-
公开(公告)号：CN114501451B
公开(公告)日：2024-10-08
申请号：CN202210305200.2
申请日：2022-03-25
Applicant: 成都信息工程大学
IPC: H04W12/06 , G06N3/0464 , G06F18/214 , G06F17/16
Abstract: 本发明公开了一种基于有限重组数据增强的物理层信道安全认证方法，该方法包括以下步骤：采集初始信道指纹；对初始信道指纹进行预处理，得到初始训练样本集；对初始训练样本集进行有限重组数据增强处理；用数据增强后的训练数据集去训练网络模型，从而得到物理层信道指纹认证模型；对未知信道指纹进行安全认证。本发明在获取较少的原始信道指纹数据的情况下，通过有限重组数据增强的方法快速生成更多的训练数据样本，提升了网络模型的训练速度。
-
公开(公告)号：CN117370737A
公开(公告)日：2024-01-09
申请号：CN202311679986.5
申请日：2023-12-08
Applicant: 成都信息工程大学
IPC: G06F18/10 , G06F18/2131 , G06F18/2415 , G06F18/21 , G06F123/02
Abstract: 本发明公开了一种基于自适应高斯滤波器的非稳态非高斯噪声去除方法，涉及非稳态非高斯噪声去除领域。该方法包括：将非稳态非高斯噪声信号分解为本征模态函数信号；获取初始引导本征模态函数信号和初始混合本征模态函数信号；利用多分辨率局部相似度方法，获取引导本征模态函数信号和混合本征模态函数信号；根据引导本征模态函数信号确定自适应高斯滤波器，并利用其对混合本征模态函数信号进行滤波，获取去除非稳态非高斯噪声的信号。本发明能避免假设噪声模型不准确、需要大量噪声历史数据获取噪声信息以及后验估计噪声密度不准确的缺点，并确保对谐波信号以外的常见信号具有通用性，进而提升对非稳态非高斯噪声的去除效果。
-
公开(公告)号：CN112001239B
公开(公告)日：2023-11-28
申请号：CN202010679460.7
申请日：2020-07-15
Applicant: 成都信息工程大学
Abstract: 本发明公开了一种基于多重SVD显著性融合的SAR图像目标检测优化方法，其实现步骤为：将一幅原始SAR图像进行多重SVD分解，接着对SAR图像及其近似图像提取强度特征，离群性特征和一致性特征，分别对不同特性下的SAR图像进行层间加操作，取层内图像均值等操作得到总显著图；以总显著图中显著值最高的像素点为中心，以所需检测目标在图像中的尺寸为半径，得到显著区域的转移轨迹和分布。本发明能够提高高分
-
公开(公告)号：CN114677499B
公开(公告)日：2023-04-18
申请号：CN202210372813.8
申请日：2022-04-11
Applicant: 成都信息工程大学
IPC: G06V10/22 , G06V10/762
Abstract: 本发明涉及一种云微粒子图像粒子区域定位方法，主要包括首先对原始云微粒子图像数据进行数据划分和聚类，然后对所有图像数据进行像素块同区域搜索及像素块属性进行判定，接着对附属像素块进行了基于像素块轮次距离和像素块相似性距离的归属可能性值计算的多重归属性进行认定，再云微粒子区域进行定位，通过该方法可提高云微粒子数据中像素块划分的准确性和粒子区域定位准确性。
-
公开(公告)号：CN114821136A
公开(公告)日：2022-07-29
申请号：CN202210372999.7
申请日：2022-04-11
Applicant: 成都信息工程大学
IPC: G06V10/762 , G06V10/778 , G06K9/62 , G01W1/10
Abstract: 本发明涉及一种自适应的云微粒子图像数据处理方法，主要包括依据机载综合气象测量系统所得信息，首先对原始云微粒子图像数据进行基于高度的批次、数据块划分及随机样本选择，然后进行基于温度的批次、数据块划分及随机样本选择，接着对数据进行聚类处理，再针对特定时间段原始云微粒子图像数据建立深度学习模型，对云微粒子数据筛选方案进行比较，确定云微粒子图像数据的处理方案，该方法提高了对云微粒子图像数据筛选的准确性、可靠性及泛化能力。
-
Patent Agency Ranking
公开(公告)号：CN117370737B
公开(公告)日：2024-02-06
申请号：CN202311679986.5
申请日：2023-12-08
Applicant: 成都信息工程大学
IPC: G06F18/10 , G06F18/2131 , G06F18/2415 , G06F18/21 , G06F123/02
Abstract: 本发明公开了一种基于自适应高斯滤波器的非稳态非高斯噪声去除方法，涉及非稳态非高斯噪声去除领域。该方法包括：将非稳态非高斯噪声信号分解为本征模态函数信号；获取初始引导本征模态函数信号和初始混合本征模态函数信号；利用多分辨率局部相似度方法，获取引导本征模态函数信号和混合本征模态函数信号；根据引导本征模态函数信号确定自适应高斯滤波器，并利用其对混合本征模态函数信号进行滤波，获取去除非稳态非高斯噪声的信号。本发明能避免假设噪声模型不准确、需要大量噪声历史数据获取噪声信息以及后验估计噪声密度不准确的缺点，并确保对谐波信号以外的常见信号具(56)对比文件US 2022120795 A1,2022.04.21WO 2021258832 A1,2021.12.30Su-Peng Qiao.A Method of MechanicalFault Feature Extraction for High-VoltageCircuit Breaker Via CEEMDAN and WeightedTime-Frequency Entropy.2019 4thInternational Conference on IntelligentGreen Building and Smart Grid (IGBSG).2019,25-28.Qingqing Chen.Downscaling of RemoteSensing Soil Moisture Products Based onTVDI in Complex Terrain Areas.2019International Conference on MeteorologyObservations (ICMO).2020,1-3.陈宏强.基于时频域混合熵的均压电极结垢智能识 别方法研究.中国优秀硕士学位论文全文数据库(电子期刊).2023,C042-2636.
-
公开(公告)号：CN116911526A
公开(公告)日：2023-10-20
申请号：CN202310726698.4
申请日：2023-06-19
Applicant: 成都信息工程大学
IPC: G06Q10/0631 , G01S13/95 , G06F16/22 , G06F16/23 , G06F18/2431 , G06Q50/26
Abstract: 本发明提供了一种天气雷达组网协同控制方法，属于气象技术领域，包括：创建任务库；向任务库内添加雷达扫描任务；雷达扫描任务添加完成后，在每个雷达的扫描间隙计算任务库中所有扫描雷达扫描任务当前时刻的优先级，并根据优先级对扫描雷达扫描任务进行排序，形成优先级序列；排序靠前的雷达扫描任务优先执行；调度空闲雷达执行当前优先级最高的雷达扫描任务。该方法利用雷达扫描任务式的组网协同控制，能够根据雷达扫描任务的优先级来调度雷达，使得雷达可以在无人值守的情况下，自适应的扫描并预警不同类别的灾害性天气，可以同时满足业务、预警和研究等多种观测需求。
-
公开(公告)号：CN114501451A
公开(公告)日：2022-05-13
申请号：CN202210305200.2
申请日：2022-03-25
Applicant: 成都信息工程大学
Abstract: 本发明公开了一种基于有限重组数据增强的物理层信道安全认证方法，该方法包括以下步骤：采集初始信道指纹；对初始信道指纹进行预处理，得到初始训练样本集；对初始训练样本集进行有限重组数据增强处理；用数据增强后的训练数据集去训练网络模型，从而得到物理层信道指纹认证模型；对未知信道指纹进行安全认证。本发明在获取较少的原始信道指纹数据的情况下，通过有限重组数据增强的方法快速生成更多的训练数据样本，提升了网络模型的训练速度。
-
公开(公告)号：CN111860570A
公开(公告)日：2020-10-30
申请号：CN202010495008.5
申请日：2020-06-03
Applicant: 成都信息工程大学
Abstract: 本发明涉及一种云微粒子提取及分类方法，主要包括首先对图像数据进行分割处理，然后对图像数据进行类型判定，接着对CIP图像进行图像数据筛选和补全，对CPI图像进行图像数据去标注，之后建立云微粒子图像数据集，并建立基于迁移学习的深度神经网络分类模型，对云微粒子图像进行分类，通过该方法可有效的提高对云微粒子图像的分类准确率和可靠性。
-
公开(公告)号：CN110824478A
公开(公告)日：2020-02-21
申请号：CN201911012198.4
申请日：2019-10-23
Applicant: 成都信息工程大学
Abstract: 本申请公开了一种基于多样化3D雷达回波特征的降水云类型自动分类方法及装置，通过对组网雷达数据进行分析，获取多个雷达回波特征，从多个回波特征中随机的选择两种回波特征，使用神经网络模型获得代价函数的最优解，并绘制学习曲线图；基于绘制学习曲线图分别计算高方差与高偏差，当满足所述高方差条件时，增加神经网络的训练样本数量，将增加的神经网络的训练样本输入所述的神经网络模型中，并再次绘制学习曲线图；当满足所述高偏差条件时，增加回波特征数量；将增加的回波特征输入所述的神经网络模型中，并再次绘制学习曲线图；当不满足高方差条件也不满足高偏差条件时，获得优化模型；获取优化后的特征量与优化后的特征数量进行训练；输入待分类数据到已训练完成的模型中，进行分类并获取分类结果，实现识别准确度高并且识别速度快的云体自动分类。
-
-
-
-
-
-
-
-
-
Search Results
28
records
(took 0.021 seconds)
