-
公开(公告)号：CN108282427B
公开(公告)日：2019-11-26
申请号：CN201711345202.X
申请日：2017-12-15
Applicant: 西安电子科技大学
IPC: H04L27/00 , H04L1/00 , H04B17/391
Abstract: 本发明公开一种基于多尺度轻量网络的无线电信号认知识别方法，其实现步骤为：(1)生成29种编码调制联合信号和2种调制信号；(2)生成训练样本集和测试样本集；(3)构建多尺度轻量网络模型；(4)设置多尺度轻量网络模型的参数；(5)训练多尺度轻量网络模型；(6)将测试样本集输入到训练好的多尺度轻量网络模型中进行测试，获得识别准确率。本发明具有模型轻量化、普适性强、训练参数少、识别的无线电信号类型多，分类精度高的优点，可用于信号分类识别技术领域中。
-
公开(公告)号：CN108282426B
公开(公告)日：2019-11-26
申请号：CN201711293537.1
申请日：2017-12-08
Applicant: 西安电子科技大学
IPC: H04L27/00 , H04L1/00 , H04B17/391
Abstract: 本发明公开一种基于轻量级深度网络的无线电信号认知识别方法，其实现步骤为：(1)构建编码调制联合信号；(2)生成训练样本集和测试样本集；(3)构建轻量级深度网络；(4)设置轻量级深度网络的参数；(5)训练轻量级深度网络；(6)获得认知识别准确率。本发明具有普适性强，可以直接处理一维无线电信号，不需要人工特征提取和先验知识，能同时认知识别无线电信号的信道编码方式和调制识别方式，复杂度低，模型轻量化，分类结果准确、稳定的优点，可用于无线电信号认知识别技术领域中。
-
公开(公告)号：CN108282263B
公开(公告)日：2019-11-26
申请号：CN201711345300.3
申请日：2017-12-15
Applicant: 西安电子科技大学
Abstract: 本发明公开一种基于一维深度残差轻量网络的编码调制联合识别方法，其实现步骤为：(1)生成29种编码调制联合信号和2种调制信号；(2)生成训练样本集和测试样本集；(3)构建一维深度残差轻量网络模型；(4)训练一维深度残差轻量网络模型；(5)将测试样本集输入到训练好的一维深度残差轻量网络模型中进行测试，获得识别准确率，评估网络性能。本发明是一种通用的无线电信号特征提取方法，具有普适性好、鲁棒性强、识别准确率高、网络参数少、识别信号类型多的优点，可用于实际复杂通讯环境下的无线电信号的编码与调制方式的联合识别。
-
公开(公告)号：CN108282427A
公开(公告)日：2018-07-13
申请号：CN201711345202.X
申请日：2017-12-15
Applicant: 西安电子科技大学
IPC: H04L27/00 , H04L1/00 , H04B17/391
Abstract: 本发明公开一种基于多尺度轻量网络的无线电信号认知识别方法，其实现步骤为：(1)生成29种编码调制联合信号和2种调制信号；(2)生成训练样本集和测试样本集；(3)构建多尺度轻量网络模型；(4)设置多尺度轻量网络模型的参数；(5)训练多尺度轻量网络模型；(6)将测试样本集输入到训练好的多尺度轻量网络模型中进行测试，获得识别准确率。本发明具有模型轻量化、普适性强、训练参数少、识别的无线电信号类型多，分类精度高的优点，可用于信号分类识别技术领域中。
-
公开(公告)号：CN108282262A
公开(公告)日：2018-07-13
申请号：CN201711345203.4
申请日：2018-04-16
Applicant: 西安电子科技大学
Abstract: 本发明公开一种基于门控循环单元深度网络的智能时序信号分类方法，其实现步骤为：(1)构建编码调制联合时序信号；(2)生成训练样本集和测试样本集；(3)搭建门控循环单元深度网络模型；(4)设置门控循环单元深度网络的参数；(5)训练门控循环单元深度网络模型；(6)获得分类准确率。本发明不需要人工特征提取和大量先验知识，可以对一维信号进行自动的特征提取和准确的信号分类，具有复杂度低，分类结果准确、稳定等优点，可用于军事和民用通信领域中。
-
Patent Agency Ranking
公开(公告)号：CN108282262B
公开(公告)日：2019-11-26
申请号：CN201711345203.4
申请日：2018-04-16
Applicant: 西安电子科技大学
Abstract: 本发明公开一种基于门控循环单元深度网络的智能时序信号分类方法，其实现步骤为：(1)构建编码调制联合时序信号；(2)生成训练样本集和测试样本集；(3)搭建门控循环单元深度网络模型；(4)设置门控循环单元深度网络的参数；(5)训练门控循环单元深度网络模型；(6)获得分类准确率。本发明不需要人工特征提取和大量先验知识，可以对一维信号进行自动的特征提取和准确的信号分类，具有复杂度低，分类结果准确、稳定等优点，可用于军事和民用通信领域中。
-
公开(公告)号：CN108495132B
公开(公告)日：2019-10-11
申请号：CN201810110020.2
申请日：2018-02-05
Applicant: 西安电子科技大学
IPC: H04N19/122 , H04N19/124 , H04N19/25 , H04N19/48 , G06K9/00 , G06K9/62 , G06N3/04 , H04N7/20
Abstract: 本发明公开了一种基于轻量级深度卷积网络的遥感影像大倍率压缩方法，其步骤为：1.搭建一个7层的轻量级深度卷积网络；2.选取遥感影像训练样本；3.生成训练数据集；4.训练轻量级深度卷积网络；5.压缩待测试遥感影像；6.解压待测试遥感影像的大倍率压缩文件。本方法设计了一种新的7层的轻量级深度卷积网络，该方法的模型轻巧，压缩解压缩时间短，可实现大倍率压缩，优化了反量化过程，提高了神经网络的精度，提升了复原遥感影像的质量，可以保留更多的遥感影像的边缘纹理信息。
-
公开(公告)号：CN107979554B
公开(公告)日：2019-10-08
申请号：CN201711144077.6
申请日：2017-11-17
Applicant: 西安电子科技大学
Abstract: 本发明公开一种基于多尺度卷积神经网络的无线电信号调制识别算法，其实现步骤为：(1)生成处理后的无线电调制信号；(2)生成二维时频图，对信号的瞬时相关函数作傅里叶变换得到信号的维格纳‑威利时频分布图；(3)对时频分布图进行预处理，生成训练样本集和测试样本集；(4)构建多尺度卷积神经网络模型并进行训练；(5)使用训练好的网络模型对测试集进行测试，计算正确率，获得识别准确率，评估网络性能。本发明具有普适性强，不需要人工特征提取和大量先验知识，复杂度低，分类结果准确、稳定的优点，可用于信号分类识别技术领域中。
-
公开(公告)号：CN108495132A
公开(公告)日：2018-09-04
申请号：CN201810110020.2
申请日：2018-02-05
Applicant: 西安电子科技大学
IPC: H04N19/122 , H04N19/124 , H04N19/25 , H04N19/48 , G06K9/00 , G06K9/62 , G06N3/04 , H04N7/20
Abstract: 本发明公开了一种基于轻量级深度卷积网络的遥感影像大倍率压缩方法，其步骤为：1.搭建一个7层的轻量级深度卷积网络；2.选取遥感影像训练样本；3.生成训练数据集；4.训练轻量级深度卷积网络；5.压缩待测试遥感影像；6.解压待测试遥感影像的大倍率压缩文件。本方法设计了一种新的7层的轻量级深度卷积网络，该方法的模型轻巧，压缩解压缩时间短，可实现大倍率压缩，优化了反量化过程，提高了神经网络的精度，提升了复原遥感影像的质量，可以保留更多的遥感影像的边缘纹理信息。
-
公开(公告)号：CN107240138A
公开(公告)日：2017-10-10
申请号：CN201710378830.1
申请日：2017-05-25
Applicant: 西安电子科技大学
IPC: G06T9/40 , H04N19/124 , H04N19/176 , H04N19/85 , H04N19/96
CPC classification number: G06T9/40 , H04N19/124 , H04N19/176 , H04N19/85 , H04N19/96
Abstract: 本发明提出了一种基于样本二叉树字典学习的全色遥感图像压缩方法，用于解决现有全色遥感图像压缩方法中存在的结构复杂的纹理信息不能够得到有效表示的技术问题。实现步骤为：通过图像样本复杂度的评价函数，区分图像中简单样本和复杂样本；对训练图像和待压缩图像分别进行预处理得到样本集Y和T；由样本集Y和T分别建立训练样本二叉树和测试样本二叉树，完成不同复杂度样本的划分；训练样本二叉树叶节点上不同复杂度的样本用来训练不同尺度的字典；而测试样本二叉树叶节点上不同复杂度的样本集在对应字典下稀疏编码，得到系数矩阵；系数矩阵经过量化编码得到二进制码流。本发明压缩重构图像的PSNR指标和主观视觉评价高。
-
-
-
-
-
-
-
-
-
Search Results
16
records
(took 0.024 seconds)
