-
公开(公告)号：CN109214452B
公开(公告)日：2020-06-23
申请号：CN201810998889.5
申请日：2018-08-29
Applicant: 杭州电子科技大学
IPC: G06K9/62
Abstract: 本发明公开了一种基于注意深度双向循环神经网络的HRRP目标识别方法，首先提取数据的时域特征并对提取出的时域特征进行切分和非均匀量化编码得到其局部结构的编码，然后利用其局部结构和周围数个局部结构的关系得到其编码之间的共现矩阵，进而通过该共现矩阵得到数据的结构嵌入特征，然后再将提取出的嵌入特征送入由全连接层和基于注意LSTM的双向循环神经网络构成的深度神经网络进行训练，同时根据循环网络隐层的输出，采用softmax层得到注意力模型的权重参数，最后利用softmax层和注意模型的权重对HRRP进行识别并得到识别结果。
-
公开(公告)号：CN110083066A
公开(公告)日：2019-08-02
申请号：CN201910426746.1
申请日：2019-05-22
Applicant: 杭州电子科技大学
IPC: G05B13/04
Abstract: 本发明公开了多智能体系统的分数阶迭代控制方法，包括以下步骤：将分数阶多智能体协调追踪的控制问题转化为追踪误差在一定时间段内稳定性控制问题；设计具有初始状态学习能力的PD型迭代学习控制器；利用范数对跟踪误差的紧凑式收敛性进行证明；对S30的分析证明进行数据模拟验证，对一个4智能体1虚拟领导者的分数阶多智能体进行理论验证。本发明分析证明多智能体的收敛性，推导收敛条件。因为收敛条件可以确保随着迭代次数的增加，所有的跟踪误差逐渐减小到足够小的值。
-
公开(公告)号：CN109214452A
公开(公告)日：2019-01-15
申请号：CN201810998889.5
申请日：2018-08-29
Applicant: 杭州电子科技大学
IPC: G06K9/62
Abstract: 本发明公开了一种基于注意深度双向循环神经网络的HRRP目标识别方法，首先提取数据的时域特征并对提取出的时域特征进行切分和非均匀量化编码得到其局部结构的编码，然后利用其局部结构和周围数个局部结构的关系得到其编码之间的共现矩阵，进而通过该共现矩阵得到数据的结构嵌入特征，然后再将提取出的嵌入特征送入由全连接层和基于注意LSTM的双向循环神经网络构成的深度神经网络进行训练，同时根据循环网络隐层的输出，采用softmax层得到注意力模型的权重参数，最后利用softmax层和注意模型的权重对HRRP进行识别并得到识别结果。
-
公开(公告)号：CN117932534A
公开(公告)日：2024-04-26
申请号：CN202410087927.7
申请日：2024-01-22
Applicant: 杭州电子科技大学浦江微电子与智能制造研究院有限公司
IPC: G06F18/25 , G06F18/27 , G06F18/213 , G06N3/0442 , G06N3/045 , G06N3/0985 , G06N20/10 , G06F18/2411 , G06F123/02
Abstract: 本发明公开了一种基于HPO‑SVR‑LSTM的水晶研磨时间预测方法，首先通过水晶研磨工业控制系统采集数据并构建数据集，对研磨控制参数序列进行预处理降低样本中的敏感性；构建SVR非线性时长预测单元以及LSTM神经网络时长预测单元，捕捉数据的非线性特征及多元变量间的映射关系；融入输入注意力模块，提取研磨控制参数间的时空关系特征并分配权重；融入HPO优化算法，迭代寻优预测单元的超参数以及单元组合比例，提高模型性能与稳定性，并输出水晶研磨时间的预测值。有效改善了水晶过磨或者少磨而造成质量不稳定的问题，不再需要工人依据经验对研磨时间进行估计与调整，提高了预测的稳定性。
-
公开(公告)号：CN113974652B
公开(公告)日：2024-04-26
申请号：CN202111247517.7
申请日：2021-10-26
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于皮层肌肉功能网络模型的肌肉控制精准度确定方法。本发明首先获取待测人员四个表面肌电信号和脑电信号。通过能量阈值法确定动作的起始位置和终止位置作为动作肌电信号。然后，用小波分析法对原始表面肌电信号与脑电进行多尺度分解，去除信号的噪声，再使用ICA独立分量分析方法去除脑电信号的伪影。最后使用传递熵计算不同肌肉与电极之间的传递熵，并构建邻接矩阵。将邻接矩阵二值化后构建有向皮层肌肉功能网络，使用网络的分析法对皮层与肌肉在运动时的状态进行分析。本发明体现了脑电信号与肌电信号之间的信息流动关系，将大脑皮层与肌肉整合为一个网络进行深度分析，从整体上对皮层与肌肉的关系进行了更深层次的解析。
-
Patent Agency Ranking
公开(公告)号：CN113558637B
公开(公告)日：2024-01-05
申请号：CN202110758861.6
申请日：2021-07-05
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于相位传递熵的音乐感知下脑功能网络构建方法。首先，通过脑电采集仪采集音乐感知下的多通道脑电信号，经过0.5‑30Hz滤波处理，并去除眼电，肌电，心电伪迹干扰，并依据标签文件对脑电信号的活动段进行提取；以脑电信号通道位置作为节点，两通道信号的相位传递熵值作为边构建有向脑功能网络；计算出脑功能网络在不同阈值下的网络聚类系数、全局效率与网络密度特征，并比较音乐感知下与无听觉刺激下脑功能网络特征的差异。本发明通过相位传递熵构建脑功能网络，有利于描述脑电信号之间的耦合强度和双向耦合关系，对于脑电信号之间因果性的研究具有一定的意义，有
-
公开(公告)号：CN111753677B
公开(公告)日：2023-10-31
申请号：CN202010521967.X
申请日：2020-06-10
Applicant: 杭州电子科技大学
IPC: G06V20/13 , G06V10/80 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于特征金字塔结构的多角度遥感船舶图像目标检测方法，包括以下步骤：S1，收集遥感卫星船舶图像数据集，并进行样本标注，得到标注目标；S2，对经过S1所提取的数据集中的样本进行数据预处理，形成完整的训练数据集；S3，用经过改进的特征金字塔网络对预处理后的样本进行特征提取，得到多层特征融合的特征金字塔；S4，经过RPN网络生成候选区域；S5，添加不同池化大小的ROI Pooling层；S6，搭建Fast R‑CNN网络；S7，对由S1采集到的测试数据进行训练阶段的步骤S2预处理操作；S8，将经过S7处理的样本送入S3、S4、S5和S6构建的模型中进行测试求得结果，即最后经过Fast R‑CNN输出分类与回归的结果。
-
公开(公告)号：CN116944962A
公开(公告)日：2023-10-27
申请号：CN202311158185.4
申请日：2023-09-08
Applicant: 杭州电子科技大学浦江微电子与智能制造研究院有限公司
Abstract: 本发明公开了一种基于力位融合的水晶加工方法及装置。本发明将力位融合水晶加工控制模块设计在升降电机驱动器中形成专用伺服电机驱动器，并通过上位机控制器将相应加工参数传输给专用伺服电机驱动器，由力位融合水晶加工控制模块根据加工参数输出设定的加工力矩，并实时检测磨盘位置，在到达设定加工进深后及时停止加工并退位。本发明方法可以根据每个加工面的大小动态调整加工力矩，并保证输出力矩小于夹具承受的力矩。本发明改善了过磨或少磨的问题，降低了磨盘的损耗及电力的消耗，提高了水晶产品加工的质量。
-
公开(公告)号：CN112782660B
公开(公告)日：2023-06-30
申请号：CN202011599336.6
申请日：2020-12-29
Applicant: 杭州电子科技大学
IPC: G01S7/41
Abstract: 本发明公开了一种基于Bert的雷达目标识别方法，包括以下步骤：S1，收集数据并划分训练集和测试集，通过雷达采集的HRRP数据，需要对每个类别进行采样，分别选出训练集和测试集，之后进行合并，保证每个类别的数据形式都有被采样到；S2，对HRRP数据进行幂次变换，并使用注意力机制；S3，用Bert模型处理幂次变换的输出，提取更加深层的特征；S4，搭建分类器，对HRRP目标分类，对Bert模型的输出，再次使用注意力机制的思想，将更有效的特征进行保留，最后采用softmax对网络的输出进行分类；S5，将经过S1处理后的HRRP测试集送入S2、S3、S4步骤中已训练完成的模型中进行测试。
-
公开(公告)号：CN114176609A
公开(公告)日：2022-03-15
申请号：CN202111624138.5
申请日：2021-12-27
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于脑电信号的卒中严重程度分类预测模型建立方法。首先，在实验过程中记录了受试者的脑电信号。对脑电信号进行预处理。然后通过方差分析筛选delta频带相对功率、theta频带相对功率、alpha频带相对功率、beta频带相对功率、delta频带相对功率与alpha频带相对功率之比、较慢频率相对功率与较快相对功率之比、大脑对称指数中的特征值。最后使用机器学习构建模型来区分卒中严重程度。本发明提出了以方差分析为基础筛选特征值，搭配机器学习输出正确率的方法构建卒中严重程度分类方法。本发明提供的模型，根据正常人以及不同卒中严重程度患者脑电提取的特征值，能够更加有效的区分卒中严重程度。
-
-
-
-
-
-
-
-
-
Search Results
68
records
(took 0.025 seconds)
