-
公开(公告)号：CN113094993B
公开(公告)日：2022-03-29
申请号：CN202110386948.5
申请日：2021-04-12
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于自编码神经网络的调制信号去噪方法，包括以下步骤：步骤1、采用MATLAB仿真软件模拟一般通信链路结构，生成各类通信调制信号的带噪样本数据集和纯净样本数据集；步骤2、对各样本集进行[0，1]归一化；步骤3、构建基于自编码神经网络的调制信号去噪自动编码器并设置超参数；步骤4、训练去噪模型，利用反向传播算法和梯度下降法优化更新神经网络中参数的取值，得到去噪模型。本发明使用了基于自编码神经网络的去噪网络模型，避免了传统调制信号去噪算法中对信号复杂的预处理过程，整体结构流程较简单，网络计算量较小，去噪速度较快。
-
公开(公告)号：CN113111772A
公开(公告)日：2021-07-13
申请号：CN202110386946.6
申请日：2021-04-12
Applicant: 电子科技大学
Abstract: 本发明公开了基于一维多核并行结构的信道编码结构识别方法，包括以下步骤：S1、使用MATLAB生成具有不同信道编码结构的信号样本；S2、构造一维多核并行结构；S3、构建基于一维多核并行结构的信道编码结构识别网络模型；S4、设置训练基于一维多核并行结构的信道编码结构识别网络模型的超参数；S5、将训练集输入基于一维多核并行结构的信道编码结构识别网络，训练基于一维多核并行结构的信道编码结构识别网络模型的参数，从而获得基于一维多核并行结构的信道编码结构识别网络模型的最终形式。本发明解决了传统方法难以进行信号盲识别的缺点，可以自动提取输入信号的信道编码特征，将接收机接收到的信号进行信道编码结构的识别，提高编码识别准确率。
-
公开(公告)号：CN111355658A
公开(公告)日：2020-06-30
申请号：CN202010128313.0
申请日：2020-02-28
Applicant: 电子科技大学
IPC: H04L12/715 , H04L29/08
Abstract: 本发明公开了一种基于分布式服务框架的SDN跨域协作方法，设置用于实现分布式应用协调服务的分布式跨域协作模块，并为各个SDN网络中的SDN控制器设置一个代理模块，该代理模块用于实现SDN控制器和分布式跨域协作模块之间的通信；上层应用将任务请求发送至代理模块，如果是域内任务请求则由代理模块发送给域内控制器进行处理，如果是域外任务请求，则通过分布式跨域协作模块将任务请求转发至目标域的代理模块，再由目标域的代理模块发送给目标域的SDN控制器进行处理，处理结果也通过分布式跨域协作模块反馈。本发明引入分布式跨域协作模块和代理模块，解决跨域协作问题。
-
公开(公告)号：CN109495214B
公开(公告)日：2020-03-24
申请号：CN201811416524.3
申请日：2018-11-26
Applicant: 电子科技大学
IPC: H04L1/00
Abstract: 本发明公开了基于一维Inception结构的信道编码类型识别方法，包括以下步骤：S1、生成不同编码类型的信号样本，并将生成的信号样本划分为训练集和测试集；S2、构造一维Inception结构；S3、构建基于一维Inception结构的信道编码类型识别模型；S4、设置训练基于一维Inception结构的信道编码类型识别模型的超参数；S5、训练基于一维Inception结构的信道编码类型识别模型的最终形式；S6、将测试集输入识别模型的最终形式中，得到测试集中信号编码类型的识别结果。本发明通过更改Inception结构设计了新的一维卷积神经网络，并将该神经网络应用到了一维信号的信道编码类型识别，通过接收到了解调信号可以准确率的判断信道编码类型，对后续的信道编码参数识别、信道译码等工作有重要意义。
-
公开(公告)号：CN108647568A
公开(公告)日：2018-10-12
申请号：CN201810275831.8
申请日：2018-03-30
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于全卷积神经网络的草地退化自动提取方法，包括以下步骤：S1、获取待检测区域的影像数据作为数据集，并进行像素标记得到对应的样本标签；S2、进行数据扩展和数据增强，划分训练集和测试集；S3、设计全卷积神经网络；S4、将训练集和对应样本标签作为输入数据，利用神经网络进行训练，待神经网络的性能评价指标收敛后得到具有退化草地提取能力的神经网络模型；S5、对测试集进行特征提取，得到每一个像素对应的标签值，根据标签值着色后得到退化草地的分割提取结果。本发明采用了端到端训练模型，缩减了人工预处理和后处理，简化了草地退化提取流程，具有更强的适应性和高效性，可以实现任意尺寸的图像的输入，适用性广。
-
Patent Agency Ranking
公开(公告)号：CN107068607A
公开(公告)日：2017-08-18
申请号：CN201710272617.2
申请日：2017-04-24
Applicant: 西安电子科技大学
IPC: H01L21/683
Abstract: 本发明公开了一种基于牺牲层的电极材料转移方法，主要解决电极材料转移中容易出现裂纹，成功率低的问题，其实现方案是：1)在清洗后的亲水性源衬底上采用电子束蒸发的方法制备具有疏水性质的牺牲层，再旋涂聚酰亚胺液体并进行热固化；2)用细胶带贴住样片的四周边缘区域在处理后的样片上制备电极，再进行光刻胶的旋涂，并完成烘胶；3)将烘胶后的样片泡在水中，再施以稍许应力，使牺牲层与源衬底迅速实现亲水性分离，随后采用腐蚀剂腐蚀牺牲层；4)用丙酮除去释放后薄膜上的光刻胶，再将薄膜粘附到目的衬底上，转移结束。本发明具有操作简单，成功率高，衬片可重复利用的优点，可用于对延展性较差的电极材料的转移工作。
-
公开(公告)号：CN102364944A
公开(公告)日：2012-02-29
申请号：CN201110372003.4
申请日：2011-11-22
Applicant: 电子科技大学
Abstract: 一种预防人员聚集的视频监控方法，属于图像处理技术领域，应用于特殊场合(比如：戒毒场所、监狱等)下预防人员聚集的视频监控。包括1)采集视频监控图像；2)确定当前帧的背景；3)计算当前帧与其背景之间的差分图像、并二值化；4)对二值化差分图像进行形态学处理、并提取出运动目标；5)确定运动目标的位置、大小以及几何中心位置；6)计算并判断任意两个运动目标几何中心之间的距离是否小于距离阈值L，若小于距离阈值L，则发出预警信号。本发明对需要预防人员聚集的场合进行视频监控，通过计算机图像处理技术实现自动检测和判断人员聚集情况，克服了由人的主观经验来判断的缺陷，同时能够提高预警准确率和提高视频监控工作人员的效率。
-
公开(公告)号：CN119675633A
公开(公告)日：2025-03-21
申请号：CN202411512893.8
申请日：2024-10-28
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种带扫描的脉冲锁存触发器电路，包括：数据选择单元，用于接收数据输入信号、扫描输入信号和使能信号，并响应于使能信号从数据输入信号和扫描输入信号中选择一个信号作为第一输出信号；脉冲产生单元，用于接收时钟信号，并根据时钟信号生成脉冲信号，脉冲信号是在时钟信号的上升沿之后生成；锁存器单元，包含用于根据自身的输入端和输出端的信号的不同进行充电或放电的时钟馈通单元，锁存器单元用于接收第一输出信号和脉冲信号，并与脉冲信号同步地锁存第一输出信号，以及响应于第一输出信号和上一个周期的第二输出信号的反向信号，生成当前周期的第二输出信号并输出。本发明具有高速、延时低、功耗低、充放电速度快的优点。
-
公开(公告)号：CN118964842A
公开(公告)日：2024-11-15
申请号：CN202410986999.5
申请日：2024-07-23
Applicant: 电子科技大学
IPC: G06F18/10 , G06F18/213 , G06N3/0455 , G06N3/0499 , G06N3/08
Abstract: 本发明提出了一种基于多尺度Transformer的自适应经验模态分解预测方法，包括以下步骤：S1：基于时间序列，对数据进行预处理；S2：将S1的结果输入到自适应经验模态分解预测算法结构中，对输入数据集进行自适应经验模态分解，得到有限个本征模函数；S3：模型将S2的结果输入多尺度编码器中，得到各尺度编码特征向量；S4：将S3的结果输入多尺度解码器中，得到各尺度解码特征向量；S5：对S4的结果进行拼接和线性变换，得到时间序列预测结果。本发明提出的算法结合了自适应经验模态分解技术和多尺度Transformer模型。因此其不仅提高了预测的准确性和鲁棒性，还具备自适应能力，能够有效地避免数据中噪声的干扰，以适应非平稳时间序列。
-
公开(公告)号：CN118378028A
公开(公告)日：2024-07-23
申请号：CN202410428030.6
申请日：2024-04-10
Applicant: 电子科技大学
IPC: G06F18/15 , G06F18/214 , G06F18/213 , G06N3/0985 , G06N3/08 , G06N3/0464 , G06N3/048
Abstract: 本发明公开了一种基于持续对抗域适应的辐射源时间影响因素去除方法，包括以下步骤：S1、收集不同时间下多个辐射源发射的中频AD信号数据；S2、对辐射源信号样本集进行归一化处理；S3、构建辐射源时间影响因素去除网络模型；S4、训练网络模型；S5、采用持续学习方法，对新时间段的信号进行预处理，并送入训练好的模型进行预测，将置信度高的数据打上伪标签并加入特征追踪数据库；然后，基于特征追踪数据库对模型进行持续训练以持续跟踪和适应信号指纹特征的变化。本发明采用对抗域适应网络，通过对抗迭代训练的方法消除时间影响因素，并采用持续学习方法持续跟踪和适应辐射源指纹随时间的变化，最终得到的模型将不受时间因素的影响。
-
-
-
-
-
-
-
-
-
Search Results
97
records
(took 0.03 seconds)
