-
公开(公告)号：CN119935946A
公开(公告)日：2025-05-06
申请号：CN202510013311.X
申请日：2025-01-06
Applicant: 桂林电子科技大学
IPC: G01N21/3586 , G01N21/3563 , G16C20/70 , G06F18/2411 , G06F18/214 , G06F18/2131
Abstract: 本发明涉及太赫兹光谱检测技术以及寻优算法应用领域，具体是发明一种基于太赫兹光谱技术和改进的差异化创意搜索算法相结合进行六堡茶年份鉴别的方法，属于六堡茶品质检测领域。本发明是通过将待测六堡茶样品压制成片，采用太赫兹时域光谱系统在充入氮气排出水汽后的环境下选择透射模式进行检测，将得到的太赫兹时域光谱数据进行快速傅里叶变换并计算吸光度获取太赫兹吸收光谱。使用高斯平滑方法将原始吸收光谱进行光滑预处理，去除尖峰噪声，得到平滑后的吸收光谱数据。利用主成分分析降维算法对预处理后的数据进行特征降维，得到有效的主要特征数据。使用支持向量机模型进行分类，针对模型的参数优化问题，采用差异化创意搜索算法进行参数寻优，同时对于差异化创意搜索算法的收敛与发散更新方案效率不佳的问题，利用引导式学习策略平衡优化算法的收敛与发散状态，得到了高效率与高准确率的分类模型。本发明所述方法样品制备简单，操作性好，具有较佳的分类效果，可实现高效的六堡茶年份鉴别，为太赫兹光谱技术在茶叶鉴定应用中提供可行性方案。
-
公开(公告)号：CN116756739A
公开(公告)日：2023-09-15
申请号：CN202310520010.7
申请日：2023-05-10
Applicant: 桂林电子科技大学
IPC: G06F21/56 , G06F21/55 , G06F18/214 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及GAFS预处理下基于注意力机制的DenseBlock结构及应用该结构的硬件木马分类检测算法。采用具备若干注意力机制支路网络的DenseNet结构。本发明从改进DenseNet模型的角度出发，提出SE‑DenseNet‑BC（SDBC）模型，通过扩展注意力机制支路，获取更丰富的网络特征，提升网络的分类性能。经过网络层不断细化特征，硬件木马特征图像的部分特征会存在丢失的情况，从注意力机制支路获取的重点特征图特征，存在相互补充的作用，使得最终的硬件木马特征图特征更加完整。同时使用该结构的硬件木马分类检测算法首先通过GASF(Garmian Angular Summation Fields）预处理提取特征。
-
公开(公告)号：CN116503661A
公开(公告)日：2023-07-28
申请号：CN202310520009.4
申请日：2023-05-10
Applicant: 桂林电子科技大学
IPC: G06V10/764 , G06N3/0464 , G06N3/08 , G06V10/44 , G06V10/82 , G06F21/56
Abstract: 本发明涉及基于注意力机制的ResNeXt结构及应用该结构的硬件木马分类检测算法。采用具备若干注意力机制支路网络的ResNeXt结构。本发明从改进ResNeXt模型宽度的角度出发，提出注意力ResNeXt(Attention‑Res‑Attention,ARA)模型，通过扩展注意力机制支路，获取更丰富的网络特征，提升网络的分类性能。经过网络层不断细化特征，硬件木马特征图像的部分特征会存在丢失的情况，从注意力机制支路获取的重点特征图特征，存在相互补充的作用，使得最终的硬件木马特征图特征更加完整。注意力ResNeXt网络结构是在原有的ResNeXt结构的基础上，增加注意力支路网络，使最后的全连接层可以连接多个参数，从而获得更多的图像信息，丰富网络学习的细节特征，提升ResNeXt网络的性能。
-
公开(公告)号：CN115170422A
公开(公告)日：2022-10-11
申请号：CN202210798956.5
申请日：2022-07-08
Applicant: 桂林电子科技大学
IPC: G06T5/00 , G06V10/762 , G06V10/74
Abstract: 本发明提出一种可以自动选择最优参数的图像滤波方法，针对晶圆图领域的混合缺陷模式晶圆图进行滤波处理，包括对混合缺陷模式的晶圆图图像进行初步聚类，形成多个小的聚类簇或噪声点，去除噪声点与噪声簇；根据设定的核心簇数量，对非核心簇进行合并或去除处理；计算合并或去除之后聚类簇的SD值，使得SD最大的核心簇数量即为最优的聚类簇数量，对应的滤波结果为最优滤波结果。本发明有效的解决了混合缺陷模式晶圆图使用传统滤波算法需要手动设置先验参数，且聚类簇数量无法确定的问题。
-
Patent Agency Ranking
公开(公告)号：CN119377045A
公开(公告)日：2025-01-28
申请号：CN202411441922.6
申请日：2024-10-16
Applicant: 桂林电子科技大学
Abstract: 本发明公开了基于异构架构的卷积神经网络推理加速系统及方法，涉及网络推理加速技术领域，包括以下步骤：在卷积神经网络任务调度期间，获取卷积神经网络任务调度过程中生成的各项参数信息，其中包括任务调度参数和并行处理参数。本发明通过实时监控任务调度和并行处理参数，系统利用机器学习模型生成异常调度指数，智能识别并分类任务状态为正常或异常。针对异常，进一步细分为偶然型或非偶然型，并采取相应的处理措施。非偶然型异常触发预警提示，偶然型异常则通过持续监控避免频繁干预，提升故障处理精确性与系统稳定性，确保实时监控系统高效运行并减少安全隐患。
-
公开(公告)号：CN116486176A
公开(公告)日：2023-07-25
申请号：CN202310520013.0
申请日：2023-05-10
Applicant: 桂林电子科技大学 , 南宁桂电电子科技研究院有限公司
IPC: G06V10/764 , G06V10/774 , G06V10/80 , G06V10/82 , G06T5/20 , G06N3/0464 , G06N3/08
Abstract: 本发明提出一种基于注意力空间金字塔池化的晶圆图故障模式识别方法，该方法结合深度卷积神经网络(DCNN)和注意力空间金字塔池化(ESPP)构建多尺度特征融合深度学习模型用于晶圆图故障模式识别。本发明基于Pytorch框架实现对晶圆图故障模式的检测识别算法，提出一个新颖的深度学习模型用于检测识别晶圆图故障模式。使用DCNN相比浅层的CNN能够更好的提取晶圆图故障特征，ESPP能够很好的解决晶圆图故障模式的类间相似性和类内相异性问题，多尺度特征融合能够将DCNN所提取晶圆图故障的浅层特征与深层特征相融合，进而可以更加准确的识别晶圆图故障模式。本发明能够提高半导体芯片制造过程中晶圆图故障模式的识别准确率，有利于提高半导体芯片生产的良率，对于国家半导体制造技术的发展具有极大的现实意义。
-
公开(公告)号：CN115795366A
公开(公告)日：2023-03-14
申请号：CN202211662683.8
申请日：2022-12-23
Applicant: 桂林电子科技大学
IPC: G06F18/241 , G06F18/214 , G06N3/045 , G06N3/0464 , G06N3/048 , G06N3/09
Abstract: 本发明公开了一种基于多支路注意力机制的晶圆图故障模式识别方法，包括：以ResneXt基础残差块搭建ResneXt‑50用作特征提取主干网络；在ResneXt残差块后面融入多支路注意力机制，给晶圆图显著缺陷簇分配更大的权重以提升特征识别能力；将所述晶圆图数据集划分为训练集和测试集，对所述主干网络进行学习训练；在主干网络全连接层提取到的晶圆图缺陷特征信息输入到ECOC‑SVM进行最终分类。本发明通过多支路注意力机制给不同的晶圆图缺陷簇区域分配了不同的权重，提升了网络模型的特征提取能力，获得了更加全面的晶圆图缺陷簇特征信息，解决了不同类型晶圆图缺陷簇特征提取能力差异大、细节信息特征提取不全面的问题，提高了分类的准确率。
-
公开(公告)号：CN115271035A
公开(公告)日：2022-11-01
申请号：CN202210798988.5
申请日：2022-07-08
Applicant: 桂林电子科技大学
IPC: G06N3/04 , G06N3/08 , G06V10/764 , G06V10/774 , G06V10/82
Abstract: 本发明涉及从宽度扩展网路的DCNN结构及应用该DCNN结构的图像分类算法。采用具备若干支路网络的DCNN结构，且最后的全连接层可以连接多个卷积层的参数。本发明从增加DCNN模型宽度的角度出发，提出多路径DCNN(MP‑DCNN，Multi Path‑DCNN)模型，通过扩展网络的宽度，获取更丰富的网络特征，提升网络的分类性能。经过网络层不断细化特征，晶圆图的部分特征会存在丢失的情况，从不同的卷积层获取的晶圆图特征，存在相互补充的作用，使得最终的晶圆图特征更加完整。多路径DCNN是在原有的DCNN结构的基础上，增加支路网络，使最后的全连接层可以连接多个卷积层的参数，从而获得更多的图像信息，丰富网络学习的细节特征，提升DCNN网络的性能。
-
公开(公告)号：CN116645334A
公开(公告)日：2023-08-25
申请号：CN202310520048.4
申请日：2023-05-10
Applicant: 桂林电子科技大学 , 南宁桂电电子科技研究院有限公司
IPC: G06T7/00 , G06T3/40 , G06T5/20 , G06V10/764 , G06V10/774 , G06V10/80 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明提出一种新颖的特征增强残差网络，用于混合类型晶圆图缺陷识别分类。该方法包括，获取晶圆图缺陷数据集，并将晶圆图数据集设置为统一尺寸；然后将晶圆图数据集进行滤波，去除晶圆图上的噪声缺陷点；将晶圆图数据集划分为训练集和测试集；采用提出的特征增强残差网络作为主干网络构建识别模型，并用训练集对模型进行训练，使用测试集验证模型性能。经实验结果表明，本方法能够有效地识别晶圆图缺陷，提高了混合类型晶圆图缺陷识别的准确率和鲁棒性。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.027 seconds)
