-
公开(公告)号：CN118625269A
公开(公告)日：2024-09-10
申请号：CN202410614323.3
申请日：2024-05-17
Abstract: 本发明属于雷达探测技术领域，具体为一种W频段地面目标散射特性模拟方法。本发明方法包括设置模拟参数并进行地面背景网格剖分，然后用双尺度方法计算地面背景的散射贡献，以及基于散射源计算目标的散射贡献，基于耦合散射源计算目标‑地面多次散射贡献，最后将各部分散射场合成得到包含地面和目标的总散射特性。最终结果表明，本方法能有效模拟目标与地表的耦合散射贡献，极大降低计算复杂度。
-
公开(公告)号：CN116347352A
公开(公告)日：2023-06-27
申请号：CN202310212596.0
申请日：2023-03-07
Applicant: 复旦大学
IPC: H04W4/029 , H04W4/02 , H04W24/08 , H04W72/0453
Abstract: 本发明属于移动通信技术领域，具体为一种基于5G载波相位的融合定位方法。本发明融合DL‑TDOA与载波相位测量技术；在UE的可接入范围内部署至少四个5G基站(BS)。BS发送经OFDM调制的定位信号至UE，利用DL‑TDOA定位方法在UE端解算出UE的低精度空间位置，得到UE与每个BS的直线距离；在UE端则利用每个BS的定位信号计算载波相位，联合DL‑TDOA得到的距离建立约束方程，解算出UE的三维空间坐标，对UE实现高精度定位。本发明利用5G大带宽的特性，通过组合子载波来提高等效载波波长，降低载波整周模糊度的求解难度。
-
Patent Agency Ranking
公开(公告)号：CN113281715A
公开(公告)日：2021-08-20
申请号：CN202110502556.0
申请日：2021-05-09
Applicant: 复旦大学
Abstract: 本发明属于雷达数据处理技术领域，具体为一种基于神经网络的雷达目标特性数据表征方法。本发明方法包括对原始目标特性数据进行预处理，然后对神经网络进行训练，在精度可控条件下训练得到的网络模型，用于对雷达目标特性数据进行表征；本发明进一步从俯仰角、方位角以及频率三个属性出发建立雷达目标特性数据库；最终结果表明，通过神经网络对雷达目标特性数据库进行压缩，能够有效解决传统方法的算法复杂度高以及不具有普适性等问题。
-
公开(公告)号：CN111105391A
公开(公告)日：2020-05-05
申请号：CN201911144016.9
申请日：2019-11-20
Applicant: 复旦大学
IPC: G06T7/00
Abstract: 本发明属于表面缺陷检测技术领域，具体为一种基于深度神经网络增广训练的表面缺陷检测方法。本发明方法，对于深度神经网络在物体表面缺陷数据集经过增广的数据集上进行训练；训练过程分为：静态增广训练和动态增广训练；前者仅针对表面缺陷数据集进行翻转和小幅平移增广操作的数据集进行训练，后者针对表面缺陷数据集进行其它增广操作的数据集进行训练；对表面缺陷数据集的增广操作包括平移、旋转、缩放、添加噪声、亮度调整、图像填充等；实验表明，本发明可防止神经网络过拟合或无法拟合，节省训练时间，增强深度神经网络模型的准确率和鲁棒性；在数据集较小及类型不均衡的情况下，可以提高物体表面缺陷检测的精确度和召回率。
-
公开(公告)号：CN116047455A
公开(公告)日：2023-05-02
申请号：CN202310055790.2
申请日：2023-01-20
Applicant: 复旦大学
Abstract: 本发明属于探地雷达数据解译技术领域，具体为一种基于图形用户界面的探地雷达地下管道参数反演方法。本发明方法包括设计专用图形用户界面，分为：探地雷达B‑Scan信号的显示与交互区、阈值的调节、探地雷达基本参数输入、开始按钮、拟合结果的显示；通过图形用户界面对探地雷达B‑Scan图像中的双曲线特征进行关键点标注，结合输入的探地雷达系统的采样时间间隔和横向道间距离，实现地下管道埋深和半径参数的反演，得到地下管道的埋深和半径参数。实验结果表明，本发明可以对探地雷达地下管道的埋深和半径进行正确反演，解决传统方法通用性不够强、受噪声影响、计算量大、缺少半径反演结果等问题。
-
公开(公告)号：CN111105391B
公开(公告)日：2023-05-02
申请号：CN201911144016.9
申请日：2019-11-20
Applicant: 复旦大学
IPC: G06T7/00
Abstract: 本发明属于表面缺陷检测技术领域，具体为一种基于深度神经网络增广训练的表面缺陷检测方法。本发明方法，对于深度神经网络在物体表面缺陷数据集经过增广的数据集上进行训练；训练过程分为：静态增广训练和动态增广训练；前者仅针对表面缺陷数据集进行翻转和小幅平移增广操作的数据集进行训练，后者针对表面缺陷数据集进行其它增广操作的数据集进行训练；对表面缺陷数据集的增广操作包括平移、旋转、缩放、添加噪声、亮度调整、图像填充等；实验表明，本发明可防止神经网络过拟合或无法拟合，节省训练时间，增强深度神经网络模型的准确率和鲁棒性；在数据集较小及类型不均衡的情况下，可以提高物体表面缺陷检测的精确度和召回率。
-
公开(公告)号：CN113281715B
公开(公告)日：2022-06-21
申请号：CN202110502556.0
申请日：2021-05-09
Applicant: 复旦大学
Abstract: 本发明属于雷达数据处理技术领域，具体为一种基于神经网络的雷达目标特性数据表征方法。本发明方法包括对原始目标特性数据进行预处理，然后对神经网络进行训练，在精度可控条件下训练得到的网络模型，用于对雷达目标特性数据进行表征；本发明进一步从俯仰角、方位角以及频率三个属性出发建立雷达目标特性数据库；最终结果表明，通过神经网络对雷达目标特性数据库进行压缩，能够有效解决传统方法的算法复杂度高以及不具有普适性等问题。
-
-
-
-
-
-
Search Results
7
records
(took 0.024 seconds)
