-
公开(公告)号：CN115330876A
公开(公告)日：2022-11-11
申请号：CN202211131672.7
申请日：2022-09-15
Applicant: 中国人民解放军国防科技大学
Abstract: 本发明属于图像处理和深度学习技术领域，具体涉及一种基于孪生网络和中心位置估计的目标模板图匹配定位方法，包括如下步骤：S1构建目标模板图匹配定位网络；S2训练目标模板图匹配定位网络；S3应用训练好的目标模板图匹配定位网络模型进行目标模板图匹配定位。与传统模板匹配方法相比，本发明提供的基于孪生网络和中心位置估计的目标模板图匹配定位方法，能够充分利用深度孪生网络强大的特征提取与表征能力以及中心位置估计网络的高精度定位能力，在涵盖异源、尺度、旋转、视角等大差异的训练图像集基础上，通过训练得到应对上述复杂差异的目标模板图匹配定位网络模型，具体实施示例表明本方法具有良好的鲁棒性和定位准确性。
-
公开(公告)号：CN112560278A
公开(公告)日：2021-03-26
申请号：CN202011537503.4
申请日：2020-12-23
Applicant: 中国人民解放军国防科技大学
IPC: G06F30/20 , G06F111/04
Abstract: 本发明涉及卫星状态监测技术领域，公开一种卫星在轨故障传播和波及效应建模与预测方法及系统，以分析出卫星的故障传播路径并确保预测的精度。方法包括：收集卫星遥测参数历史数据；使用格兰杰因果关系模型判断卫星遥测参数之间是否具有格兰杰因果关系；基于互相关函数判断参数之间的格兰杰因果关系的相关强度、相关方向、滞后时间，剔除相关强度低于阈值的相关关系；根据剔除之后剩余的遥测参数之间的关系构造邻接矩阵，画出参数之间的因果关系图；根据遥测参数之间的邻接矩阵，应用解释结构模型，建立卫星遥测参数故障传播层级图；根据格兰杰因果关系模型，定量构造故障传播模型，根据故障传播模型来判断卫星故障发生的波及效应。
-
公开(公告)号：CN119380053A
公开(公告)日：2025-01-28
申请号：CN202411224204.3
申请日：2024-09-03
Applicant: 中国人民解放军国防科技大学
Abstract: 本发明属于图像处理技术领域，具体涉及一种基于孪生网络和精确中心点定位的模板匹配方法。包括S1：获取训练数据集，即模板和搜索图像；S2：构建基于孪生网络和精确中心点定位的模板匹配网络，并将S1的训练数据集输入模板匹配网络中，模板匹配网络由依次级联的孪生特征提取网络、动态收缩互相关网络和中心点定位网络三个部分构成；S3：采用损失函数对S2的模板匹配网络进行训练。本发明的方法将模板匹配任务作为一个中心点定位问题进行处理，能够更好的解决更好的解决模板与搜索图像之间存在差异的问题，有效提升对目标中心点的定位精度以及模板匹配的鲁棒性。
-
公开(公告)号：CN115792822B
公开(公告)日：2023-09-05
申请号：CN202211381667.1
申请日：2022-11-06
Applicant: 中国人民解放军国防科技大学
Abstract: 本发明涉及雷达嵌入式通信领域，特别涉及一种幂指数优化注水成型的雷达嵌入式通信波形设计方法，该方法是一种具备较强隐蔽性且高可靠性的雷达嵌入式通信波形设计方法；本发明要解决的技术问题是针对传统REC波形设计方法在生成波形时的特征值矩阵幂指数都是恒定的，使得REC波形的性能固定，难以满足在通信可靠性能、LPI性能和综合性能等方面的个性化性能需求，提出一种幂指数优化注水成型的雷达嵌入式通信波形设计方法，与传统REC波形设计方法相比，本发明通过选择不同的幂指数可以获得性能各异的REC波形，从而满足对REC波形性能的不同需求。
-
公开(公告)号：CN115392325B
公开(公告)日：2023-08-18
申请号：CN202211314415.7
申请日：2022-10-26
Applicant: 中国人民解放军国防科技大学
IPC: G06F18/10 , G06F18/213 , G06F18/24 , G06F18/241 , G06N3/0464 , G06N3/045 , G06N3/0475 , G06N3/094
Abstract: 本发明公开了一种基于CycleGan的多特征降噪调制识别方法,包括以下步骤：构建多特征联合降噪网络模型，基于CycleGan网络对原始信号提取多特征序列，基于多特征序列对所述多特征联合降噪网络模型进行训练，获得降噪后的数据序列；构建多特征识别网络模型，通过高信噪比信号对所述多特征识别网络模型进行训练，将所述降噪后的数据序列进行融合处理输入训练好的所述多特征识别网络模型，获得信号分类结果。本发明有效利用CycleGan网络非配对训练特性，使信号学习非配对高信噪比信号的平滑特征；将用信号的多特征作为训练网络的融合特征进行降噪，并且利用信号特征区别更大的单特征相正交分量进行识别，有效提高了识别率。
-
Patent Agency Ranking
公开(公告)号：CN115201759B
公开(公告)日：2023-05-16
申请号：CN202210786867.9
申请日：2022-07-04
Applicant: 中国人民解放军国防科技大学
IPC: G01S7/282
Abstract: 本发明涉及雷达嵌入式通信领域，涉及一种基于奇异值分解的雷达嵌入式通信波形设计方法，分为以下步骤：S1雷达照射REC工作区域后，RF标签对雷达信号进行过采样；S2对过采样雷达信号循环移位构建托普利兹矩阵；S3对托普利兹矩阵进行奇异值分解，分析雷达信号的特征；S4根据奇异值大小将雷达信号分为主空间成分和非主空间成分；S5构建基于奇异值分解的波形生成矩阵；S6随机生成K个波形构造密钥；S7波形生成矩阵与K个波形构造密钥相乘生成K个REC波形。本发明构造的REC波形和雷达回波的相似程度可以得到量化，在不降低REC波形的通信可靠性和抗截获性能的前提下将波形设计自由度提高一倍，同时大幅度降低波形设计算法复杂度。
-
公开(公告)号：CN115201759A
公开(公告)日：2022-10-18
申请号：CN202210786867.9
申请日：2022-07-04
Applicant: 中国人民解放军国防科技大学
IPC: G01S7/282
Abstract: 本发明涉及雷达嵌入式通信领域，涉及一种基于奇异值分解的雷达嵌入式通信波形设计方法，分为以下步骤：S1雷达照射REC工作区域后，RF标签对雷达信号进行过采样；S2对过采样雷达信号循环移位构建托普利兹矩阵；S3对托普利兹矩阵进行奇异值分解，分析雷达信号的特征；S4根据奇异值大小将雷达信号分为主空间成分和非主空间成分；S5构建基于奇异值分解的波形生成矩阵；S6随机生成K个波形构造密钥；S7波形生成矩阵与K个波形构造密钥相乘生成K个REC波形。本发明构造的REC波形和雷达回波的相似程度可以得到量化，在不降低REC波形的通信可靠性和抗截获性能的前提下将波形设计自由度提高一倍，同时大幅度降低波形设计算法复杂度。
-
公开(公告)号：CN114154626B
公开(公告)日：2022-08-16
申请号：CN202111530279.0
申请日：2021-12-14
Applicant: 中国人民解放军国防科技大学
Abstract: 本发明属于深度神经网络模型压缩与加速领域，具体涉及一种用于图像分类任务的滤波器剪枝方法，在对滤波器重要性进行评估时，综合考虑滤波器剪枝对于当前层的直接影响和对于下一层的间接影响，使得新的评估结果能够更准确的反映滤波器的重要性，在给定剪枝率的情况下，优化待剪枝滤波器的选择，保持剪枝后模型的性能与剪枝前相当。该方法可全面评价滤波器剪枝对当前层的直接影响和对下一层的间接影响、实现对滤波器重要性的准确评估；可以在保持深度神经网络模型性能的前提下，实现深度网络模型的大幅压缩和加速，对深度神经网络模型在计算与存储资源受限设备上的轻量化部署与快速运行，具有重要的工程应用价值。
-
公开(公告)号：CN114615118A
公开(公告)日：2022-06-10
申请号：CN202210252760.6
申请日：2022-03-14
Applicant: 中国人民解放军国防科技大学
IPC: H04L27/00 , H04B17/373 , G06V10/82 , G06V10/764 , G06N3/04 , G06N3/08
Abstract: 本发明涉及智能调制识别领域，特别涉及一种在复杂信道环境下基于多端卷积神经网络的调制识别方法。本发明MICNN网络利用卷积神经网络优秀的特征提取能力，实现对信号调制方式特征的提取。并且通过对数据进行预处理对比筛选，选取有效的数据预处理作为网络的多端特征联合输入。该网络在复杂信道环境下对信号的调制方式有着优秀的识别性能。
-
公开(公告)号：CN114154626A
公开(公告)日：2022-03-08
申请号：CN202111530279.0
申请日：2021-12-14
Applicant: 中国人民解放军国防科技大学
Abstract: 本发明属于深度神经网络模型压缩与加速领域，具体涉及一种基于滤波器权重综合评估的深度神经网络滤波器剪枝方法，在对滤波器重要性进行评估时，综合考虑滤波器剪枝对于当前层的直接影响和对于下一层的间接影响，使得新的评估结果能够更准确的反映滤波器的重要性，在给定剪枝率的情况下，优化待剪枝滤波器的选择，保持剪枝后模型的性能与剪枝前相当。该方法可全面评价滤波器剪枝对当前层的直接影响和对下一层的间接影响、实现对滤波器重要性的准确评估；可以在保持深度神经网络模型性能的前提下，实现深度网络模型的大幅压缩和加速，对深度神经网络模型在计算与存储资源受限设备上的轻量化部署与快速运行，具有重要的工程应用价值。
-
-
-
-
-
-
-
-
-
Search Results
25
records
(took 0.051 seconds)
