-
公开(公告)号：CN114095871B
公开(公告)日：2024-05-07
申请号：CN202111280289.3
申请日：2021-11-01
Applicant: 中国电子科技集团公司第五十四研究所 , 西安电子科技大学
Abstract: 本发明公开了一种基于波位扫描的卡尔曼滤波波束跟踪恢复方法，属于无线通信技术领域。本发明采用卡尔曼滤波的方式根据先验信息对波束指向进行校准达到匹配，实现快速准确的波束跟踪。相比传统方式，本发明所需通信量更小、消耗计算资源更少，跟踪恢复速度更快，从而提高在网络动态性环境下的波束跟踪的可靠性，减少偶尔跟踪失败带来的损失。
-
公开(公告)号：CN117741582A
公开(公告)日：2024-03-22
申请号：CN202410192567.7
申请日：2024-02-21
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于多维域编码的阵列雷达抗主瓣干扰方法及系统，包括获取接收信号，并对所述接收信号进行混频，得到混频后的信号；依次对所述混频后的信号进行慢时间相位补偿、离散傅里叶变换、信号分离和脉冲压缩处理，得到脉冲压缩后的信号；根据脉冲压缩后的信号、干扰信号和噪声得到接收总信号；根据所述接收总信号得到干扰抑制结果。本发明采用多维域编码的雷达新体制，相较EPC‑MIMO雷达体制，使用多普勒调制实现雷达发射波形分离，克服了在干扰功率很高时EPC‑MIMO雷达正交性无法满足要求的缺点，提高了MIMO雷达的抗干扰能力。
-
公开(公告)号：CN116774164A
公开(公告)日：2023-09-19
申请号：CN202311023538.X
申请日：2023-08-15
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于阵元‑脉冲‑脉内三重编码的MIMO雷达抗干扰方法，应用于MIMO雷达系统，包括：计算第#imgabs0#个发射阵元发射的第#imgabs1#个脉冲的第#imgabs2#个子脉冲的编码，并确定第#imgabs3#个脉冲的第#imgabs4#个子脉冲的编码矢量#imgabs5#；对接收到的回波信号进行混频，得到混频后的回波信号；基于#imgabs6#对混频后的回波信号进行试解码，得到点目标脉冲前沿的快时间，并结合#imgabs7#对混频后的回波信号进行正式解码，通过对正式解码后的回波信号进行匹配滤波，得到分离的回波信号，进一步结合干扰信号模型，确定包含点目标与干扰信号的接收回波，并通过构建非自适应波束形成器对其进行干扰抑制。本发明不仅能抑制不同距离模糊区间的假目标，对同一距离模糊区间的假目标也有良好的抑制效果。
-
公开(公告)号：CN116468991A
公开(公告)日：2023-07-21
申请号：CN202310166627.3
申请日：2023-02-24
Applicant: 西安电子科技大学
IPC: G06V10/98 , G06V10/774 , G06V10/44
Abstract: 本发明公开了一种基于渐进校准的类增量无监督域自适应图像识别方法，包括：获取未标记的目标数据集和已标记的源数据集；利用源域预训练模型对目标数据集进行预测以生成目标类，并为目标数据集中的样本生成伪标签，将目标类和伪标签存入在内存库；将目标数据集划分为置信度高的样本和置信度低的样本，并联合源数据集训练目标模型；且训练过程中施加多种约束损失同时进行目标类类级校准和目标级校准；在每一次迭代训练之后对内存库数据进行更新，直至损失函数收敛；利用训练好的目标模型对待识别的图像进行处理，得到最终的识别结果。该方法合理利用了来自源领域的知识，平衡缓解了负迁移和灾难性遗忘之间的关系，实现了算法效率和准确度的提升。
-
公开(公告)号：CN116338598A
公开(公告)日：2023-06-27
申请号：CN202310627693.6
申请日：2023-05-31
Applicant: 西安电子科技大学
IPC: G01S7/36 , G06F18/214 , G06N3/092
Abstract: 本发明涉及一种基于回溯DQN的雷达抗干扰智能决策方法，包括：根据接收的回波信号的干扰类型，确定对应的干扰状态；根据干扰状态，利用训练完成的DQN算法神经网络，遍历抗干扰方法库中的抗干扰方法，实现雷达抗干扰智能决策；其中，利用基于回溯更新Q值的方法对DQN算法神经网络进行训练，得到训练完成的DQN算法神经网络。本发明方法结合雷达抗干扰技术与强化学习中的DQN算法，提出了一种回溯DQN算法，该算法在目标网络的更新公式中加入了回溯更新Q值，该回溯更新Q值的引入能降低优数据变化的影响，提高雷达智能决策系统的稳健性，增强雷达的抗干扰能力。
-
Patent Agency Ranking
公开(公告)号：CN112270691B
公开(公告)日：2023-04-21
申请号：CN202011100484.9
申请日：2020-10-15
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于动态滤波器网络的单目视频结构和运动预测方法，包括以下步骤：步骤1：获取深度估计数据集并进行预处理；步骤2：构建单目视频结构和运动估计系统，包括深度估计网络、相机姿态估计网络和可解释性网络以及动态滤波器生成网络；步骤3：将步骤1得到的数据集输入到步骤2构建的神经网络中，并对其进行联合训练；步骤4：采用步骤3训练得到的分别进行神经网络进行深度值的预测。本发明充分利用光学图像与深度图像之间的相关性，实现了对深度图片的自适应滤波，在深度估计任务中能够建立深度图和输入彩色图片之间的联系，对边界信息处理得也更好。
-
公开(公告)号：CN115811145A
公开(公告)日：2023-03-17
申请号：CN202211634080.7
申请日：2022-12-19
Applicant: 电子科技大学长三角研究院(湖州) , 四川赛康智能科技股份有限公司
Abstract: 本申请公开了一种基于磁谐振耦合技术的开关柜信能同传装置，包括相互耦合通信连接的能量传输装置和安装在高压开关柜的梅花触头上用于实时采集梅花触头温度的温度监测装置；以及FPGA模块，所述FPGA模块分别通过调谐匹配网络T1和调谐匹配网络T2与所述端口匹配网络A和端口匹配网络B通信连接。本发明采用传输效率与传输功率更优，并且不会受制于周围环境的电磁干扰；相比于有源温度监测装置无需受制于电池自身电量，电池更换，测温装置重复定位校准测温位置等一些列问题，并且实现测温准，响应快，处理及时；相比与磁感应耦合式，其传输距离更远，线圈正对情况下，对于位置变化的敏感性更低。
-
公开(公告)号：CN114969740A
公开(公告)日：2022-08-30
申请号：CN202210632974.6
申请日：2022-06-07
Applicant: 电子科技大学
Abstract: 本发明公开一种避免指令序列触发型硬件木马触发的防御机制，应用于处理器硬件安全领域，针对现有的通过软件层面进行指令混淆的机制易被攻击者绕过的问题与现有的通过硬件层面进行指令混淆的机制存在的不足之处；本发明在处理器程序运行期间，由指令缓存输入给IF的既定指令流先经过指令细粒度加密模块进行加密；加密的既定指令再由IF输入给新增流水IO时，先进行解密操作；然后根据新增流水IO给出控制信息1驱动动态随机模块产生控制信息2随机地从由自定义OPCode指令组成的混淆指令库中选择若干条自定义OPCode指令插入在处理器既定指令之间；最后将混淆指令流输入给ID，实现处理器避免指令序列触发型硬件木马的触发。
-
公开(公告)号：CN114926779A
公开(公告)日：2022-08-19
申请号：CN202210443714.4
申请日：2022-04-25
Applicant: 电子科技大学长三角研究院(衢州)
IPC: G06V20/52 , G06V10/44 , G06V10/764 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08 , G06T7/246 , G06T7/66 , G06T7/73
Abstract: 本发明公开了一种基于深度学习的端到端的飞行器检测与跟踪方法，提出一个基于深度学习的多尺度自适应联合框架来同时完成目标检测和外观特征的提取，位置预测三个任务。建立三个子分支，分别对飞行器的外观，飞行器的位置大小以及不同飞行器外观间的差异性进行学习，通过对类内与类间外观的学习，不仅能加强弱环境下飞行器的检测能力与飞行器之间的区别能力，有效提升多飞行器跟踪的精度与效率。
-
公开(公告)号：CN114926684A
公开(公告)日：2022-08-19
申请号：CN202210578041.3
申请日：2022-05-25
Applicant: 杭州电子科技大学 , 浙江省疾病预防控制中心
IPC: G06V10/764 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种结合注意力机制与深度可分离卷积残差网络的蚊虫识别方法及系统，本发明方法包括：预训练阶段，(1)预处理公共数据集的图片，使用Cifar10数据集；(2)构建神经网络模型：主干网络是残差网络ResNet18，将ResNet18中的所有卷积操作替换为深度可分离卷积，并引入注意力机制模块；(3)在Cifar10数据集上预训练，训练所得的网络参数保存为.pth为后缀的参数文件中；微调阶段，(1)预处理蚊子图片；(2)修改预训练阶段获得的模型的最后一层，将最后一层全连接层的神经元数量修改为四，对应四类蚊虫种类；(3)将参数文件加载到模型中，在蚊虫数据集上继续训练微调模型参数；网络输出为四个概率值，概率最大者所在位置为模型预测该样本相应的类别。
-
-
-
-
-
-
-
-
-
Search Results
167
records
(took 0.034 seconds)
