-
公开(公告)号：CN115526174A
公开(公告)日：2022-12-27
申请号：CN202211256290.7
申请日：2022-10-12
Applicant: 电子科技大学
IPC: G06F40/289 , G06F40/242 , G06F16/951 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种针对财经文本情感倾向分类的深度学习模型融合方法，包括以下步骤：S1：获取新闻直播网站发布的历史财经新闻信息；S2：基于已经获取的历史财经新闻信息，在现有财经词典的基础上，构建新的财经词典；S3：用新构建的财经词典，建立新的财经新闻数据集；S4：分别构建利用深度学习方法，用于财经文本情感倾向分类的三个神经网络模型；S5：采用集成学习中bagging的方式，完成对深度神经网络分类模型的训练，得到一种集成多模型财经文本情感倾向分类器。本发明通过自主采集财经新闻信息，构建新的财经词典，建立新的财经文本数据集，集成训练三个神经网络模型，完成集成多模型财经文本情感倾向分类器的构建工作。
-
公开(公告)号：CN113824903B
公开(公告)日：2022-12-02
申请号：CN202110918849.7
申请日：2021-08-11
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于压缩感知技术的图像数据传输系统，包括数据压缩模块和数据恢复模块，其中，数据压缩模块用于利用易失性忆阻器产生随机数，并利用所述随机数控制采样开关对原始图像数据中的像素点进行多次随机采集，获得所述原始图像的观测数据；数据恢复模块用于对所述观测数据在稀疏域中进行数据处理，获得所述原始数据的复原数据。由于易失性忆阻器具有结构简单、与CMOS兼容、功耗低等优点，在与压缩传感技术结合后，以远低于奈奎斯特采样的速率进行采样，大大降低了数据存储和运输所产生的功耗，加快了数据采样和复原速率。
-
公开(公告)号：CN111222474B
公开(公告)日：2022-11-04
申请号：CN202010023020.6
申请日：2020-01-09
Applicant: 电子科技大学
IPC: G06V20/13 , G06V10/80 , G06V10/82 , G06V10/762 , G06V10/764 , G06V10/774 , G06T7/73
Abstract: 一种任意尺度的高分辨率图像小目标检测方法，包括以下步骤：获取标注清洗的目标数据集，划分训练集和测试集；对数据集通过优化聚类算法计算预设锚框；设计卷积神经网络，通过特征提取得到特征图，在预测网络上添加补丁使上采样得到的特征图和特征提取层对应特征图维度保持一致，在不同尺度特征图上做多尺度检测；利用卷积神经网络对数据集进行训练，待性能评价指标收敛后得到具有小目标检测能力的神经网络模型；对测试数据集进行检测，得到目标类别和位置坐标。本发明适用任意尺寸的图像输入网络，避免缩小到固定尺寸输入网络后特征图上小目标特征的丢失，或裁剪图像导致边缘目标上下文信息丢失，有助于高分辨率图像小目标的检测，适用性广。
-
公开(公告)号：CN115049494A
公开(公告)日：2022-09-13
申请号：CN202210795830.2
申请日：2022-07-06
Applicant: 电子科技大学
Abstract: 本发明公开了一种卷积‑LSTM(Long Short‑Term Memory，长短期记忆网络)混合深度神经网络的股票涨跌预测系统，包括以下模块：股票历史数据存储模块、股票预测模型建立模块、股票预测模块，所述股票存储模块用于存储股票的历史数据样本集；所述股票预测模型建立模块是使用处理后的数据对深度神经网络进行训练的方法来建立股票预测模型；所述股票预测模块是利用前述股票预测模型建立模块所建立的股票预测模型，输入历史股票数据，输出预测的股票价格，再根据股票预测价格确定股票涨跌情况。本发明的深度神经网络是通过一维卷积神经网络对两组样本数据的特征进行提取得到两组不同的特征数据，再将两组特征数据融合后输入LSTM，从而得到对股票的预测价格。
-
公开(公告)号：CN109543643B
公开(公告)日：2022-07-01
申请号：CN201811451634.3
申请日：2018-11-30
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于一维全卷积神经网络的载波信号检测方法，包括以下步骤：S1、生成一维宽带频谱信号训练样本；S2、将信号训练样本输入一维全卷积神经网络进行训练，保存最终网络模型；S3、将真实卫星宽带频谱信号传输至网络模型中进行自动检测；S4、将网络模型输出结果拼接回原始宽带长度，进行二值化处理；找出每一个频段的起止点位置，再根据宽带频率分率和宽带实际频率起止点得到每一个窄带的载波实际频率起止。本发明将传统的寻找动态阈值的检测方式转变成为一个二分类问题，利用有效的样本进行训练可以提取出频谱信号的特征，通过Sigmoid函数可以准确地检测出载波的频率位置，能够提高检测效率和准确率，噪声抑制和自适应能力也得到增强。
-
Patent Agency Ranking
公开(公告)号：CN111913156B
公开(公告)日：2022-06-24
申请号：CN202010778765.3
申请日：2020-08-05
Applicant: 电子科技大学
Abstract: 一种基于深度学习模型与特征联合的雷达辐射源个体识别方法，其步骤为：1)采集不同雷达发射的中频AD信号数据，截取脉内信号数据生成雷达辐射源个体识别样本集；2)对雷达辐射源个体识别样本进行归一化处理并划分成训练样本集、验证样本集与测试样本集；3)构建基于深度学习模型与特征联合的雷达辐射源个体识别模型；4)训练基于深度学习模型与特征联合的雷达辐射源个体识别模型；5)用测试样本集获得雷达辐射源个体识别模型结果与特征判定结果；6)用雷达辐射源个体识别模型结果与特征判定结果联合计算最终识别结果并统计识别准确率。本发明具有普适性强，不需要人工特征提取和大量先验知识，具有复杂度低，分类结果准确稳定的优点。
-
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。
-
-
-
-
-
-
-
-
-
Search Results
103
records
(took 0.081 seconds)
