-
公开(公告)号：CN117270604A
公开(公告)日：2023-12-22
申请号：CN202311406331.0
申请日：2023-10-27
Applicant: 桂林电子科技大学
Abstract: 本申请公开了基于模型预测控制的等离子焚烧炉温度控制系统及方法，系统包括：模型预测控制模块、色谱测温仪和等离子炬；所述模型预测控制模块用于构建预测模型，并基于所述预测模型得到等离子焚烧炉膛温度的控制输出量；所述色谱测温仪用于测量等离子焚烧炉膛的温度值，并将所述温度值回传至所述模型预测控制模块中；所述模型预测控制模块还用于基于所述温度值对所述控制输出量进行修正，得到等离子焚烧炉膛温度的下一时刻预测输出；所述等离子炬基于所述控制输出量控制开度，完成温度控制。本申请可以保证等离子焚烧炉燃烧时炉膛温度处于一个稳定的状态，有效抑制有害烟气的产生，实现节能减排，具有很高的实用性。
-
Patent Agency Ranking
公开(公告)号：CN119832017A
公开(公告)日：2025-04-15
申请号：CN202411897413.4
申请日：2024-12-20
Applicant: 桂林电子科技大学
Abstract: 本发明提出了一种基于多尺度特征融合的边缘检测方法，属于计算机视觉领域。该方法通过构建卷积神经网络(CNN)骨干网络，结合上采样模块和部分卷积模块，实现多尺度特征的提取和融合，并通过改进的损失函数优化全局和局部边缘信息。所述骨干网络采用浅层特征加权提取及跳跃连接技术，提高特征复用能力，上采样模块利用反卷积操作调整特征图尺寸，融合模块通过选择性卷积强化边缘细节表达，并通过部分卷积高效提取多维度特征信息。模型在精细边缘检测中表现优异，支持草图检索、图像分割等应用场景，具有高效、低参数量的特点。
-
公开(公告)号：CN117391962A
公开(公告)日：2024-01-12
申请号：CN202311436493.9
申请日：2023-11-01
Applicant: 桂林电子科技大学
IPC: G06T3/4076 , G06V10/44 , G06V10/58 , G06V10/80 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/0455 , G06N3/08
Abstract: 本发明公开了一种面向分类任务的遥感图像超分辨率方法及系统，其中方法包括以下步骤：构建分类任务实现模型；预训练所述分类任务实现模型，所述分类任务实现模型用于提取高光谱数据集的融合特征，进行遥感图像的分类；构建光谱分支‑全局式高光谱超分辨率模型；基于预训练后的所述分类任务实现模型和所述光谱分支‑全局式高光谱超分辨率模型，构建分类‑超分辨率一体深度学习网路架构；基于所述分类‑超分辨率一体深度学习网路架构，重建超分辨率的高光谱图像数据。本发明解决了现有技术中超分辨率方法与其应当服务的下游任务脱节的技术问题。
-
公开(公告)号：CN119785880A
公开(公告)日：2025-04-08
申请号：CN202411875721.7
申请日：2024-12-19
Applicant: 桂林电子科技大学
IPC: G16B20/30 , G06F18/2113
Abstract: 本发明提出了一种基于皮尔逊共线性选择(PCS)的方法，用于从高维基因组数据中筛选与目标表型密切相关的特征。PCS方法通过计算特征间的皮尔逊相关系数，有效去除冗余特征，减少多重共线性问题，显著提高了特征选择的质量，并增强了模型预测的稳定性。该方法特别适用于基因型与表型关联分析等领域，能够优化数据处理与分析过程。此外，PCS方法具备较强的跨种群适应性。通过在多个种群的数据集上进行特征选择与预测验证，证明了多个模型使用PCS方法能够在不同数据集间保持一致的良好预测性能，展现了出色的泛化能力。该方法不仅能够有效预测单一种群的表型，还能成功应用于其他种群的预测任务，进一步拓宽了其在精准医疗和作物育种等领域的应用范围。相较于传统特征选择方法，PCS方法在降低特征冗余的同时，能够更好地保留与目标表型强相关的特征，从而显著提升了模型的预测精度，为基因组数据分析提供了更加高效且可靠的技术支持。
-
公开(公告)号：CN119762939A
公开(公告)日：2025-04-04
申请号：CN202411875591.7
申请日：2024-12-19
Applicant: 桂林电子科技大学
IPC: G06V10/82 , G06N3/0464 , G06V10/80 , G06N3/045 , G06V10/764 , G06V20/56
Abstract: 本发明提供了一种基于改进YOLOv8模型的复杂道路场景目标检测方法，涉及目标检测技术领域。该方法包括：对数据集图片进行预处理，按照比例将其划分为训练集、验证集和测试集；引入DualConv卷积构建D‑C2f模块；基于MLCA模块与DCNv4融合构建MD‑C2f模块；构建改进YOLOv8网络模型，包括Backbone特征提取模块、Head特征融合模块、检测头模块，其中，在Backbone特征提取模块中使用D‑C2f模块替代原有的C2f模块；在Head特征融合模块，将每个检测层中的C2f模块都替换成MD‑C2f模块，随后每个MD‑C2f模块后都添加一层SEAM注意力模块；将划分好的训练集作为构建的改进YOLOv8网络模型的输入，经过Backbone特征提取模块进行特征采集，提取不同尺度的特征图；将提取的特征图输入到Head特征融合模块不同尺度的检测层中，实现语义特征和定位特征的转移，得到融合特征；将融合特征输入检测头模块，最后输出图像中的检测框的位置和其目标类别。本发明提出了一种基于改进YOLOv8模型的复杂道路场景目标检测方法，提高了在复杂道路背景下的目标检测精度与速度，解决了对目标形状不规则、远处的目标检测精度低的问题。
-
公开(公告)号：CN117478214A
公开(公告)日：2024-01-30
申请号：CN202311424785.0
申请日：2023-10-31
Applicant: 桂林电子科技大学
IPC: H04B10/071
Abstract: 本发明公开了一种光时域发射仪事件检测方法及系统，方法包括以下步骤：S1：使用光时域反射仪测量光纤，获得光时域反射仪测试曲线；S2：对测试曲线数据进行去噪处理，获得去噪后的测试曲线数据；S3：进行离散小波变换和基于变换指数的恒虚警算法检测，获得小波系数反射事件点以及小波系数非反射事件点；S4：合并小波系数反射事件点和小波系数非反射事件点，并根据位置进行排序；S5：将完成位置排序的小波系数反射事件点和小波系数非反射事件点映射到测试曲线上，获得反射事件点和非反射事件点的真实位置，完成光时域反射仪事件检测。本发明能够快速、准确的定位目标，包括临近多目标、微弱的非反射事件也能准确检测出来。
-
-
-
-
-
Search Results
6
records
(took 0.02 seconds)
