-
公开(公告)号：CN114764889B
公开(公告)日：2025-04-08
申请号：CN202210430177.X
申请日：2022-04-22
IPC: G06V20/10 , G06V10/764 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/045 , G06N3/0442 , G06N3/0464 , G06N3/084 , G06N3/096
Abstract: 本发明公开了一种基于风格迁移的SAR图像目标检测方法，主要解决现有技术在进行SAR图像目标检测时，由于图像样本数量不足，质量较低造成检测性能低的问题。其方案是：利用风格迁移网络，生成SAR样本对应的可见光图像；将SAR原始图像及可见光图像均送入目标检测网络中，得到两路的检测结果，并对其进行预处理，划分训练数据和测试数据；构建由卷积神经网络和长短时间记忆网络并联而成的分类网络；将训练数据送入到该分类网络进行训练；将测试数据输入到训练好的分类网络进行决策级融合，得到最终的检测结果。本发明检测精度较高，特别是在数据样本不足，样本状况复杂的情况下，仍能取得较好的检测结果，可用于SAR图像处理。
-
公开(公告)号：CN114764889A
公开(公告)日：2022-07-19
申请号：CN202210430177.X
申请日：2022-04-22
IPC: G06V20/10 , G06V10/764 , G06V10/774 , G06V10/80 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于风格迁移的SAR图像目标检测方法，主要解决现有技术在进行SAR图像目标检测时，由于图像样本数量不足，质量较低造成检测性能低的问题。其方案是：利用风格迁移网络，生成SAR样本对应的可见光图像；将SAR原始图像及可见光图像均送入目标检测网络中，得到两路的检测结果，并对其进行预处理，划分训练数据和测试数据；构建由卷积神经网络和长短时间记忆网络并联而成的分类网络；将训练数据送入到该分类网络进行训练；将测试数据输入到训练好的分类网络进行决策级融合，得到最终的检测结果。本发明检测精度较高，特别是在数据样本不足，样本状况复杂的情况下，仍能取得较好的检测结果，可用于SAR图像处理。
-
公开(公告)号：CN117871099A
公开(公告)日：2024-04-12
申请号：CN202410045474.1
申请日：2024-01-11
Applicant: 电子科技大学
IPC: G01M13/045 , G06F18/00 , G06F18/10 , G06N3/0442 , G06N3/0464 , G06N3/049 , G06F18/25 , G06F123/02
Abstract: 本发明公开了一种基于并行编码‑解码观测器的轴承健康状态评估方法，基于预设工况下轴承正常工作状态下的若干振动信号样本生成样本集A，并从样本集A中选取若干样本构成训练样本集B，构建包括位置编码模块、编码输入模块、编码器、解码输入模块、解码器和时间步截取模块的并行编码‑解码观测器，并采用训练样本集B进行训练；将样本集A中的样本输入训练好的观测器得到预测信号，将预测振动信号序列与真实振动信号序列作差得到对应的残差信号序列，从中提取信号特征作为健康基准，对于待评估时刻，通过振动信号和预测信号得到残差信号并提取信号特征，基于健康基准进行评估得到对应的健康分数。本发明可以有效提高轴承健康状态评估的准确度。
-
公开(公告)号：CN119167086B
公开(公告)日：2025-04-25
申请号：CN202411227749.X
申请日：2024-09-03
Applicant: 电子科技大学
IPC: G06F18/214 , G06F18/213 , G06F18/24 , G06N3/042 , G06N3/08 , G06N3/045
Abstract: 本发明公开了一种基于孪生网络的机械传动部件小样本故障诊断方法，对机械传动部件在正常状态和不同故障状态下进行信号样本采集得到训练样本集，对每个信号样本提取信号特征，构建孪生网络采用训练样本集进行训练，然后将每个信号样本对输入训练好的孪生网络，得到嵌入特征对并据此计算两个信号样本的相似度，采用K近邻算法得到每个信号样本的邻居集合，以此构建训练样本集的信号图，构建基于图神经网络的节点分类模型并采用训练样本集的信号图进行训练，当需要进行机械传动部件的故障诊断时，生成待检测信号样本的信号图并输入训练好的节点分类模型，得到待检测信号样本的故障诊断结果。本发明可以有效提高小样本故障诊断的准确率。
-
公开(公告)号：CN115830423A
公开(公告)日：2023-03-21
申请号：CN202211597596.9
申请日：2022-12-12
IPC: G06V10/80 , G06V10/82 , G06N3/08 , G06V10/774 , G06V10/40 , G06F18/10 , G06N3/0464
Abstract: 本发明公开了一种于毫米波雷达与可见光图像融合的目标检测方法，其实现方法为：对雷达数据进行预处理，得到雷达图像；搭建毫米波雷达与可见光图像融合的目标检测网络，包括特征提取子网络、图像融合子网络以及RetinaNet网络；将经过预处理过的雷达图像和可见光图像输入毫米波雷达与可见光图像融合的目标检测网络进行训练，得到训练好的网络模型；测试集的雷达数据经过同样的预处理之后与可见光图像输入训练好的模型进行测试，得到目标检测结果。本发明相比于单独的图像检测方法，检测精度更高，能获得较好的检测结果，可用于进行目标检测。
-
Patent Agency Ranking
公开(公告)号：CN113408392B
公开(公告)日：2023-03-10
申请号：CN202110658740.4
申请日：2021-06-15
IPC: G06V20/40 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于卡尔曼滤波和神经网络的航迹补全方法，主要解决现有技术在补全航迹时，因目标在中断周期内运动状态发生改变而造成补全误差过大的问题。其方案是：模拟机动目标的运动轨迹；提取中断发生前的历史航迹数据并对其进行预处理；构建神经网络模型，运用预处理后的历史航迹数据对其进行训练；利用训练好的模型参数对部分历史航迹数据进行计算，得到中断周期内的预测航迹；利用中断结束后第一个周期的航迹数据作为初始值对中断周期内的航迹进行反向卡尔曼一步预测，并利用卡尔曼滤波更新算法对一步预测航迹进行校正，得到最终补全航迹。本发明补全误差小，在目标运动状态发生改变时，仍能获得较为准确的预测航迹，可用于目标跟踪。
-
公开(公告)号：CN113408392A
公开(公告)日：2021-09-17
申请号：CN202110658740.4
申请日：2021-06-15
Abstract: 本发明公开了一种基于卡尔曼滤波和神经网络的航迹补全方法，主要解决现有技术在补全航迹时，因目标在中断周期内运动状态发生改变而造成补全误差过大的问题。其方案是：模拟机动目标的运动轨迹；提取中断发生前的历史航迹数据并对其进行预处理；构建神经网络模型，运用预处理后的历史航迹数据对其进行训练；利用训练好的模型参数对部分历史航迹数据进行计算，得到中断周期内的预测航迹；利用中断结束后第一个周期的航迹数据作为初始值对中断周期内的航迹进行反向卡尔曼一步预测，并利用卡尔曼滤波更新算法对一步预测航迹进行校正，得到最终补全航迹。本发明补全误差小，在目标运动状态发生改变时，仍能获得较为准确的预测航迹，可用于目标跟踪。
-
公开(公告)号：CN113393032A
公开(公告)日：2021-09-14
申请号：CN202110658739.1
申请日：2021-06-15
Abstract: 本发明公开了一种基于重采样下的航迹循环预测方法，主要解决现有技术在航迹预测中，预测时长较短和因目标在未来运动状态发生改变而造成预测误差过大的问题。其实现方案是：模拟机动目标的历史航迹和未来航迹；对目标历史航迹数据依次进行滤波、重采样和归一化的预处理；构建由Bi‑LSTM层、Dropout层、Dense层和激活层组成的神经网络模型，并利用预处理后的航迹数据对其进行训练；运用循环策略生成部分历史航迹数据，并利用训练好的神经网络模型参数对其进行计算；对计算结果进行平滑滤波，得到最终预测航迹。本发明预测误差较小，预测时长较长，在目标运动状态在未来发生改变时，仍能获得较为准确的预测航迹，可用于目标跟踪。
-
公开(公告)号：CN119167086A
公开(公告)日：2024-12-20
申请号：CN202411227749.X
申请日：2024-09-03
Applicant: 电子科技大学
IPC: G06F18/214 , G06F18/213 , G06F18/24 , G06N3/042 , G06N3/08 , G06N3/045
Abstract: 本发明公开了一种基于孪生网络的机械传动部件小样本故障诊断方法，对机械传动部件在正常状态和不同故障状态下进行信号样本采集得到训练样本集，对每个信号样本提取信号特征，构建孪生网络采用训练样本集进行训练，然后将每个信号样本对输入训练好的孪生网络，得到嵌入特征对并据此计算两个信号样本的相似度，采用K近邻算法得到每个信号样本的邻居集合，以此构建训练样本集的信号图，构建基于图神经网络的节点分类模型并采用训练样本集的信号图进行训练，当需要进行机械传动部件的故障诊断时，生成待检测信号样本的信号图并输入训练好的节点分类模型，得到待检测信号样本的故障诊断结果。本发明可以有效提高小样本故障诊断的准确率。
-
公开(公告)号：CN117576442A
公开(公告)日：2024-02-20
申请号：CN202311441793.6
申请日：2023-11-01
Applicant: 西安电子科技大学
IPC: G06V10/764 , G06V10/74 , G06V10/774 , G06V10/82 , G06N3/096
Abstract: 本发明公开了一种基于细粒度和增量学习的可见光图像中航天器分类方法，其实现步骤为：构建Efficient Net网络与全连接层串联组成的可见光图像分类网络，生成基础训练样本集和增量学习样本集，先使用基础训练样本集，通过交叉熵损失函数训练网络，将航天器的特征与标签匹配，初步实现图像分类，再使用余弦损失函数训练网络，扩大特征的类间距离，缩小类内距离，优化相似图像的分类，使用增量学习样本集训练网络，使用特征匹配和阈值判断方法相结合，得到训练好的网络。本发明通过三次对网络的训练，提高了相似性高的航天器可见光图像分类的准确性，具有特征区分能力强，分类准确率高，可拓展性的优点。
-
-
-
-
-
-
-
-
-
Search Results
13
records
(took 0.023 seconds)
