-
公开(公告)号：CN115375967A
公开(公告)日：2022-11-22
申请号：CN202210975326.0
申请日：2022-08-15
Applicant: 杭州电子科技大学 , 北京中电华大电子设计有限责任公司
IPC: G06V10/774 , G06V20/00 , G06V10/34 , G06F11/36
Abstract: 本发明涉及一种基于MCU‑AI的多场景自适应识别方法。其实现步骤为(1)批量图像输入和预处理(2)自适应图像增强(3)获取预设模型框架，通过AutoML从多个模型框架中选择适合的网络模型进行批量图像训练。(4)量化并转换模型(5)添加随机波动，并不断重复测试，选取最好的量化参数。并以此重新进行训练后量化操作(6)测试执行，重新对感知量化后的模型进行评估测试精度。本发明设计了一种基于MCU‑AI的多场景自适应识别方法，旨在针对多个不同数据集实现自适应图像增强以及网络模型选择，不断改进量化感知参数，以提升部署到MCU中的模型整体性能。
-
公开(公告)号：CN115376164A
公开(公告)日：2022-11-22
申请号：CN202210975109.1
申请日：2022-08-15
Applicant: 杭州电子科技大学 , 北京中电华大电子设计有限责任公司
IPC: G06V40/12 , G06V10/30 , G06V10/74 , G06V10/774 , G06V10/764 , G06N3/04 , G06N3/08
Abstract: 本发明提出一种基于知识蒸馏网络的MCU指纹识别方法。包括1)批量图像输入和预处理；2)利用CNN卷积神经网络进行特征提取；3)利用三元组损失函数对提取到的指纹特征图进行无监督训练，并比较高维特征图之间的余弦相似度，从而得出同类指纹及异类指纹之间的相似程度并用于评估；4)使用量化感知策略，在量化的过程中，对网络进行训练，从而减小模型尺寸大小，减少模型内存占用，加快模型推理速度，降低功耗；5)利用知识蒸馏技术将复杂模型中的知识迁移到简单模型中；6)执行测试，对训练好的学生网络进行图像相似度评估。
-
公开(公告)号：CN114092779B
公开(公告)日：2025-05-02
申请号：CN202111216830.4
申请日：2021-10-19
Applicant: 中国电子科技集团公司第二十研究所 , 杭州电子科技大学
IPC: G06V10/82 , G06V10/764 , G06V10/44 , G06V10/771 , G06N3/0464 , G06N3/045 , G06V20/70 , G06V10/25 , G06V10/26
Abstract: 本发明公开了一种基于注意力机制的神经网络正则化方法。本发明步骤：(1)批量图像输入和预处理；(2)利用CNN卷积神经网络进行特征提取；(3)利用注意力机制进行关键特征筛选；(4)交换不同目标图像的关键特征；(5)不同图像的关键特征和非关键特征共同组成重构图像的语义信息；(6)设计一种自适应置信度估计方法，判断重构图像的所属类别；(7)利用重构图像对神经网络进行训练得到更准确的训练模型。本发明通过样本拓充和充分挖掘图像的潜在特征，以提升模型的鲁棒性和整体性能。本发明的优势在于使用注意力机制指导图像特征自适应重构，适用范围广、模型精确度高、鲁棒性强。
-
公开(公告)号：CN114092779A
公开(公告)日：2022-02-25
申请号：CN202111216830.4
申请日：2021-10-19
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于注意力机制的神经网络正则化方法。本发明步骤：(1)批量图像输入和预处理；(2)利用CNN卷积神经网络进行特征提取；(3)利用注意力机制进行关键特征筛选；(4)交换不同目标图像的关键特征；(5)不同图像的关键特征和非关键特征共同组成重构图像的语义信息；(6)设计一种自适应置信度估计方法，判断重构图像的所属类别；(7)利用重构图像对神经网络进行训练得到更准确的训练模型。本发明通过样本拓充和充分挖掘图像的潜在特征，以提升模型的鲁棒性和整体性能。本发明的优势在于使用注意力机制指导图像特征自适应重构，适用范围广、模型精确度高、鲁棒性强。
-
Patent Agency Ranking
公开(公告)号：CN114090770B
公开(公告)日：2022-11-04
申请号：CN202111216820.0
申请日：2021-10-19
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种多阶段的无监督域适应因果关系识别方法。本发明步骤包括：(1)数据集划分；(2)利用自适应对比学习进行预训练；(3)结合知识蒸馏进行对抗学习；(4)多级数据过滤得到种子集；(5)单级数据过滤得到伪标签集合；(6)利用k‑means聚类方法获取子类原型；(7)采用特征级别的数据增强引入一致性；(8)利用过滤得到的伪标签进行自训练。本发明通过自适应对比学习获取源域中丰富的因果关系知识，然后利用知识蒸馏和对抗学习的方式将源域知识迁移到目标域，再通过数据过滤获得多级的子类原型和无标签样本的伪标签，利用原型进行特征级别的数据增强从而引入一致性损失，利用伪标签在目标域进行自训练。
-
公开(公告)号：CN114090770A
公开(公告)日：2022-02-25
申请号：CN202111216820.0
申请日：2021-10-19
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种多阶段的无监督域适应因果关系识别方法。本发明步骤包括：(1)数据集划分；(2)利用自适应对比学习进行预训练；(3)结合知识蒸馏进行对抗学习；(4)多级数据过滤得到种子集；(5)单级数据过滤得到伪标签集合；(6)利用k‑means聚类方法获取子类原型；(7)采用特征级别的数据增强引入一致性；(8)利用过滤得到的伪标签进行自训练。本发明通过自适应对比学习获取源域中丰富的因果关系知识，然后利用知识蒸馏和对抗学习的方式将源域知识迁移到目标域，再通过数据过滤获得多级的子类原型和无标签样本的伪标签，利用原型进行特征级别的数据增强从而引入一致性损失，利用伪标签在目标域进行自训练。
-
公开(公告)号：CN114124726B
公开(公告)日：2024-01-30
申请号：CN202111224464.7
申请日：2021-10-19
Applicant: 杭州电子科技大学
IPC: H04L41/14 , H04L43/08 , H04L43/20 , H04B17/391
Abstract: 本发明公开了一种基于离散事件系统范式的数据链脆弱性分析方法。本发明先构建支持场景规则的DEVS模型；再根据JCAS中的任务场景，构建数据链测试结点以模拟任务场景中的各个单元与能够管理与监听所有结点通信的总控单元；针对不同数据链测试结点两两之间的通信链路设置不同程度的通信干扰；在具有通信干扰条件的模型中执行测试；由总控单元获取测试完成后的各结点状态，结合消息监听数据计算数据链路脆弱性分析指标，给出当前任务当前通信干扰条件设置下各结点的脆弱性程度。本发明使用离散事件系统范式与通信干扰条件模拟建立数据链脆弱性分析系统，最终的执行结果通过各种指标计算获得不同任务场景下不同通信干扰条件下的结点脆弱性分析结果。
-
公开(公告)号：CN114124726A
公开(公告)日：2022-03-01
申请号：CN202111224464.7
申请日：2021-10-19
Applicant: 杭州电子科技大学
IPC: H04L41/14 , H04L43/08 , H04L43/20 , H04B17/391
Abstract: 本发明公开了一种基于离散事件系统范式的数据链脆弱性分析方法。本发明先构建支持场景规则的DEVS模型；再根据JCAS中的任务场景，构建数据链测试结点以模拟任务场景中的各个单元与能够管理与监听所有结点通信的总控单元；针对不同数据链测试结点两两之间的通信链路设置不同程度的通信干扰；在具有通信干扰条件的模型中执行测试；由总控单元获取测试完成后的各结点状态，结合消息监听数据计算数据链路脆弱性分析指标，给出当前任务当前通信干扰条件设置下各结点的脆弱性程度。本发明使用离散事件系统范式与通信干扰条件模拟建立数据链脆弱性分析系统，最终的执行结果通过各种指标计算获得不同任务场景下不同通信干扰条件下的结点脆弱性分析结果。
-
公开(公告)号：CN114091235A
公开(公告)日：2022-02-25
申请号：CN202111216824.9
申请日：2021-10-19
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于JCAS典型场景想定的数据链系统仿真与验证方法。本发明包括：1、建立TM控制模型，包括SUT管理模块、通信模块、场景行为模块、航迹模块和测试模块；2、建立SUT单元模型；3、建立场景行为模块；4、建立航迹模块，TM控制模型根据在线SUT单元模型的唯一实体号及角色名搭建JCAS场景；通过航迹模块实现JCAS场景动态响定，并且实现动态更新SUT单元模型的本地航迹库信息；5、建立测试模块，基于步骤3中建立的场景行为模块和步骤4中的航迹模块，使用QT框架搭建测试模块实现功能测试，最终生成支持实时分布式仿真测试环境的被测系统模型；6、运行生成的测试系统模块。本发明通过软件模拟的方式进行模拟，从而完成仿真实验验证的方法。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.034 seconds)
