-
公开(公告)号：CN118129765A
公开(公告)日：2024-06-04
申请号：CN202410571399.2
申请日：2024-05-10
Applicant: 济南大学
Abstract: 本发明公开的卫星导航拒止下飞行器集群协同定位方法、设备及产品，涉及飞行器集群协同导航领域。本发明在飞行器集群进入卫星拒止区域时，所有飞行器相互交换并共享自身的坐标信息，整个飞行器集群对坐标信息进行统计整合到统一坐标系，各个飞行器将自身坐标系转换至统一坐标系。借助相互共享的坐标信息得到参考飞行器与辅助飞行器的相对距离，并建立参考飞行器与辅助飞行器之间的相对距离模型，以解算得到辅助飞行器的实时坐标，通过实时坐标联立得到辅助飞行器的飞行轨迹后，采用改进的序列二次规划算法和无迹卡尔曼滤波算法对飞行轨迹进行优化，能够减小测算的飞行轨迹误差，进而能够提供精确、可靠地飞行器集群协同导航服务。
-
公开(公告)号：CN116545542B
公开(公告)日：2023-09-29
申请号：CN202310724280.X
申请日：2023-06-19
Applicant: 济南大学
Abstract: 本申请公开相干光通信本振光与信号光任意频差锁定算法，属于相干光通信本振光锁频技术领域，包括以下步骤：90°光混频器接收信号光与本振光，并输出四路拍频光，两路进入第一平衡探测器，经减法运算后输出I路电信号，另两路进入第二平衡探测器，经减法运算后输出Q路电信号，第一平衡探测器和第二平衡探测器均输出为交流耦合，共模抑制比均大于25dB；I+和Q+光信号经过均衡检测后转换为两路正信号进入接收端进行信号处理，获得发送端电信号，I‑和Q‑光信号经过均衡检测后被ADC采样进入FPGA进行算法锁频，经算法运算后输出两路电信号对本振激光器进行调频，一路对本振光进行频率粗调，一路通过DAC对IQ外调制器中的本振光进行精细频率控制，锁频精度高。
-
公开(公告)号：CN118501879B
公开(公告)日：2024-10-11
申请号：CN202410961198.3
申请日：2024-07-18
Applicant: 济南大学
Abstract: 本申请公开了一种压缩感知高分辨率SAR成像方法、装置、设备、介质及产品，涉及SAR成像领域，该方法包括获取SAR场景回波信号；构建线性调频变标成像算子#imgabs0#和近似观测算子#imgabs1#；基于所述SAR场景回波信号使用加权L2/3正则化进行稀疏约束构建成像模型；基于所述线性调频变标成像算子#imgabs2#和近似观测算子#imgabs3#采用迭代阈值算法对所述成像模型进行求解，得到高分辨率SAR图像。本申请中的上述方案可在大场景下实现高分辨率实时成像，并且有很好的抗噪性能。
-
公开(公告)号：CN118656650A
公开(公告)日：2024-09-17
申请号：CN202411146836.2
申请日：2024-08-21
Applicant: 济南大学
IPC: G06F18/214 , G06V20/13 , G06V10/44 , G06V10/764 , G06V10/82 , G06F18/27 , G06N3/0455 , G06N3/08
Abstract: 本申请公开了一种土壤湿度反演方法、设备、介质及产品，涉及土壤湿度测量和数据处理技术领域，该方法包括获取目标区域的DDM图像和辅助数据；辅助数据包括目标区域的CYGNSS反射率、归一化植被指数、坡度、地表粗糙度、植被含水量、土地覆盖类别和降水量；将DDM图像输入至VIT模型进行特征提取，得到DDM图像特征；VIT模型为由依次连接的图像分块层、向量映射层和编码层组成的预训练模型；将DDM图像特征和辅助数据共同输入至神经网络模型中，得到土壤湿度结果；神经网络模型为由四层全连接层和一个回归神经元组成且经过训练后得到的最优模型。本申请可以提升土壤湿度反演的准确性。
-
公开(公告)号：CN116545542A
公开(公告)日：2023-08-04
申请号：CN202310724280.X
申请日：2023-06-19
Applicant: 济南大学
Abstract: 本申请公开相干光通信本振光与信号光任意频差锁定算法，属于相干光通信本振光锁频技术领域，包括以下步骤：90°光混频器接收信号光与本振光，并输出四路拍频光，两路进入第一平衡探测器，经减法运算后输出I路电信号，另两路进入第二平衡探测器，经减法运算后输出Q路电信号，第一平衡探测器和第二平衡探测器均输出为交流耦合，共模抑制比均大于25dB；I+和Q+光信号经过均衡检测后转换为两路正信号进入接收端进行信号处理，获得发送端电信号，I‑和Q‑光信号经过均衡检测后被ADC采样进入FPGA进行算法锁频，经算法运算后输出两路电信号对本振激光器进行调频，一路对本振光进行频率粗调，一路通过DAC对IQ外调制器中的本振光进行精细频率控制，锁频精度高。
-
Patent Agency Ranking
公开(公告)号：CN116298206A
公开(公告)日：2023-06-23
申请号：CN202310300241.7
申请日：2023-03-22
Applicant: 济南大学
IPC: G01N33/24 , G01D21/02 , G06N3/0442 , G06N3/0985
Abstract: 本发明公开一种GNSS‑R与辐射计融合的土壤湿度反演方法及系统，其中，包括：获取目标土壤区域内GNSS接收机获取的直射信号目标极化反射信号，并计算目标极化反射率；获取目标区域内微波辐射计获取的亮温数据以及土壤粗糙度和综合植被衰减系数；可根据算法具体选择其中一种或者多种极化方式的反射率，与亮温数据、土壤粗糙度和综合植被衰减系数一并输入到LSTM模型中，反演出目标土壤区域内的土壤湿度。利用微波辐射计获取的亮温数据以及土壤粗糙度和综合植被衰减系数来削弱地表粗糙度等外部环境影响，并结合LSTM模型进行土壤湿度反演，利用LSTM本身具有抗噪性强的特点，使得土壤湿度反演方法精度更高、抗噪性更强。
-
公开(公告)号：CN118656650B
公开(公告)日：2024-10-29
申请号：CN202411146836.2
申请日：2024-08-21
Applicant: 济南大学
IPC: G06F18/214 , G06V20/13 , G06V10/44 , G06V10/764 , G06V10/82 , G06F18/27 , G06N3/0455 , G06N3/08
Abstract: 本申请公开了一种土壤湿度反演方法、设备、介质及产品，涉及土壤湿度测量和数据处理技术领域，该方法包括获取目标区域的DDM图像和辅助数据；辅助数据包括目标区域的CYGNSS反射率、归一化植被指数、坡度、地表粗糙度、植被含水量、土地覆盖类别和降水量；将DDM图像输入至VIT模型进行特征提取，得到DDM图像特征；VIT模型为由依次连接的图像分块层、向量映射层和编码层组成的预训练模型；将DDM图像特征和辅助数据共同输入至神经网络模型中，得到土壤湿度结果；神经网络模型为由四层全连接层和一个回归神经元组成且经过训练后得到的最优模型。本申请可以提升土壤湿度反演的准确性。
-
公开(公告)号：CN118501879A
公开(公告)日：2024-08-16
申请号：CN202410961198.3
申请日：2024-07-18
Applicant: 济南大学
Abstract: 本申请公开了一种压缩感知高分辨率SAR成像方法、装置、设备、介质及产品，涉及SAR成像领域，该方法包括获取SAR场景回波信号；构建线性调频变标成像算子#imgabs0#和近似观测算子#imgabs1#；基于所述SAR场景回波信号使用加权L2/3正则化进行稀疏约束构建成像模型；基于所述线性调频变标成像算子#imgabs2#和近似观测算子#imgabs3#采用迭代阈值算法对所述成像模型进行求解，得到高分辨率SAR图像。本申请中的上述方案可在大场景下实现高分辨率实时成像，并且有很好的抗噪性能。
-
公开(公告)号：CN119047521B
公开(公告)日：2025-02-28
申请号：CN202411523393.4
申请日：2024-10-30
Applicant: 济南大学
IPC: G06N3/0475 , G06N3/045 , G06N3/094
Abstract: 本申请提供了基于NPU的神经网络量化评估方法、系统和介质。该方法包括：根据神经网络模型的参数特性数据选取对应神经网络量化算法，根据用户需求数据选择适配量化精度并进行修正，利用神经网络量化算法并根据修正量化精度对模型参数进行量化处理，获得量化神经网络模型，利用神经网络模型和量化神经网络模型分别对N组测试样本处理获得量化精准度评估指数，利用量化神经网络模型对N组对抗样本处理获得量化稳定性评估指数，根据NPU性能监测数据处理获得NPU性能评估指数，根据量化精准度评估指数、量化稳定性评估指数和NPU性能评估指数处理获得综合性能评估指数，根据综合性能评估指数进行优化调整响应警告。
-
公开(公告)号：CN119047521A
公开(公告)日：2024-11-29
申请号：CN202411523393.4
申请日：2024-10-30
Applicant: 济南大学
IPC: G06N3/0475 , G06N3/045 , G06N3/094
Abstract: 本申请提供了基于NPU的神经网络量化评估方法、系统和介质。该方法包括：根据神经网络模型的参数特性数据选取对应神经网络量化算法，根据用户需求数据选择适配量化精度并进行修正，利用神经网络量化算法并根据修正量化精度对模型参数进行量化处理，获得量化神经网络模型，利用神经网络模型和量化神经网络模型分别对N组测试样本处理获得量化精准度评估指数，利用量化神经网络模型对N组对抗样本处理获得量化稳定性评估指数，根据NPU性能监测数据处理获得NPU性能评估指数，根据量化精准度评估指数、量化稳定性评估指数和NPU性能评估指数处理获得综合性能评估指数，根据综合性能评估指数进行优化调整响应警告。
-
-
-
-
-
-
-
-
-
Search Results
11
records
(took 0.016 seconds)
