-
公开(公告)号：CN116471154B
公开(公告)日：2025-01-03
申请号：CN202310584967.8
申请日：2023-05-23
Applicant: 西安电子科技大学
IPC: H04L27/00 , G06N3/0464 , G06N3/048 , G06F18/241 , G06F18/25 , G06F18/213
Abstract: 本发明提出了一种基于多域混合注意力的调制信号识别方法，主要解决现有方法提取特征不完备、在低信噪比下识别准确率较低的问题。方案包括：1)对离散复信号进行预处理，得到I/Q/A/P/F序列；2)构建空间特征提取模块提取序列的幅度等波形特征；3)利用离散余弦变换得到频域特征，并通过频域注意力模块提取不同频率分量的特征信息；4)构建时间特征提取模块挖掘空间特征和频域特征间的依赖关系并进行深层融合，获得调制信号的时间特征；5)将时间特征输入至分类器，经过分类器输出调制信号类别的识别结果。本发明能够获取不同域特征间的关联、互补性，增强模型稳定性及可靠性，有效提升低信噪比下各调制信号的识别准确率。
-
公开(公告)号：CN117197665A
公开(公告)日：2023-12-08
申请号：CN202311137313.7
申请日：2023-09-05
Applicant: 西安电子科技大学
IPC: G06V20/10 , G06V10/58 , G06V10/774 , G06V10/80 , G06V10/77 , G06V10/40 , G06V10/82 , G06N3/0455 , G06N3/084
Abstract: 本发明公开了一种基于低秩和稀疏先验约束自编码器的高光谱异常检测方法，主要解决现有检测方案在复杂应用场景下检测效果不佳的问题。包括：1)构建两个共享编码器的自编码器；2)建立目标函数，将高光谱图像分解成低秩成分、稀疏成分和残差成分；3)利用低秩成分和稀疏成分作为标签，分别计算两个自编码器的重构损失；4)将高光谱图像分解和自编码器训练整合到统一框架，以端到端方式联合优化；5)利用RX检测器对重构结果处理并进行融合，得到最终检测结果。本发明通过结合基于线性的低秩和稀疏模型与基于非线性的自编码器的优势，并以端到端的方式进行联合优化，避免模型陷入局部最优，有效提升了高光谱异常检测性能。
-
公开(公告)号：CN118539993A
公开(公告)日：2024-08-23
申请号：CN202410640983.9
申请日：2024-05-22
Applicant: 西安电子科技大学
IPC: H04B17/00 , H04B17/391 , H04L1/00 , H04L25/03 , H04L27/00 , G06N3/0464 , G06N3/0442 , G06N3/0455 , G06N3/0499 , G06N3/08
Abstract: 本发明公开了一种基于Transformer架构的解调方法，主要解决现有方法难以解调多种调制信号，适用信道环境受限，无法适应不同输入数据长度的问题。包括：1)对多种非理想特性进行仿真，并构建解调数据集；2)分别构建Patch Embedding模块、互补前馈编码器、循环解码器和共享分类器，搭建整体解调网络；3)使用数据集对解调网络进行训练和验证，得到最终的解调网络，并利用此网络对接收信号进行解调。本发明实现了对多种调制方式的统一解调，有效提升了系统解调准确性、普适性和灵活性，能够实现对噪声、射频损伤和信道衰落等多种系统非理想因素的自补偿以及对不同输入数据长度的自适应。
-
公开(公告)号：CN118334513A
公开(公告)日：2024-07-12
申请号：CN202410368628.0
申请日：2024-03-28
Applicant: 西安电子科技大学
IPC: G06V20/10 , G06V10/42 , G06V10/80 , G06V10/764 , G06V10/762
Abstract: 本发明提出了一种基于深度特征聚合的高光谱异常检测方法，主要解决现有方法检测效果不佳的问题。方案包括：1)将自适应聚合模型整合到自编码器网络中，构建充分利用高光谱图像的空间‑光谱信息的深度特征聚合网络模型；2)设计多重聚合分离损失函数，促使模型能够增强潜在背景特征的表征并且弱化潜在异常特征的表征，从而提高背景和异常区分能力；3)采用递进式训练策略，对构建的模型进行优化训练；4)引入马氏距离对重构误差进行评估，实现高光谱异常检测。本发明通过对多种不同地物背景的表征，为高光谱异常检测提供了一种新范式，增强了模型对背景和异常的区分能力，并有效提升了高光谱图像异常检测的精度。
-
公开(公告)号：CN116486263A
公开(公告)日：2023-07-25
申请号：CN202310463686.7
申请日：2023-04-26
Applicant: 西安电子科技大学
Abstract: 本发明提出了一种基于深度特征和双支流孤立森林的高光谱异常检测方法，主要解决现有技术对空间和光谱信息利用不足，影响检测精度的问题。方案包括：1)对三维高光谱图像分别进行全局和局部的样本提取；2)基于全局、局部的特征，引入神经网络进行光谱特征降维和提取，得到表征光谱信息的全局样本和局部样本，并利用其分别进行孤立森林的构建和测试，产生基于光谱的检测结果；3)利用形态学滤波、高斯滤波进行空间信息挖掘，产生基于空间的检测结果；4)通过非线性操作对两部分检测结果进行融合，得到高光谱异常检测的最终结果。本发明能够更为有效地挖掘高光谱图像的光谱和空间信息，提升高光谱异常检测的检测效果。
-
Patent Agency Ranking
公开(公告)号：CN115239694A
公开(公告)日：2022-10-25
申请号：CN202210985411.5
申请日：2022-08-17
Applicant: 西安电子科技大学
IPC: G06T7/00 , G06V10/762 , G06V10/77 , G06V10/764 , G06V10/82 , G06V20/10 , G06T3/00 , G06N3/04 , G06N3/08
Abstract: 本发明提出了一种融合鲁棒字典和双协同约束正则项的高光谱异常检测方法，用于解决字典构造时鲁棒性较差以及信息利用不充分导致检测结果欠佳的问题。包括：1)利用密度估计模型和局部异常因子得到密度图，并对其进行逐像素相乘以及逐像素相加操作，获取背景抑制图和异常增强图；2)对背景抑制图和异常增强图进行二值化处理得到其索引图，构造潜在异常字典和背景字典；3)构建基于双协同约束正则项的低秩与稀疏表示模型并进行优化求解，得到初始检测结果；4)利用背景抑制图和异常增强图对初始检测结果进行非线性变换，获取最终检测结果。本发明增强了字典的鲁棒性，且充分考虑全局特性和局部特性，从而有效提升了高光谱异常检测效果。
-
公开(公告)号：CN119341668A
公开(公告)日：2025-01-21
申请号：CN202411611717.X
申请日：2024-11-12
IPC: H04B17/309 , H04B17/318 , H04B17/391 , G06N3/0464
Abstract: 本发明公开了一种基于异构图卷积网络的频谱感知方法，主要解决现有技术在非理想信道环境下探测效果不佳，鲁棒性和泛化性弱以及可扩展性差的问题。包括：1)使用复用网络中的节点表征多模态信息，层内边和层间边建模多模态信息的潜在的相关性；2)使用非线性映射函数将不同模态信息映射到公共维度空间，构建用于复用网络节点属性聚合的异构图卷积，再结合全局池化层和分类器得到异构图卷积网络；3)将复用网络输入异构图卷积网络，训练至收敛；4)使用训练好的异构图卷积网络实现频谱感知。本发明结合多模态信息与异构图卷积网络，并以端到端的方式进行优化，有效缓解非理想信道环境造成的性能衰落，同时增强频谱感知算法的鲁棒性和泛化性。
-
公开(公告)号：CN118468941A
公开(公告)日：2024-08-09
申请号：CN202410697663.7
申请日：2024-05-31
Applicant: 西安电子科技大学
Abstract: 本发明公开了基于FPGA的高精度YOLOv5s加速系统，主要解决现有模型尺寸较大，自定义部署网络困难以及检测精度不佳的问题。系统包括：YOLOv5s网络模型压缩优化单元和硬件加速单元两部分；其中YOLOv5s模型压缩优化单元通过知识蒸馏联合INT8量化设计实现对YOLOv5s模型的尺寸压缩和检测精度的提升；硬件加速单元由包含卷积加速模块和后处理模块的FPGA、作为任务调度的ARM以及直实现数据流读写的DMA构成；在卷积加速模块中设计了动态特征复用缓存结构，达到数据复用的同时减少寻址频繁所带来的延时问题；本发明通过软硬件紧密结合形成高精度、低功耗的加速系统，有效提升了计算效率。
-
公开(公告)号：CN116471154A
公开(公告)日：2023-07-21
申请号：CN202310584967.8
申请日：2023-05-23
Applicant: 西安电子科技大学
IPC: H04L27/00 , G06N3/0464 , G06N3/048 , G06F18/241 , G06F18/25 , G06F18/213
Abstract: 本发明提出了一种基于多域混合注意力的调制信号识别方法，主要解决现有方法提取特征不完备、在低信噪比下识别准确率较低的问题。方案包括：1)对离散复信号进行预处理，得到I/Q/A/P/F序列；2)构建空间特征提取模块提取序列的幅度等波形特征；3)利用离散余弦变换得到频域特征，并通过频域注意力模块提取不同频率分量的特征信息；4)构建时间特征提取模块挖掘空间特征和频域特征间的依赖关系并进行深层融合，获得调制信号的时间特征；5)将时间特征输入至分类器，经过分类器输出调制信号类别的识别结果。本发明能够获取不同域特征间的关联、互补性，增强模型稳定性及可靠性，有效提升低信噪比下各调制信号的识别准确率。
-
公开(公告)号：CN116310830A
公开(公告)日：2023-06-23
申请号：CN202310292428.7
申请日：2023-03-23
Applicant: 西安电子科技大学
IPC: G06V20/10 , G06V10/772 , G06V10/774 , G06V10/26 , G06V10/28
Abstract: 本发明提出了一种空‑谱协同引导联合字典构建的高光谱异常检测方法，用于解决构建字典时背景光谱和异常光谱信息挖掘不充分及噪声干扰导致检测性能不佳的问题。包括：1)分别利用空间检测器和光谱检测器对输入高光谱图像进行检测，获取检测图；2)根据检测图构建背景集和异常集；3)对任意待测像素，从背景集和异常集中挑选特定数量的像素构建背景子字典和异常子字典，并将两者合并形成联合字典；4)建立基于联合字典的协同表示模型，对其优化求解得到估计的系数向量；5)将异常子字典和对应系数的乘积作为检测结果。本发明在构建字典时充分挖掘背景光谱和异常光谱信息，且有效规避了表示残差向量中噪声的影响，提升了高光谱异常检测性能。
-
-
-
-
-
-
-
-
-
Search Results
11
records
(took 0.031 seconds)
