-
公开(公告)号：CN117991201A
公开(公告)日：2024-05-07
申请号：CN202311806696.2
申请日：2023-12-26
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于改进TOPSIS的空中多目标威胁动态评估方法，旨在解决现有技术无法应对电磁环境状况变化，并且TOPSIS方法难以区分目标之间的关联性及分档问题。本发明的实现步骤包括：生成含有7个空中目标威胁评估指标体系；根据每个空中目标的每个威胁评估指标的状态值及主客观赋权法权重，计算其对应的动态权重；根据各空中威胁目标的动态权重与归一化指标值加权计算的决策矩阵，计算威胁评估指标的正、负理想解；将灰色关联度法GRA的灰色关联度与逼近理想解排序方法TOPSIS的欧式距离合并后，得到该空中目标的灰色距离；用每个空中目标的灰色距离计算的贴近度，替代秩和比法RSR中每个空中目标的RSR值，根据RSR值对每个空中目标威胁程度进行分档评估。本发明具有根据电磁环境状况变化动态评估空中多目标威胁程度和考虑了空中目标威胁之间的关联性及根据每个目标的威胁程度对每个目标进行合理分档的优点。
-
公开(公告)号：CN113627471A
公开(公告)日：2021-11-09
申请号：CN202110753790.0
申请日：2021-07-03
Applicant: 西安电子科技大学
Abstract: 本发明属于机器学习与智能计算技术领域，公开了一种数据分类方法、系统、设备及信息数据处理终端，所述数据分类方法包括：将每个数据集划分为训练集和测试集；初始化单隐层前馈神经网络(SLFN)的结构和部分网络参数，包括隐层神经元的状态、输入权值和隐层偏置，并计算最优输出权值；评估生成的染色体的适应度函数值；通过基于极限学习机的协同遗传算法(CGA‑ELM)同时优化网络结构和连接参数，得到最优解作为最终的单隐层前馈神经网络；使用测试集测试网络性能，输出平均分类准确率。本发明提供的CGA‑ELM在泛化能力方面显著优于CGA和ELM；与其他先进算法相比，CGA‑ELM能在保持收敛速度的前提下达到更高的识别能力，具有更大的竞争能力和更好的泛化性能。
-
公开(公告)号：CN112257861A
公开(公告)日：2021-01-22
申请号：CN202010991342.X
申请日：2020-09-20
Applicant: 西安电子科技大学
Abstract: 本发明属于模式识别与分类技术领域，公开了一种用于模式识别与分类的双层学习模型构建方法、交互式学习方法及应用。在双层学习新模型中，上层优化网络结构，目标是最小化网络复杂度，同时使得在测试集上的错误分类率最小；下层优化网络参数(连接权值和偏置)，目标是在训练集上的均方误差最小。为了求解双层学习新模型，本发明提供了一种交互式学习算法，其上层算法采用二进制粒子群算法优化网络结构编码，下层算法采用LM算法优化网络参数编码。本发明将新模型和相应算法应用到数据分类中，极大地提高了分类精度。本发明提供神经网络自动设计的双层学习新模型和相应的交互式学习算法，并将其应用于数据分类问题。
-
公开(公告)号：CN104219190A
公开(公告)日：2014-12-17
申请号：CN201410451908.4
申请日：2014-09-04
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种认知OFDM系统的子信道和功率分配方法，其特征在于：包括以下步骤：步骤1、对授权用户的信道占用进行建模，建模为两种不同的类型；步骤2、对于给定的授权用户的信道占用模型，感知得到空闲子载波集合，预测空闲信道的空闲持续时间的长短；步骤3、进行延迟敏感用户的子信道分配；步骤4、进行延迟容忍用户的子信道分配；步骤5、功率的增加过程1：延迟敏感用户与延迟容忍用户的功率交换；步骤6、功率的增加过程2：延迟容忍用户之间的功率交换。本发明动态的子信道和功率分配方案，满足认知系统中的两种不同业务类型的用户的不同QOS需求，即最小化延迟敏感的认知用户的切换时延，在此基础上最大化延迟容忍认知用户吞吐量。
-
公开(公告)号：CN119691641A
公开(公告)日：2025-03-25
申请号：CN202411701812.9
申请日：2024-11-26
Applicant: 西安电子科技大学
IPC: G06F18/2433 , G06F18/2321 , G06F18/23213
Abstract: 本发明公开一种基于自适应参数DBSCAN的飞行器异常检测方法，其实现方案为，通过Z‑score标准化处理飞行器的纬度、经度、高度、速度数据，通过距离矩阵生成eps‑list；利用二分搜索优化法优化eps‑list中的eps值，将其对应的minpts值作为自适应参数；使用K‑means算法建立候选eps‑list；通过DBSCAN算法进行聚类；利用聚类结果检测异常，识别噪声点并分析其特征。本发明无需人为干预即可自动确定算法参数，直接提高聚类的准确性和鲁棒性，处理大规模飞行器数据可保持很高的响应速度，可更精准地识别飞行状态中的异常情况，提高飞行安全监控的效率和可靠性。
-
Patent Agency Ranking
公开(公告)号：CN119669999A
公开(公告)日：2025-03-21
申请号：CN202411641082.8
申请日：2024-11-18
Applicant: 西安电子科技大学
IPC: G06F18/25 , G06F18/20 , G06F18/27 , G06N20/20 , G06F123/02
Abstract: 本发明公开一种结合主被动信息融合与集成学习的运动目标跟踪方法，主要解决现有技术单一数据源易受噪声和异常值影响、模型复杂度高且稳定性差的问题。其实现步骤为：将主动探测和被动探测数据融合，得到观测数据；使用多项式拟合最小二乘法和极限学习机拟合观测数据，分别得到基础学习器1和基础学习器2；通过集成学习的堆叠法将两种学习器的预测结果结合，得到目标的预测状态；对目标预测状态进行高斯滤波平滑处理；计算目标的运动速度；判断是否为最后一组观测数据，若是，则结束跟踪。本发明通过主被动信息融合与集成学习方法的结合，提高了模型的稳定性，实现了对目标的高效、精准跟踪。
-
公开(公告)号：CN115049006A
公开(公告)日：2022-09-13
申请号：CN202210695681.2
申请日：2022-06-20
Applicant: 四川九洲电器集团有限责任公司 , 西安电子科技大学
Abstract: 本发明涉及一种基于自适应前馈神经网络的通信信号识别方法和系统，属于信号识别技术领域，解决了现有小样本信号识别不准确和模型参数调整困难的问题。包括基于单隐层前馈神经网络随机生成二进制类型的各隐层神经元激活状态、实数类型的各隐层输入权值和隐层偏置，通过混合编码形式组成初始的多个网络个体，作为父代种群；以均方根误差和网络复杂度作为目标函数，基于预处理后的信号样本集，采用改进的NSGA‑III算法得到帕累托最优种群；根据均方根误差从帕累托最优种群中获取多个网络个体作为基分类器，对实时采集的通信信号预处理后传入基分类器中集成学习，对输出的结果加权求和后，取最大值对应的类别作为通信信号识别结果。实现了准确的信号识别。
-
公开(公告)号：CN118568394A
公开(公告)日：2024-08-30
申请号：CN202410625973.8
申请日：2024-05-20
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于双层规划的组网雷达多目标跟踪任务联合优化方法，主要解决组网雷达对大规模的多目标跟踪时，无法高效调度组网雷达资源的问题。本发明实现的步骤如下：构建最小化组网雷达发射时宽的混合整数规划模型；将混合整数规划模型重写为双层优化的形式；利用雷达发射时宽的最大元素生成初始雷达目标指派；凸优化求解雷达发射时宽，局部搜索优化雷达目标指派；判断局部搜索所得最优雷达目标指派是否与初始雷达目标指派一致；获取最优的雷达目标指派和相应的雷达发射时宽。本发明通过基于双层规划的组网雷达多目标跟踪任务联合优化方法，能够对组网雷达实现更高效的资源调度，对大规模的多目标实现精度更高地有效跟踪。
-
公开(公告)号：CN117765334A
公开(公告)日：2024-03-26
申请号：CN202311828644.5
申请日：2023-12-28
Applicant: 西安电子科技大学
IPC: G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/045 , G06N3/084
Abstract: 基于深度二值神经网络模型的图像分类方法、系统、设备及介质，方法包括，将待分类图像输入至预设的深度二值神经网络模型中，得到待分类图像的分类预测结果，预设的深度二值神经网络模型通过以下步骤得到：改进二值卷积模块，将改进后的二值卷积模块和重塑激活模块融合，给每一层二值卷积操作中增添注意力机制模块，给二值卷积操作赋予一个反向传播的自适应线性尺度因子，搭建深度二值神经网络模型的基准网络并初始化基准网络的浮点数参数，利用Adam算法训练，得到所述深度二值神经网络模型；系统、设备及介质，用于实现基于深度二值神经网络模型的图像分类方法；本发明降低模型复杂度的同时具有更好的稳定性，图片分类结果的准确率和速度都有提高。
-
公开(公告)号：CN114648560A
公开(公告)日：2022-06-21
申请号：CN202210115227.5
申请日：2022-02-06
Applicant: 西安电子科技大学
Abstract: 本发明属于图像配准技术领域，公开了一种分布式图像配准方法、系统、介质、计算机设备及终端，对待配准原始图像进行切割得到子图，利用子图生成训练样本，并使用预先训练好的卷积神经网络CNN提取生成样本的特征；分布式训练高斯径向基神经网络RBFN学习图像特征与配准参数之间的最优映射关系；使用已训练好的RBFN模型预测图像间的配准参数。本发明基于CNN模型来进行图像特征提取，有效地获取图像关键信息，同时提出分布式算法DD‑RBFN‑ZGS，有效的进行图像配准参数预测。本发明通过仿真实验验证了算法的收敛性与准确性，与端到端的图像配准算法和传统的图像配准算法相比，在图像配准中得到更好的准确率。
-
-
-
-
-
-
-
-
-
Search Results
18
records
(took 0.035 seconds)
