公告)日：2018-08-28
申请号：CN201810230035.2
申请日：2018-03-20
Applicant: 西安电子科技大学
IPC: G06T5/50
Abstract: 本发明公开了一种高光谱与多光谱图像的快速融合方法，其实现步骤为：(1)建立训练集与测试集；(2)输入光谱图像；(3)建立概率生成模型；(4)训练概率生成模型；(5)得到融合后的光谱图像。本发明克服了现有技术中表征能力弱，模型不稳定和运算时间长的问题，生成的高分辨率的高光谱图像包含更多的信息，并且利用无先验条件的空间转换矩阵，使得模型更加稳定，融合速度更快，是一种高速高效的高光谱图像融合处理方法。
-
公开(公告)号：CN118692066A
公开(公告)日：2024-09-24
申请号：CN202410640322.6
申请日：2024-05-22
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种高效快照压缩视频字幕生成方法，包括以下步骤：S1，获取训练数据：所述训练数据包含MSR‑VTT数据集和MSVD数据集；S2，构建深度网络模型：所述深度网络模型由教师模型和学生模型构成；S3，将训练数据输入到构建的所述教师网络模型和学生网络模型中进行训练，通过计算两个网络模型的误差值对两个网络模型的网络参数进行迭代更新，得到训练好的深度网络模型；S4，将待测试视频输入到训练好的学生网络模型中，输出图像编码，然后以逐字自回归的方式生成预测的字幕。本发明所提出的字幕生成方法在软件处理阶段不需要重构，运行速度快，处理效率高，所生成的字幕效果好。
-
Patent Agency Ranking
公开(公告)号：CN116258974A
公开(公告)日：2023-06-13
申请号：CN202310146807.5
申请日：2023-02-21
Applicant: 西安电子科技大学
IPC: G06V20/13 , G06V10/32 , G06V10/28 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及一种基于CFAR指导的YOLO网络SAR图像目标检测方法，包括步骤：对训练集中与YOLO网络输入图像大小一致SAR输入图像进行CFAR目标检测，并在CFAR目标检测图上依据目标真实标注信息添加真实目标的修正，得到修正后的CFAR标注图；依据YOLO网络中每个输出层的大小，对修正后的CFAR标注图进行下采样，得到每个输出层的权重指导图；利用每个输出层的权重指导图对输出层输出的检测框加以不同的权重系数，得到修正后的损失函数；利用修正后的损失函数对所属YOLO网络的参数进行优化，利用训练好的YOLO网络对待检测SAR图像进行目标检测。该方法有效改善目标检测网络训练过程中存在的正负样本数量严重不均衡带来的损失表面畸形的问题，从而提高网络的检测性能。
-
公开(公告)号：CN116258962A
公开(公告)日：2023-06-13
申请号：CN202310086548.1
申请日：2023-02-07
Applicant: 西安电子科技大学
IPC: G06V20/10 , G06V10/28 , G06V10/26 , G06V10/774 , G06V10/82 , G06V10/30 , G06V10/762 , G06V10/80
Abstract: 本发明公开了一种结合形状置信度的宽幅SAR图像低虚警目标检测方法，包括：获取SAR图像；对SAR图像依次进行恒虚警检测和形态学处理，得到检测图像；将检测图像输入训练好的鉴别网络中，得到第一鉴别图像；对SAR图像进行海洋与陆地的分割处理，并基于海洋与陆地分割的结果对第一鉴别图像再次进行鉴别，以去除陆地部分，得到第二鉴别图像；基于形状置信度对第二鉴别图像进行最终的鉴别，以完成SAR图像的目标检测。本发明可以有效区别舰船目标和虚假目标，实现舰船目标低虚警检测，提高了鉴别的准确率。
-
公开(公告)号：CN106941422B
公开(公告)日：2019-06-18
申请号：CN201710224247.5
申请日：2017-04-07
Applicant: 西安电子科技大学
IPC: H04L12/24
Abstract: 本发明公开了一种基于中心节点主控的树型拓扑网络恢复方法，主要解决现有技术对树型拓扑网络因掉电故障或重启后不能快速恢复网络的问题。其实现步骤为：首先，中心节点通过本地广播发送网络恢复命令报文；然后，各级从属节点收到来自自身所从属于的上级节点的网络恢复命令报文后，向其回复网络恢复响应报文，并继续通过本地广播发送网络恢复命令报文直至末级中继节点；最后，由末级中继节点开始逐级汇总和上报网络恢复信息，直至到达中心节点，完成网络恢复。本发明利用中心节点主动发起网络恢复并对各级中继节点进行逐级恢复和汇总，实现了网络的快速恢复，减少了恢复网络通信的时间，可应用于各种通信的局域网和接入网领域。
-
公开(公告)号：CN104459668B
公开(公告)日：2017-03-29
申请号：CN201410727815.X
申请日：2014-12-03
Applicant: 西安电子科技大学
IPC: G01S7/41
Abstract: 本发明公开一种基于深度学习网络的雷达目标识别方法，主要解决现有技术在对雷达高分辨距离像识别时，识别率较低，鲁棒性较差的问题。其技术方案是：1.将获取的原始雷达高分辨距离像分为训练集和测试集；2.对训练集进行预处理；3.建立第一层网络的代价函数，利用后向传导算法计算梯度，并利用梯度下降法求最优参数；4.将上一层的输出作为下一层的输入，逐层训练得到各层最优参数；5.将最后一层输出作为线性支持向量机的输入，训练得到线性支持向量机的最优参数；6.利用各层最优参数以及线性支持向量机最优参数，对测试集样本进行识别。本发明提高了雷达高分辨距离像的识别率，同时在训练样本不完整的情况下，增强了目标识别的稳定性。
-
公开(公告)号：CN104459668A
公开(公告)日：2015-03-25
申请号：CN201410727815.X
申请日：2014-12-03
Applicant: 西安电子科技大学
IPC: G01S7/41
CPC classification number: G01S7/41
Abstract: 本发明公开一种基于深度学习网络的雷达目标识别方法，主要解决现有技术在对雷达高分辨距离像识别时，识别率较低，鲁棒性较差的问题。其技术方案是：1.将获取的原始雷达高分辨距离像分为训练集和测试集；2.对训练集进行预处理；3.建立第一层网络的代价函数，利用后向传导算法计算梯度，并利用梯度下降法求最优参数；4.将上一层的输出作为下一层的输入，逐层训练得到各层最优参数；5.将最后一层输出作为线性支持向量机的输入，训练得到线性支持向量机的最优参数；6.利用各层最优参数以及线性支持向量机最优参数，对测试集样本进行识别。本发明提高了雷达高分辨距离像的识别率，同时在训练样本不完整的情况下，增强了目标识别的稳定性。
-
-
-
-
-
-
-
-
-
Search Results
28
records
(took 0.122 seconds)
