公开(公告)号：CN109633588A

公开(公告)日：2019-04-16

申请号：CN201811642321.6

申请日：2018-12-29

Applicant: 杭州电子科技大学

Inventor： 刘伟峰 ,  孔明鑫 ,  张敬 ,  张桂林

IPC: G01S7/41

CPC classification number: G01S7/417 ,  G01S7/418

Abstract: 本发明涉及一种基于深度卷积神经网络的雷达辐射源识别方法。本发明将雷达辐射源模型产生的一维波形信号，经过短时傅里叶变换处理之后转化为频谱图，再针对一维波形信号和频谱图设计不同的网络结构。本发明首先根据8种雷达辐射源信号模型产生数据，生成波形信号；再将波形信号通过短时傅里叶变换变为频谱图，实现数据增强和波形到图像的转换；将波形信号和频谱图分别输入到深度卷积神经网络，进行卷积和池化操作，分别得到各自的特征信息；最后将提取出的特征信息输入到softmax进行分类。采用本发明方法，雷达辐射源信号得到更高的分类识别准确率，雷达信号识别结果会更好。

公开(公告)号：CN109102005A

公开(公告)日：2018-12-28

申请号：CN201810812756.4

申请日：2018-07-23

Applicant: 杭州电子科技大学

Inventor： 张敬 ,  田婧 ,  张德清 ,  杨明月 ,  徐晓滨 ,  刘伟峰 ,  文成林

IPC: G06K9/62

Abstract: 本发明公开了一种基于浅层模型知识迁移的小样本深度学习方法。本发明首先对数据进行预处理，然后根据相关领域的先验知识和专家经验将原始信号变换到不同的变换域，计算人工特征。根据人工特征，选择不同的浅层模型，基于少量有标签样本数据进行训练。并根据分类准确率/预测误差等指标，对不同特征组合的不同浅层模型进行筛选，构成候选模型池。然后，基于上述候选模型池，选择模型对未标注的样本进行预测，得到预测标签，并将多个预测标签融合。将上述预测标签与已有的少量的有标签样本组合，共同构建训练集。针对具体任务，设计深度神经网络结构，基于上述混合训练集训练。通过旋转机械故障诊断数据集，验证了该方法的有效性。

公开(公告)号：CN109255758B

公开(公告)日：2021-09-21

申请号：CN201810768178.9

申请日：2018-07-13

Applicant: 杭州电子科技大学

Inventor： 张敬 ,  曹洋 ,  王洋 ,  查正军 ,  文成林

IPC: G06T5/00 ,  G06T5/20

Abstract: 本发明公开基于全1*1卷积神经网络的图像增强方法。本发明构建全1*1卷积神经网络，并对低质成像图像中局部图像块或者整幅图像中的像素进行重新随机排列(Pixel Shuffle)，利用重排后的图像块或图像作为输入。然后对上述网络估计出来的潜在变量后处理。基于潜在变量所对应成像模型，得到从低质图像和潜在变量估计出的清晰图像的数学表达式，从而计算得到增强后的结果。相比传统卷积神经网络普遍采用的大卷积核方式，实现了以更少的参数、更少的计算量保持相当的模型表示能力的目的，从而快速、准确地估计图像增强中的潜在变量。

公开(公告)号：CN109102005B

公开(公告)日：2020-08-18

申请号：CN201810812756.4

申请日：2018-07-23

Applicant: 杭州电子科技大学

Inventor： 张敬 ,  田婧 ,  张德清 ,  杨明月 ,  徐晓滨 ,  刘伟峰 ,  文成林

IPC: G06K9/62

Abstract: 本发明公开了一种基于浅层模型知识迁移的小样本深度学习方法。本发明首先对数据进行预处理，然后根据相关领域的先验知识和专家经验将原始信号变换到不同的变换域，计算人工特征。根据人工特征，选择不同的浅层模型，基于少量有标签样本数据进行训练。并根据分类准确率/预测误差等指标，对不同特征组合的不同浅层模型进行筛选，构成候选模型池。然后，基于上述候选模型池，选择模型对未标注的样本进行预测，得到预测标签，并将多个预测标签融合。将上述预测标签与已有的少量的有标签样本组合，共同构建训练集。针对具体任务，设计深度神经网络结构，基于上述混合训练集训练。通过旋转机械故障诊断数据集，验证了该方法的有效性。

公开(公告)号：CN110151189A

公开(公告)日：2019-08-23

申请号：CN201910362778.X

申请日：2019-04-30

Applicant: 杭州电子科技大学

Inventor： 江俊敏 ,  邓木清 ,  冯小仍 ,  张敬 ,  曹九稳

IPC: A61B5/11

Abstract: 本发明公开了一种用于帕金森步态风险评估的非线性步态动力学判别方法。本发明方法提出了基于非线性动力学特征的多维特征判别图以用于帕金森患者的步态风险评估，联合了支持向量机、非线性动力学特征和图形化显示方法，将5维的非线性动力学特征在二维平面中以图形的方式展示。本发明方法适用于帕金森患者的步态风险评估。在正常的人群中，如果非线性步态动力学判别图的多个指标都超出判别图的分界点，则说明其患病的概率或者病症的严重程度将大大的提升，需要引起个体自身的密切关注以及医生的进一步检查。

公开(公告)号：CN109903331A

公开(公告)日：2019-06-18

申请号：CN201910016289.9

申请日：2019-01-08

Applicant: 杭州电子科技大学

Inventor： 杨宇翔 ,  杜宇杰 ,  高明煜 ,  张敬

IPC: G06T7/70 ,  G06T7/50 ,  G06N3/04

Abstract: 本发明涉及一种基于RGB-D相机的卷积神经网络目标检测方法。目前越来越多的目标检测算法都利用了卷积神经网络来对目标物体进行定位。然而大部分的卷积神经网络框架都只是利用彩色相机对目标物体的位置进行预测。然而只利用RGB信息，要使卷积神经网络达到较高的检测精度有很大的难度，需要综合考虑卷积神经网络建模，训练方案等诸多方面因素，较难实现。本发明利用了RGB-D相机采集的深度图，辅助卷积神经网络对目标物体的位置进行预测。利用深度图像中的距离信息，能对目标物体的尺寸大小预先估计，减轻卷积神经网络的建模难度，提升网络的检测精度。