-
公开(公告)号：CN111310968B
公开(公告)日：2024-02-09
申请号：CN201911329550.7
申请日：2019-12-20
Applicant: 西安电子科技大学
IPC: G06F16/29 , G06F18/214 , G06N3/044
Abstract: 本发明属于数据处理技术领域，公开了一种基于互信息的LSTM神经网络循环水文预报方法，通过互信息分析对原始数据进行筛选和分类，将降雨、水库水位、流量水文特征作为长短期记忆循环预测模型的输入特征；通过模拟降雨过程训练和确定LSTMC模型的结构，反映洪水的长期变化；利用实际洪水资料对模型的输出进行验证。本发明采用基于互信息的方法分析数据集，充分的捕获当前时刻流量与之前较长时间段的各个水文特征，动态的选取模型的输入特征。本发明利用深度学习算法，采用基于LSTM神经网络的循环预测模型，在用于洪水流量时间序列预测时，克服了水文变化过程受前期各方面因素影响较大的问题，能够较好的自动捕获有效特征。
-
公开(公告)号：CN111931553B
公开(公告)日：2024-02-06
申请号：CN202010496962.6
申请日：2020-06-03
Applicant: 西安电子科技大学
IPC: G06V10/82 , G06V20/10 , G06V10/764 , G06N3/0464 , G06N3/0475 , G06N3/094
Abstract: 本发明属于遥感图像处理技术领域，公开了一种遥感数据增强生成对抗网络方法、系统、存储介质及应用，本发明减小图像的语义损失，提高图像的生成质量。图像在下采样过程中的多次卷积是造成图像语义损失的重要因素，因此本发明提出一种改进的下采样模块，有效减小图像的语义损失。本发明提高图像生成速度，解决算法耗时长的问题。对于深度神经网络，网络参数量越大，算法的运行时间越长，参数量越小的网络耗时越短，受此启发，本发明将生成模型划分为几个结构类似的子网络，在生成质量相差不大的情况下，选取参数量较小的子网络作为生成模型，有效提高了图像的生成速度。
-
公开(公告)号：CN111832810B
公开(公告)日：2023-06-27
申请号：CN202010581924.0
申请日：2020-06-23
Applicant: 西安电子科技大学
Abstract: 本发明属于洪水预测技术领域，公开了一种洪水预报模型、信息处理方法、存储介质、计算机设备，时空特征抽象层，用于从地形‑降雨量时空特征中提取特征；特征融合层，用于通过Concat连接操作，将卷积网络抽象出的时空特征与历史趋势特征相结合；预测输出层，用于预测未来T个小时的流量变化情况。本发明为了解决传统模型需要大量的参数率定和数据驱动模型无法对洪水过程进行准确预测的问题，将基于二维卷积的卷积神经网络CNN引入到洪水预报领域，利用CNN的特征抽象能力，融合降雨量时空分布特征、地形地貌特征和流量变化趋势特征，构建了预见期为24个小时和36个小时的洪水预报模型。经检验，模型符合洪水预报的要求。
-
公开(公告)号：CN110895327B
公开(公告)日：2022-10-14
申请号：CN201911085093.1
申请日：2019-11-08
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于直接凸优化建模的鲁棒性自适应波束形成算法，属于雷达技术领域。本发明基于其发现的Robust‑ADBF存在可减小误差，公开了一种基于直接凸优化建模的鲁棒性自适应波束形成算法，本发明的算法不仅避免了非凸优化问题近似成凸优化带来的误差，还进一步通过信号幅值响应约束来精确控制角度误差范围，并进行交叉迭代求解。本发明在干扰方向凹口更深，与现有波束形成方案相比，具有10dB以上的提升；且输出SINR有较大提升，系统性能更优。
-
公开(公告)号：CN112668711A
公开(公告)日：2021-04-16
申请号：CN202011379603.9
申请日：2020-11-30
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于深度学习的洪水流量预测方法、装置和电子设备，方法包括：获取原始降雨数据、原始流量数据以及水文站点的原始位置信息；将原始降雨数据、先验降雨数据、原始流量数据以及原始位置信息进行预处理，得到处理后降雨数据、处理后流量数据以及处理后位置信息；基于处理后降雨数据、处理后先验降雨数据以及处理后位置信息，形成网格化降雨数据；对网格化降雨数据提取空间分布特征，并提取历史T小时和未来P小时的降雨数据的时序特征，得到第一输出特征；对处理后流量数据，提取历史T小时的流量数据的时序特征，得到第二输出特征；对第一输出特征以及第二输出特征进行合并分类预测，得到目标水文站点未来P小时的流量预测值。
-
Patent Agency Ranking
公开(公告)号：CN110895327A
公开(公告)日：2020-03-20
申请号：CN201911085093.1
申请日：2019-11-08
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于直接凸优化建模的鲁棒性自适应波束形成算法，属于雷达技术领域。本发明基于其发现的Robust-ADBF存在可减小误差，公开了一种基于直接凸优化建模的鲁棒性自适应波束形成算法，本发明的算法不仅避免了非凸优化问题近似成凸优化带来的误差，还进一步通过信号幅值响应约束来精确控制角度误差范围，并进行交叉迭代求解。本发明在干扰方向凹口更深，与现有波束形成方案相比，具有10dB以上的提升；且输出SINR有较大提升，系统性能更优。
-
公开(公告)号：CN106327527B
公开(公告)日：2019-05-14
申请号：CN201610657342.X
申请日：2016-08-11
Applicant: 电子科技大学
Abstract: 本发明提供了一种基于Online Boosting的目标轮廓跟踪方法，在目标精细跟踪的问题中使用超像素对含有跟踪目标的图像进行分块，每一个超像素被看做一个点，这降低了计算的复杂度；使用在线学习的方法来分割目标和背景。传统的Online Boosting算法中，训练样本的权重是相同的，不会随时间的变化而变化。但是在目标精细跟踪问题里面，由于运动目标时刻变化，所以对在线的分类器来说距离当前帧时间越久远的图像帧的权重应该越小，为了实现这种权重逐渐衰减的效果，本发明设计了一种样本权重随时间的久远程度而递减的Online Boosting分类器，随着视频帧数的增加，分类器的性能越来越好，从而实现准确的跟踪目标的精细轮廓。
-
公开(公告)号：CN106296740B
公开(公告)日：2019-05-14
申请号：CN201610659409.3
申请日：2016-08-11
Applicant: 电子科技大学
IPC: G06T7/20
Abstract: 本发明提供一种基于低秩稀疏表达的目标精细轮廓跟踪方法，从视频中目标的本质特性去分析，得到了视频前后两帧之间目标和背景的关系，所以能够应用在大多数场景下，此方法的创新之处在于：在目标精细跟踪的问题中使用超像素对含有跟踪目标的图像进行分块，每一个超像素被看做一个点，这降低了计算的复杂度；将对目标的跟踪问题建模为矩阵的低秩稀疏表达的问题，得到稀疏表达的系数之后，利用能量最小化的方法来分割目标和背景，提出新的能量函数模型的决策函数，在能量最小化方法中使用该决策函数作为目标和背景分割结果的依据。
-
公开(公告)号：CN106203349A
公开(公告)日：2016-12-07
申请号：CN201610548021.6
申请日：2016-07-12
Applicant: 电子科技大学
CPC classification number: G06K9/00221 , G06K9/6256
Abstract: 本发明公开了一种基于稀疏误差矩阵的人脸识别方法，属于模板识别技术领域。本发明基于PCA的低秩分解，得到表示去噪后的原图像的低秩矩阵和表示噪声的稀疏矩阵。根据得到的低秩矩阵和原样本矩阵的映射关系，得到一个低秩映射矩阵，从而根据这种低秩映射关系，得到测试样本与每一类数据样本之间的稀疏误差矩阵；再基于稀疏误差矩阵得到待匹配图像与每类测试样本的平滑度分析和边缘检测结果，结合平滑度分析和边缘检测结果进行融合判决，即取两者的加权和最小的类作为当前待匹配图像的匹配结果。本发明用于强光照、有遮挡等人脸特征类内变化比较大的复杂场景下的人脸识别，其识别的鲁棒性好，准确度高。
-
公开(公告)号：CN105868711A
公开(公告)日：2016-08-17
申请号：CN201610184336.7
申请日：2016-03-28
Applicant: 电子科技大学
Abstract: 本发明属于数字图像处理技术领域，涉及计算机视觉、模式识别、机器学习和数据挖掘等相关理论知识。本发明首先利用光流直方图对相邻两帧图片提取光流特征，并对单帧图像提取梯度直方图信息，获得监测场景内的运动特征信息，采用低维空间的特征信息并按照[动作1|动作2|动作3|……]的方式排列；然后用K均值的方式聚类，得到聚类中心后，将聚类中心作为过完备字典，求解测试样本在过完备字典下的稀疏低秩表达，得到表达矩阵；最后根据表达矩阵中的最大值求解出该测试样本所属的行为类别。本发明采用基于低秩稀疏的人体动作识别，采用交叉验证的方法，识别率92.3～98.79％，误识率1.21～7.6％。本发明具有低秩特点，且识别率上达到92.3～98.79％，误识率1.21～7.6％。
-
-
-
-
-
-
-
-
-
Search Results
48
records
(took 0.029 seconds)
