-
公开(公告)号：CN115393712A
公开(公告)日：2022-11-25
申请号：CN202211013245.9
申请日：2022-08-23
Applicant: 杭州电子科技大学
Abstract: 本发明公开了基于动态混合池化策略的SAR图像道路提取方法及系统，方法包括以下步骤：S1、获取SAR图像训练数据集，进行预处理并在数据集中标注出道路的区域；S2、基于动态混合池化策略，在Resnet‑34网络中构建两个动态混合池化模块；S3、采用梯度下降算法和反向传播算法训练步骤S2改进的Resnet‑34中每层网络的参数和动态混合池化模块中每种池化的权重系数；S4，利用步骤S3训练好的Resnet‑34道路提取网络对预测数据集目标区域的道路进行预测，并得到结果。本发明动态混合池化策略中的条形池化能够捕获道路SAR图像中的长距离关系和局部上下文，适用于具有长条形结构特征的道路SAR图像。
-
公开(公告)号：CN115242246A
公开(公告)日：2022-10-25
申请号：CN202210916357.9
申请日：2022-08-01
Applicant: 杭州电子科技大学
IPC: H03M1/12
Abstract: 本发明提出一种抗脉冲幅度抖动的非均匀移相光量化模数转换器，包括电光调制器、非均匀移相器、互补光产生模块、光功率控制模块、平衡阈值判决模块，电光调制器用于对输入的模拟电信号进行电光转换并完成光采样；非均匀移相器用于对电光调制器输入的光信号进行移相操作；互补光产生模块用于将非均匀移相器输入的光信号分成两条幅度互补的光信号；光功率控制模块用于控制互补光产生模块输入的两互补光之间的功率比；平衡阈值判决模块用于对光功率控制模块输出的互补光进行差分检测，并进行阈值判决输出量化编码。本发明解决了采样脉冲幅度抖动对量化性能产生影响的问题，能够更好的满足高速高性能模数转换的应用需求。
-
公开(公告)号：CN115134027A
公开(公告)日：2022-09-30
申请号：CN202210718163.8
申请日：2022-06-23
Applicant: 杭州电子科技大学
IPC: H04B17/391 , H04B17/336 , H04L1/00 , H04L1/06
Abstract: 本发明公开了一种联合均匀量化和理想信道编码的平均失真理论值的推导方法及系统，方法按如下步骤进行：步骤1.在均匀量化的BSC信道下推导平均失真D；步骤2.推导联合均匀量化和理想信道编码的衰落信道下的平均失真D；步骤3.推导衰落信道下单发单收天线系统的平均失真D1；步骤4.推导衰落信道下双发单收天线系统的平均失真D2。本发明能有效推导出两种天线系统情况下平均失真的理论值。
-
公开(公告)号：CN115019192A
公开(公告)日：2022-09-06
申请号：CN202210596073.6
申请日：2022-05-30
Applicant: 杭州电子科技大学
IPC: G06V20/13 , G06V20/70 , G06V10/26 , G06V10/75 , G06V10/74 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/04 , G06N3/08
Abstract: 本发明公开了基于双通道主干网络和联合损失函数的洪灾变化检测方法及系统，其方法包括：S1、获取双极化SAR图像，对图像进行预处理，标注出受到洪灾影响区域，获得数据集；S2、基于双通道主干网络和联合损失函数构建改进的DeeplabV3+模型，并利用数据集训练模型；S3、利用训练后的DeeplabV3+模型预测目标区域的洪灾水域结果并提取；S4、基于提取的洪灾水域结果，利用差值法得到水体的变化情况。本发明综合利用了双极化SAR图像的特征信息，提升了模型的鲁棒性；基于主动轮廓模型损失函数构建联合损失函数，提升洪灾水体边缘定位和保持能力的同时增强了模型的泛化性能，最终实现洪灾水体的准确检测与分割。
-
公开(公告)号：CN114578403A
公开(公告)日：2022-06-03
申请号：CN202210200510.8
申请日：2022-03-02
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种在高动态环境下的频率精细估算方法，包括如下步骤：S1‑1、获取接收端信号；S1‑2、计算接收端信号的峰值；S1‑3、通过公式粗略估算MF参数；S2‑1、获取观测到的峰值并转化为表达式；S2‑2、通过峰值表达式设定联合概率密度函数；S2‑3、通过联合概率密度函数得到目标函数，并计算目标函数的最优值；S2‑4、把最优值代入接收端信号的峰值的表达式中，通过奇异点分割优化，改写目标函数，并得到差分函数和峰值误差函数；S2‑5、计算出反馈误差，并通过迭代，得到精确估算参数MF。可以通过高动态参数来计算出MF，从而可以为高动态环境下实现精确定位，并且可以实现高检测频率实现参数概率参数估计和高频率估计参数精度实现高动态环境下频率参数捕获。
-
Patent Agency Ranking
公开(公告)号：CN113128107B
公开(公告)日：2022-05-13
申请号：CN202110371619.3
申请日：2021-04-07
Applicant: 杭州电子科技大学
IPC: G06F30/27 , G06N3/00 , G06F111/10
Abstract: 本发明公开了一种基于构造定正Liapunov函数的单种群平衡系统及方法，本发明方法按如下步骤：步骤1.构建种群的数学模型；步骤2.计算种群趋于的平衡点；步骤3.根据平衡点的稳定性，构造定正的Liapunov函数；步骤4.根据定正的Liapunov函数稳定性，以平衡点为极限进行分析优化；步骤5.种群密度趋于平衡点，获得物种平衡的区域。本发明为了探究单种群的稳定性，通过对密度受限的单种群进行数学建模，构造定正的Liapunov函数，根据全局渐进稳定性定理，以平衡点为渐进线分析优化，求解出单种群趋于生态平衡的区域，然后数值模拟验证该方法的正确性。
-
公开(公告)号：CN113746813B
公开(公告)日：2022-05-10
申请号：CN202110938301.9
申请日：2021-08-16
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于两阶段学习模型的网络攻击检测系统及方法，本发明方法按如下步骤进行：步骤1：将网络数据集的特征子集被作为不可分单元进行特征组合的评估，实现网络数据集的特征维度约简；步骤2：将缩减后的网络数据集作为训练数据利用深度学习技术实现网络攻击实时检测模型。本发明两阶段网络攻击检测技术方案，充分考虑了网络高危数据的特征组合效应，针对网络攻击检测需要保证的精确性和时效性，使用特征选择技术、进化搜索技术和深度学习模型结合，以提升网络攻击检测的识别精度并大夫缩减模型训练时间。
-
公开(公告)号：CN114355421A
公开(公告)日：2022-04-15
申请号：CN202111585074.2
申请日：2021-12-22
Applicant: 杭州电子科技大学
Abstract: 本发明主要提供一种基于北斗导航系统卫星L4和CMC组合观测值的洪水探测方法，该方法既能够有效克服低端接收机不输出载噪比观测值而导致基于北斗卫星载噪比的洪水探测法失效的问题，同时又通过双组合观测值联合探测提高了洪水探测的成功率和准确率。因为地面积水会导致北斗信号产生严重的多径信号，而多径信号会直接影响L4和CMC组合观测值，其中L4组合观测值直接受北斗卫星载波信号的多径影响，CMC组合观测值直接受北斗卫星伪距信号的多径影响。因此，可以利用L4和CMC组合观测值对洪水进行联合探测。
-
公开(公告)号：CN113887691A
公开(公告)日：2022-01-04
申请号：CN202110974119.9
申请日：2021-08-24
Applicant: 杭州电子科技大学
IPC: G06N3/00
Abstract: 本发明公开了面向服务组合问题的鲸鱼进化方法及系统，本发明方法步骤如下：步骤1：将web服务组合问题转化为单目标优化问题，建立适应度函数；步骤2：对web服务组合问题进行整数型编码；步骤3：建立WOA算法模型；步骤4：对WOA算法进行整数型编码，转化为DWOA算法；步骤5：使用DWOA算法对问题模型开始迭代寻优；步骤6：结束搜索，输出搜索最优的服务组合编码序列与此时的最优web服务组合QoS值。当服务组合序列数量级达到一定规模时，采用本发明求解最优服务组合相较随机搜索方法的最优值将得到显著的提升，而相较遍历搜索方法则具有更高的寻优效率，从而契合于web服务组合优化问题中可靠性与实时性的特性要求，提供较优质的组合服务。
-
公开(公告)号：CN113746813A
公开(公告)日：2021-12-03
申请号：CN202110938301.9
申请日：2021-08-16
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于两阶段学习模型的网络攻击检测系统及方法，本发明方法按如下步骤进行：步骤1：将网络数据集的特征子集被作为不可分单元进行特征组合的评估，实现网络数据集的特征维度约简；步骤2：将缩减后的网络数据集作为训练数据利用深度学习技术实现网络攻击实时检测模型。本发明两阶段网络攻击检测技术方案，充分考虑了网络高危数据的特征组合效应，针对网络攻击检测需要保证的精确性和时效性，使用特征选择技术、进化搜索技术和深度学习模型结合，以提升网络攻击检测的识别精度并大夫缩减模型训练时间。
-
-
-
-
-
-
-
-
-
Search Results
72
records
(took 0.027 seconds)
