-
公开(公告)号：CN118201013A
公开(公告)日：2024-06-14
申请号：CN202410505578.6
申请日：2024-04-25
Applicant: 电子科技大学
Abstract: 本发明涉及无线自组网技术领域，且公开了一种无线自组网拓扑识别算法的FPGA可伸缩实现方法，包括IP核结构，所述IP核结构由数据输入端口(模块M1)，数据控制单元(模块M2)，欧氏距离计算单元(模块M3)，聚类信息存储单元(模块M4)，聚类控制单元(模块M5)，并行计算处理单元(模块M6)，聚类信息恢复单元(模块M9)，拓扑识别单元(模块M10)构成。本发明中算法在多个平台通过兼容性测试，且在不同平台运行时间几乎相等，进而提高了算法的适配性；本发明具有可伸缩性的并行计算单元设计，使IP核方便部署在不同资源的FPGA中，从而能够快速地适应网络环境的变化，提高了算法的稳定性以及可靠性。
-
公开(公告)号：CN115081472B
公开(公告)日：2024-04-16
申请号：CN202210547505.4
申请日：2022-05-18
Applicant: 电子科技大学
IPC: G06F18/213 , G06F18/23213 , G06N3/045 , G06N3/0442 , G06N3/088 , G01S7/41
Abstract: 本发明提供一种用于雷达行为分析的脉冲信号语法建模及特征提取方法，包括聚类离散编码步骤、统计建模分词步骤、序列标注划分步骤和序列联合感知步骤。本发明的语法模型由五个层级构成，提出了描述脉冲信号参数变化规律的脉冲字母与脉冲字、脉冲短语及描述工作状态和行为的脉冲句、脉冲段，细化了对参数变化模式、工作状态、雷达行为的描述，更适用于复杂应用场景下的信号特征分析。首先针对信号中可拆解的层级包含关系构建多层语义特征，其次基于无监督方法抽取底层语义特征，结合信号标注获取训练集，输入长短时记忆网络分析高层语义特征，最终实现对雷达信号的语法层级特征提取及行为分析，解决了参数重叠场景下的行为分析需求。
-
公开(公告)号：CN113365366B
公开(公告)日：2023-07-25
申请号：CN202110546003.5
申请日：2021-05-19
Applicant: 电子科技大学
IPC: H04W74/00 , H04W74/08 , H04L1/1607
Abstract: 本发明提供一种基于握手的竞争类MAC协议区分方法，包括步骤：S1、对待处理的基于握手的竞争类MAC协议时序数据进行分组，根据待处理的数据设置一个时间长度阈值，并将分组持续时间大于该阈值的识别为数据分组；S2、检测数据分组和它前一个分组之间的间隔是否小于等于10微秒，如是，则进入步骤S3，否则判断为CSMA/CA协议；S3、检测每一个数据分组和它后一个分组的间隔是否都等于传播延迟，如是，则判断为MACAW协议，否则进入步骤S4；S4、比较数据分组的前一个分组和前面第二个分组的长度，如果前一个分组的长度小于前面第二个分组的长度，则判断为MACA协议，否则为FAMA协议。本发明发现了基于握手的竞争类MAC协议识别依据，能在合作或非合作的条件下进行基于握手的竞争类MAC组内协议识别。
-
公开(公告)号：CN111427838B
公开(公告)日：2022-06-21
申请号：CN202010236366.4
申请日：2020-03-30
Applicant: 电子科技大学
IPC: G06F15/177 , G06F13/32 , G06F9/54 , G06V10/94 , G06V10/82 , G06V10/764 , G06K9/62 , G06N3/04
Abstract: 本发明公开了一种基于ZYNQ动态更新卷积神经网络的分类系统及方法，分类系统包括ZYNQ芯片、千兆以太网口、FEP接口、DDR存储器、服务器和FEP接口摄像头；ZYNQ芯片分别与千兆以太网口、FEP接口和DDR存储器通信连接；千兆以太网口和服务器通信连接；FEP接口和FEP接口摄像头通信连接。本发明支持卷积神经网络种类及参数的动态更新，且支持在线平滑更新，不影响更新任务和分类任务的同时进行。同时可应用于对功耗有要求的设备或野外等复杂环境。本系统还能够同时支持多个ZYNQ设备，可以对多个ZYNQ并发更新。
-
公开(公告)号：CN111259983B
公开(公告)日：2022-05-20
申请号：CN202010091095.8
申请日：2020-02-13
Applicant: 电子科技大学
IPC: G06V10/46 , G06V10/774 , G06K9/62
Abstract: 本发明公开了一种基于深度学习的图像语义分割方法及存储介质，图像语义分割方法包括在特征提取网络后串联一个平均全局池化层和全连接层作为分类的预训练模型，并采用Imagenet‑1K数据集对预训练模型进行分类训练；将训练后的预训练模型中的特征提取网络与轻量级ASPP模块和两个特征增强模块依次连接构成语义分割模型；通过翻转、旋转和缩放对数据集cityscapes进行扩充，并采用扩充后的数据集对语义分割模型进行训练，得到目标语义分割模型；将预处理后的新图片输入目标语义分割模型，在目标语义分割模型中进行一次前向传播，端到端地输出预测的语义分割结果。
-
Patent Agency Ranking
公开(公告)号：CN112533222B
公开(公告)日：2021-08-31
申请号：CN202011323973.0
申请日：2020-11-23
Applicant: 电子科技大学
Abstract: 本发明公开了一种通信网关键节点识别和最优干扰信号样式选择方法，将关键节点识别和最优波形寻找相结合，从而避免了将关键节点识别和最优波形寻找分成两段学习以及最优波形寻找的准确性严重依赖关键节点识别准确性的问题，通过本方法即可同时得出关键节点和最优干扰波形，极大地提升了学习效率，降低了问题的复杂度。
-
公开(公告)号：CN111371715B
公开(公告)日：2021-03-16
申请号：CN202010123034.5
申请日：2020-02-27
Applicant: 电子科技大学
Abstract: 本发明公开了一种用于在低信噪比下识别ASK类信号的特征提取方法，包括以下步骤：S1:读入待测信号的信号采样序列；S2:通过对信号采样序列的自相关函数进行傅立叶变换得到信号采样序列的功率谱密度；S3:对功率谱密度进行处理；S4:计算功率谱密度的标准差和均值；S5:计算待测信号的标准差系数mdask，完成待测信号的特征提取；S6:对待测信号进行识别，完成在低信噪比下识别ASK类信号。本发明提供的方法不仅可以在低信噪比下完成有效识别ASK类信号的任务，而且可以直接处理中频信号且不受载波频率等通信参数的影响，更不需要精确的参数估计。同时，本发明所提取的特征参数不会出现大幅度变动，具有有效性和稳健性。
-
公开(公告)号：CN111427838A
公开(公告)日：2020-07-17
申请号：CN202010236366.4
申请日：2020-03-30
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于ZYNQ动态更新卷积神经网络的分类系统及方法，分类系统包括ZYNQ芯片、千兆以太网口、FEP接口、DDR存储器、服务器和FEP接口摄像头；ZYNQ芯片分别与千兆以太网口、FEP接口和DDR存储器通信连接；千兆以太网口和服务器通信连接；FEP接口和FEP接口摄像头通信连接。本发明支持卷积神经网络种类及参数的动态更新，且支持在线平滑更新，不影响更新任务和分类任务的同时进行。同时可应用于对功耗有要求的设备或野外等复杂环境。本系统还能够同时支持多个ZYNQ设备，可以对多个ZYNQ并发更新。
-
公开(公告)号：CN111401226A
公开(公告)日：2020-07-10
申请号：CN202010174283.7
申请日：2020-03-13
Abstract: 本发明公开了一种辐射源快速识别方法，其包括以下步骤：S1、读取带有标签的辐射源信号；S2、对带有标签的辐射源信号进行短时傅里叶变换，将一维信号转换为两通道的二维时频图像；S3、构建深度卷积神经网络模型；S4、将两通道二维时频图像输入深度卷积神经网络模型，并采用自适应学习率算法进行训练，获取训练后的模型；S5、采用训练后的模型对待识别目标进行识别，完成辐射源的快速识别。本方法结合损失函数，实现学习率能够自适应变化，与现有学习率相比，极大的提升了神经网络模型的收敛速度和识别精度，优化了辐射源的识别性能，同时不需要人为调参。
-
公开(公告)号：CN107707497B
公开(公告)日：2020-06-02
申请号：CN201710319971.6
申请日：2017-05-09
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于减法聚类和模糊聚类算法的通信信号识别方法，其包括初始化参数；针对不同子载波，设置不同的初始领域半径值，采用减法聚类算法对接收的通信信号的星座点进行聚类；当减法聚类中心的个数小于第一预设定阀值时，将邻域半径减小，继续进行减法聚类；以减法聚类中心中密度较大的第一预设定阀值个减法聚类中心作为模糊聚类算法的初始中心，采用模糊聚类算法对通信信号的星座点再次进行聚类；指定模糊聚类的初始聚类数目，联合Xie‑Beni指标和聚类后星座图的相对半径评价聚类的合理性，若不合理，初始聚类数目需进行迭代；将相对半径与标准星座图半径比较，可得出信号的调制方式则标准调制信号所在的类别为通信信号的类别。
-
-
-
-
-
-
-
-
-
Search Results
97
records
(took 0.028 seconds)
