-
公开(公告)号：CN120012399A
公开(公告)日：2025-05-16
申请号：CN202510076378.8
申请日：2025-01-17
Applicant: 南通大学
Abstract: 本发明公开了一种卫星船载动中通对星半实物仿真方法及系统，所述方法包括基于satellite工具箱与自定义多元的两行报表TLE数据的卫星星历解算与卫星轨迹预测，为动中通对星过程生成目标卫星；基于海域特征修正的海浪功率谱经验函数，进行船舶颠簸模拟，为动中通对星添加扰动；基于艾伦方差的实测惯导数据误差模型与漂移模型的仿真拟合，实时反馈动中通天线系统三轴角度；基于传感器误差模型与漂移模型修正插值系数的三次样条插值、外推算法的多传感器同步，提高仿真真实性与数据可靠性。本发明搭建的动中通半实物仿真平台有效还原了动中通天线的对星通信过程，保证了通信数据输入输出的稳定性，支持引入实测数据进行半实物仿真，验证对星算法的准确性。
-
公开(公告)号：CN116433494B
公开(公告)日：2024-02-02
申请号：CN202310420534.9
申请日：2023-04-19
Applicant: 南通大学
IPC: G06T3/608 , G06T3/4046 , G06T5/94 , G06T7/11 , G06N3/0464 , G06V30/146
Abstract: 本发明涉及档案扫描图像自动纠偏裁边技术领域，尤其涉及一种基于深度学习的档案扫描图像自动纠偏裁边方法，包括：对档案扫描图像进行预处理；将处理好的图像数据集放入角度校正和边缘切割网络模型中进行训练；对图像进行特征提取；对图像进行自动纠偏裁边处理；利用训练所得模型处理档案扫描图像，并输出经过自动纠偏裁边处理的档案扫描图像。该模型包含特征提取模块、纠偏模块和裁边模块。同时，在纠偏模块和裁边模块中分别加入自适应卷积模块和通道注意力模块，使得较小的角度偏移也能得到精确处理及降低图像的边缘模糊度。本发明可提升模型计算的速度，使得模型更加轻量化，提高了档案扫描图像纠偏裁边的效率以及精确处理小角度偏移图片。
-
公开(公告)号：CN114611792B
公开(公告)日：2023-05-02
申请号：CN202210238135.6
申请日：2022-03-11
Applicant: 南通大学
IPC: G06Q10/04 , G06N3/0464
Abstract: 本发明涉及一种基于混合CNN‑Transformer模型的大气臭氧浓度预测方法，设计了一种混合CNN‑Transformer模型，该模型由卷积神经网络和改进的Transformer模型组合构成。卷积神经网络由2个一维卷积层组成，Transformer模型由编码器和解码器组成，每个编码器有3个编码层，解码器有3个解码层。同时，在传统Transformer编码器解码器架构的基础上，为编码器的不同编码层之间加入了“编码器到编码器”的交叉多头注意力层，进一步挖掘不同编码层之间编码信息的关联。CNN模型可以在特征维度上很好地提取有效信息，弥补了Transformer模型中编码器提取信息能力不足的问题。该预测方法能够更真实地反映多元数据对臭氧浓度的影响，并通过CNN‑Transformer模型学习这种影响模式，从而给出更精确的臭氧浓度预测结果。
-
公开(公告)号：CN116596033A
公开(公告)日：2023-08-15
申请号：CN202310575634.9
申请日：2023-05-22
Applicant: 南通大学
IPC: G06N3/0455 , G06N3/08 , G06N5/04 , G06F17/18
Abstract: 本发明涉及臭氧浓度预测技术领域，尤其涉及一种基于窗口注意力和生成器的Transformer臭氧浓度预测方法，包括模型训练阶段和模型推理阶段；模型训练阶段包括：步骤S1.1、数据预处理阶段；步骤S1.2、调整模型参数，构建基于窗口注意力和生成器的TransformerWAG‑NAT模型，WAG‑NAT模型包括编码器、生成器和解码器三个部分；步骤S1.3、将历史数据输入至WAG‑NAT模型的编码器中，抽取历史信息和长程依赖；步骤S1.4、将协变量输入至生成器中，结合编码器的输出，生成最优序列；步骤S1.5、将生成器产生的序列输入至解码器中，得到的运算结果即为预测结果。本发明不仅能有效提取局部信息，还能充分挖全局信息，并将二者融合；还学习其他多源数据对臭氧浓度的影响模式，从而给出更精确的臭氧浓度预测结果。
-
公开(公告)号：CN116433494A
公开(公告)日：2023-07-14
申请号：CN202310420534.9
申请日：2023-04-19
Applicant: 南通大学
IPC: G06T3/60 , G06T3/40 , G06T5/00 , G06T7/11 , G06N3/0464 , G06V30/146
Abstract: 本发明涉及档案扫描图像自动纠偏裁边技术领域，尤其涉及一种基于深度学习的档案扫描图像自动纠偏裁边方法，包括：对档案扫描图像进行预处理；将处理好的图像数据集放入角度校正和边缘切割网络模型中进行训练；对图像进行特征提取；对图像进行自动纠偏裁边处理；利用训练所得模型处理档案扫描图像，并输出经过自动纠偏裁边处理的档案扫描图像。该模型包含特征提取模块、纠偏模块和裁边模块。同时，在纠偏模块和裁边模块中分别加入自适应卷积模块和通道注意力模块，使得较小的角度偏移也能得到精确处理及降低图像的边缘模糊度。本发明可提升模型计算的速度，使得模型更加轻量化，提高了档案扫描图像纠偏裁边的效率以及精确处理小角度偏移图片。
-
Patent Agency Ranking
公开(公告)号：CN114844541B
公开(公告)日：2023-04-07
申请号：CN202210428661.9
申请日：2022-04-22
Applicant: 南通大学
IPC: H04B7/0456
Abstract: 本发明涉及一种基于深度学习的混合预编码和反馈方法，离线训练阶段中首先由信道矩阵计算预编码矩阵和合并矩阵，并输入混合预编码深度学习模型训练，将输出的预编码矩阵和样本预编码矩阵输入压缩重建深度学习模型训练，然后将压缩重建模型拆分为压缩网络和重建网络，将混合预编码、压缩网络部署在接收端，重建网络部署在发送端。在线预测阶段中，接收端将信道矩阵输入混合预编码网络，得到预编码矩阵和合并矩阵，将预编码矩阵输入压缩网络，得到反馈信息并传输给发送端，发送端将反馈信息输入重建网络得到预编码矩阵。本发明利用深度学习技术，实现了预编码、合并矩阵的设计以及反馈，可获得较好的频谱效率，也减少了反馈的开销和硬件的复杂度。
-
公开(公告)号：CN119861234A
公开(公告)日：2025-04-22
申请号：CN202510026980.0
申请日：2025-01-08
Applicant: 南通大学
Abstract: 本发明公开了一种面向中轨卫星的船载动中通天线指向误差损耗估计方法，包括基于中轨卫星两行根数导入STK分析软件得出目标卫星在地心大地坐标系下的高度、经度、纬度；其次基于中轨卫星位置信息建立椭球体坐标系，得到中轨卫星在椭球体坐标系下的位置矢量，进一步得到地理坐标系下的天线位置矢量；再基于船舶的姿态信息旋转坐标系将地理坐标系下的天线位置矢量转换到载体坐标系，得到船舶载体坐标系下天线理论的俯仰角，方位角；然后在船载动中通天线转台中安装编码器获得天线在船舶坐标系下实际的俯仰角、方位角，最后基于天线理论指向角和实际指向角，得出天线指向误差损耗。本发明具有估计方便，准确性高的特点。
-
公开(公告)号：CN114501497B
公开(公告)日：2023-04-28
申请号：CN202210073010.2
申请日：2022-01-21
Applicant: 南通大学
Abstract: 本发明公开了一种基于信噪泄漏比的多智能反射面与多用户的匹配方法，该方法首先用户端发送正交导频信号，基站端根据接收的导频信号估计出直接链路和反射级联链路信道状态信息；然后基站端采用广义瑞利熵算法计算得到最佳预编码向量；接着基站端计算得出其通过每一个智能反射面服务不同用户端时的信噪泄漏比值；最后基站端采用基于信噪泄漏比权值的Kuhn‑Munkres算法，经迭代获得一组最大权值的智能反射面与用户端匹配结果，依据匹配结果配置智能反射面的幅度和相位进行下行链路数据通信。本发明增强了系统稳定性，提升了无线通信系统的频谱效率以及能量效率。
-
公开(公告)号：CN114844541A
公开(公告)日：2022-08-02
申请号：CN202210428661.9
申请日：2022-04-22
Applicant: 南通大学
IPC: H04B7/0456
Abstract: 本发明涉及一种基于深度学习的混合预编码和反馈方法，离线训练阶段中首先由信道矩阵计算预编码矩阵和合并矩阵，并输入混合预编码深度学习模型训练，将输出的预编码矩阵和样本预编码矩阵输入压缩重建深度学习模型训练，然后将压缩重建模型拆分为压缩网络和重建网络，将混合预编码、压缩网络部署在接收端，重建网络部署在发送端。在线预测阶段中，接收端将信道矩阵输入混合预编码网络，得到预编码矩阵和合并矩阵，将预编码矩阵输入压缩网络，得到反馈信息并传输给发送端，发送端将反馈信息输入重建网络得到预编码矩阵。本发明利用深度学习技术，实现了预编码、合并矩阵的设计以及反馈，可获得较好的频谱效率，也减少了反馈的开销和硬件的复杂度。
-
公开(公告)号：CN114611792A
公开(公告)日：2022-06-10
申请号：CN202210238135.6
申请日：2022-03-11
Applicant: 南通大学
Abstract: 本发明涉及一种基于混合CNN‑Transformer模型的大气臭氧浓度预测方法，设计了一种混合CNN‑Transformer模型，该模型由卷积神经网络和改进的Transformer模型组合构成。卷积神经网络由2个一维卷积层组成，Transformer模型由编码器和解码器组成，每个编码器有3个编码层，解码器有3个解码层。同时，在传统Transformer编码器解码器架构的基础上，为编码器的不同编码层之间加入了“编码器到编码器”的交叉多头注意力层，进一步挖掘不同编码层之间编码信息的关联。CNN模型可以在特征维度上很好地提取有效信息，弥补了Transformer模型中编码器提取信息能力不足的问题。该预测方法能够更真实地反映多元数据对臭氧浓度的影响，并通过CNN‑Transformer模型学习这种影响模式，从而给出更精确的臭氧浓度预测结果。
-
-
-
-
-
-
-
-
-
Search Results
13
records
(took 0.015 seconds)
