-
公开(公告)号：CN111506996B
公开(公告)日：2024-05-03
申请号：CN202010293308.5
申请日：2020-04-15
Applicant: 郑州轻工业大学
Abstract: 本发明公开了一种基于辨识误差受限技术的转台伺服系统辨识方法，利用离散化方法获得电机伺服系统的动力学辨识模型，根据离散化方法获得伺服系统的回归辨识模型，提出基于滤波变量差值信息设计的自适应滤波器，并对收集的系统数据进行去噪，建立变增益衰减因子改善数据饱和现象，设计中间变量和滤波变量构造辨识误差信息。利用指定性能技术对辨识误差施加约束条件，使其限制在某个区间内，避免超调量过大；采用误差转换技术将受约束的辨识误差问题转换为一般的辨识误差设计问题，基于辨识误差信息和改进的修正增益设计参数自适应律保证瞬态性能实现。最后利用实际实验平台验证了本发明基于辨识误差受限技术的转台伺服系统辨识方法的有效性和有用性。
-
公开(公告)号：CN116310386A
公开(公告)日：2023-06-23
申请号：CN202310258164.3
申请日：2023-03-16
Applicant: 郑州轻工业大学 , 中国人民解放军空军通信士官学校
IPC: G06V10/44 , G06V10/80 , G06V10/82 , G06N3/08 , G06N3/0464
Abstract: 本发明提出了一种基于浅层自适应增强上下文的CenterNet小目标检测方法，属目标检测的技术领域，本发明构建CenterNet目标检测模型；利用主干特征提取网络对输入图像进行特征提取得到浅层特征和深层特征；通过浅层特征层选择一个小目标信息较多的浅层特征，通过自适应增强上下文模块获取上下文信息，将上下文信息和原始浅层特征加权融合得到增强后的浅层特征；将增强后的浅层特征与经反卷积的深层特征进行特征融合得到预测特征图；将预测特征图送入预测网络预测目标的属性，获得目标的检测结果。本发明将通过自适应增强上下文模块进行浅层特征与深层特征融合，具有丰富的细节信息和语义信息，提高小目标的检测精度，且能够提升检测效果。
-
公开(公告)号：CN112202545B
公开(公告)日：2021-07-23
申请号：CN202011156750.X
申请日：2020-10-26
Applicant: 郑州轻工业大学
Abstract: 本发明提出了一种基于Y型填充曲线和变步长约瑟夫遍历的图像加密方法，其步骤为：将灰度图像转换成二维的图像矩阵；计算图像矩阵的哈希值作为密钥，进行运算得到初始参数值；将初始参数值带入2D‑LSCM系统迭代得到混沌序列，进行处理得到序列矩阵，将两个序列矩阵分别作为起始矩阵和初始步长矩阵，采用约瑟夫函数对图像矩阵的每个像素值的二进制位进行比特置乱；使用Y型填充曲线对图像矩阵进行两次像素置乱操作；利用序列矩阵依次进行正向扩散和逆向扩散得到密文图像。本发明通过Y型填充曲线对图像进行混淆，实现密钥与明文图像关联，利用多样性的约瑟夫对图像像素进行比特级置乱，通过对实验结果的分析，具有更好的性能和更高的安全性。
-
公开(公告)号：CN111915648B
公开(公告)日：2023-09-01
申请号：CN202010685477.3
申请日：2020-07-16
Applicant: 郑州轻工业大学
IPC: G06T7/246 , G06T7/13 , G06T7/136 , G06T7/73 , G06N3/0464 , G06N3/0442 , G06N3/08
Abstract: 本发明提出了一种基于常识和记忆网络的长期目标运动跟踪方法，用以解决现有跟踪方法不能有效适应不确定运动场景下的目标跟踪问题。其步骤为：首先利用跟踪器在局部搜索窗内预测目标位置，然后利用单层记忆网络判断预测结果的可靠性。若可靠则进行下一帧的跟踪，否则利用常识信息和针对跟踪任务开发的语义目标感知特征从全局图片中生成少量高质量的包含目标真实运动状态的建议，再通过记忆网络选择最佳的候选建议作为预测结果。最后，利用可靠的跟踪结果对记忆网络进行微调以保持目标的外观记忆。本发明的单层记忆网络结构简单、运算量小；且本发明将记忆网络和语义目标感知建议相结合能够适应突变运动等目标跟踪问题，实现长期跟踪。
-
公开(公告)号：CN114255182B
公开(公告)日：2023-05-23
申请号：CN202111515665.2
申请日：2021-12-13
Applicant: 郑州轻工业大学
Abstract: 本发明提出了一种基于空间自适应全变差的CS迭代阈值图像去噪重建方法，步骤为：初始化重建图像和初始含噪观测值；对获得的重建图像进行迭代更新获得估计值；基于优化阈值软阈值算子进行轮廓波变换获得去噪估计值轮廓波稀疏系数；将获得的去噪估计值轮廓波稀疏系数输入到基于空间自适应全变差CS重建模型中获得重建图像轮廓波系数；使用基于轮廓波维纳滤波算子进行滤波获得重建图像轮廓波系数；将重建图像轮廓波系数进行轮廓波逆变换获得重建图像。本发明采用基于优化阈值软阈值算子的轮廓波变换进行稀疏变换，不仅能够将图像数据与噪声信息进行有效分离，同时能够有效去除隐藏在图像各层中的噪声信息获得高质量的图像稀疏系数，提高了去噪重建能力。
-
Patent Agency Ranking
公开(公告)号：CN116051408A
公开(公告)日：2023-05-02
申请号：CN202310022026.5
申请日：2023-01-06
Applicant: 郑州轻工业大学
IPC: G06T5/00 , G06T5/50 , G06N3/048 , G06N3/08 , G06N3/0464 , G06N3/0455
Abstract: 本发明提出了一种基于残差自编码的图像深度去噪方法，步骤如下：以噪声的标准差作为分级依据将噪声分级；通过数据增强策略扩充数据集中的图片数量得到训练集；构建图像去噪模型：图像去噪模型包括依次连接的编码模块、密集残差模块和解码模块；将训练集的图片分别添加步骤一中各个噪声等级范围内的高斯噪声得到含噪图像，将含噪图像输入图像去噪模型分别进行学习训练，获得训练好的不同噪声等级的图像去噪模型；在图像去噪应用时将含噪图片输入训练好的图像去噪模型，直接重构输出去噪后的图片。本发明在去除大部分噪声信息的同时能够有效的保留图像的局部细节特征和图像的边缘特征信息，获得高质量的重建图像；实现简单且轻量化，参数量少。
-
公开(公告)号：CN115272401A
公开(公告)日：2022-11-01
申请号：CN202210530550.9
申请日：2022-05-16
Applicant: 郑州轻工业大学
IPC: G06T7/246 , G06V10/764
Abstract: 本发明提出了一种基于辨别增强记忆与断续时空约束的目标跟踪方法，属于目标跟踪技术领域，用于解决传统暹罗跟踪算法无法适应突变运动目标的形变，难以有效提高跟踪鲁棒性的问题。本发明首先建立辨别增强记忆模型，该模型更新依据多峰样本评估收集的样本集和焦点损失度量，评估跟踪结果属于目标的概率，根据概率值调整跟踪方式。多峰样本评估策略依靠响应图在线收集难分负样本，焦点损失度量使网络训练时更加偏向于学习难分负样本，从内外两个方面提高记忆模型判别力。其次，在跟踪失败时，根据记忆模型响应引导断续时空约束抑制跟踪过程中固定时空约束对目标的干扰，提高最终响应图的置信度，从而实现更鲁棒性的跟踪性能。
-
公开(公告)号：CN112701873A
公开(公告)日：2021-04-23
申请号：CN202011337870.X
申请日：2020-11-25
Applicant: 郑州轻工业大学
Abstract: 本发明公开了一种平板型混合永磁直线电机，包括底板、电机初级和电机次级，底板上端面的前后侧分别设置有第一导轨和第二导轨，第二导轨的外侧设置有磁栅尺，第一导轨与第二导轨之间的底板上设置有带有电机次级的次级背板，第一导轨与第二导轨上均设置滑行块，滑行块上设置有电机初级，电机初级包括初级绕组和初级铁芯，初级铁芯通过第一螺栓固定在初级背板内，初级绕组设置在初级铁芯内部，电机次级包括第一永磁体组和第二永磁体组，第一永磁体组与第二永磁体组按照不同极性交替排列后平铺固定在次级背板的上端面上；第一永磁体组与第二永磁体组内均分别包括按照同极性顺序排列的一个第一永磁体和两个第二永磁体。本发明结构及生产工艺简单，整体造价低。
-
公开(公告)号：CN117471907A
公开(公告)日：2024-01-30
申请号：CN202311349953.4
申请日：2023-10-18
Applicant: 郑州轻工业大学
Abstract: 本发明提出了一种电机驱动系统建模和分数阶辨识方法，具体步骤为：S1：根据电机驱动系统的组成部分建立电机驱动系统级联化动态模型；S2：建立辨识模型；S3：基于自适应遗忘因子的重复学习梯度辨识方法获得辨识模型内每个模型的估计参数；S4：验证电机驱动系统级联化动态模型。本发明利用模块化模型对电机驱动系统的电机驱动部分、传送环节和负载部分三个部分分别建立子模型，根据模块化建模理论建立级联化动态模型，有效解决了数据淹没问题，提升了梯度算法的估计性能，抵消噪声对参数更新的影响，从数据本身角度解决噪声问题，实现了电机驱动系统的高精度建模和辨识的目的。
-
公开(公告)号：CN116342867A
公开(公告)日：2023-06-27
申请号：CN202310268550.0
申请日：2023-03-20
Applicant: 郑州轻工业大学
Abstract: 本发明提出了一种基于自适应递归金字塔的YOLOv4小目标检测方法，属于目标检测技术领域，步骤为：构建YOLOv4目标检测网络：金字塔网络输出的特征通过递归再次融入骨干网络，将金字塔网络两次输出的特征进行融合后输入自适应模块；利用骨干网络提取输入图像的深度特征；金字塔网络将不同尺度的深度特征进行特征层拼接；与骨干网络得到的深度特征相结合并进行反向传播，再次输入特征金字塔网络进行特征加强融合；将两次加强融合特征进行特征拼接后输入自适应模块，得到三层不同尺度的特征图；通过检测头网络得到目标检测结果。本发明显著提升了检测网络对小目标的表征能力，能够有效提取更有效的特征信息，具有检测精度高、鲁棒性强的优点。
-
-
-
-
-
-
-
-
-
Search Results
23
records
(took 0.019 seconds)
