-
公开(公告)号：CN119210632A
公开(公告)日：2024-12-27
申请号：CN202411062548.9
申请日：2024-08-05
Applicant: 北京邮电大学
IPC: H04B17/391
Abstract: 本发明涉及射线追踪技术领域，提供一种基于改进包围盒射线追踪的快速确定性信道建模方法，该方法包括：获取包含多建筑物的场景，确定在场景中的潜在分割点的表面积启发式值；潜在分割点是在构建层次包围盒树的过程中，用于将当前节点表示的空间划分为两个子空间的一个点；节点为在层次包围盒树结构中的一个单元；获取所有潜在分割点的位置表面积启发式值的集合，以在集合中找出最小表面积启发式值作为优化问题进行建模；获取预设门限值，当节点表示的空间中的面片数量大于门限值时，基于粒子群优化的遍历分割点寻优方法对优化问题进行求解，确定分割平面，构建层次包围盒树结构。
-
公开(公告)号：CN118869035A
公开(公告)日：2024-10-29
申请号：CN202410771019.X
申请日：2024-06-14
Applicant: 北京邮电大学
Abstract: 本发明提供一种应急场景中无人机辅助缓存内容的分发决策方法，通过获取应急场景中的场景信息；根据场景信息和强化学习算法进行迭代训练确定参数网络模型；其中，强化学习算法为根据策略网络和评价网络构成的算法；根据场景信息和参数网络模型进行决策，确定应急场景的场景策略参数；其中，场景策略参数用于控制应急场景中的无人机工作。本发明的技术方案，通过算法和应急场景的实时场景信息迭代训练确定参数网络模型，以基于参数网络模型对应急场景的场景信息进行预测，确定应急场景的当前场景策略参数，基于场景策略参数对无人机辅助缓存内容进行分发决策，提供无人机工作过程中的工作效率，且有效降低应急场景中的无人机的通信延时。
-
公开(公告)号：CN110458073B
公开(公告)日：2021-05-14
申请号：CN201910708902.3
申请日：2019-08-01
Applicant: 北京邮电大学
IPC: G06K9/00
Abstract: 本发明涉及基于MEEMD‑Hilbert和多层小波分解的光纤振动信号特征提取方法，是一种对分布式光纤振动信号进行特征提取的方法，属于信号处理与机器学习领域，其特征在于采用如下步骤：(1)确定引入白噪声信号后的振动信号；(2)确定第一个IMF分量序列集合；(3)进行延时空间重构；(4)确定排列熵；(5)确定剩余分量；(6)计算序列的希尔伯特变换；(7)确定序列的解析信号并进行自相关处理；(8)离散小波变换；(9)计算不同频段上的平均能量；(10)计算每个频段上的平均能量占比。本发明具有较高的时频分辨率，为光纤振动信号的特征提取提供了一种效果明显的方法。
-
公开(公告)号：CN110458219B
公开(公告)日：2021-04-27
申请号：CN201910708004.8
申请日：2019-08-01
Applicant: 北京邮电大学
Abstract: 本发明涉及基于STFT‑CNN‑RVFL的Φ‑OTDR振动信号识别算法，一种对Φ‑OTDR振动信号时频图进行识别分类的方法，属于图片处理与模式识别领域，其特征在于采用如下步骤：(1)对Φ‑OTDR振动信号做STFT变换，获取时频图；(2)对时频图做灰度处理；(3)构建CNN网络，提取图像特征；(4)随机初始化连接权值和阈值；(5)构建RVFL神经网络；(6)计算输出权值。本发明将振动信号的时频图像作为输入，通过卷积神经网络实现振动信号特征自动提取，将卷积神经网络的强大的图像识别及分类功能结合到振动信号识别当中。实验结果表明本发明设计的振动信号识别算法有着较好的信号识别效果，为振动信号识别领域提供了准确的识别算法。
-
公开(公告)号：CN119383723A
公开(公告)日：2025-01-28
申请号：CN202411361529.6
申请日：2024-09-27
Applicant: 北京邮电大学
IPC: H04W64/00 , G06N3/045 , G06N3/0475 , G06N3/094 , H04W4/30
Abstract: 本发明涉及无线通信技术领域，提供一种无线电地图重构方法、装置、电子设备和存储介质，方法包括：获取目标区域的环境信息和稀疏测量；将所述环境信息输入至已训练的预测网络，得到所述预测网络输出的基础无线电地图；将所述基础无线电地图和所述稀疏测量输入至已训练的修正网络，得到所述修正网络输出的精确无线电地图；其中，所述预测网络和修正网络均基于生成器和鉴别器之间的对抗训练得到。本发明提供的无线电地图重构方法、装置、电子设备和存储介质，能够利用现有的可用信息获得最佳结果，从而实现效率、成本和精度之间的平衡。
-
Patent Agency Ranking
公开(公告)号：CN118351408A
公开(公告)日：2024-07-16
申请号：CN202410456087.7
申请日：2024-04-16
Applicant: 北京邮电大学
IPC: G06V10/80 , G06V10/82 , G06V10/58 , G06N3/0464
Abstract: 本申请提供了一种基于深度低秩先验的空谱特征融合方法和装置，该方法包括：将二维均匀噪声输入至空间低秩生成网络模型，得到空间低秩特征矩阵，将一维均匀噪声输入至光谱低秩生成网络模型，得到光谱低秩特征矩阵，基于空间低秩特征矩阵和光谱低秩特征矩阵生成HRHS图像后输入至空间降分辨率网络模型，得到退化LRHS图像，将HRHS图像分别输入至分波段范围取平均操作算法和光谱降分辨率网络模型，得到退化HRMS图像；基于HRHS图像、退化LRHS图像、LRHS图像、退化HRMS图像和HRMS图像，迭代更新上述四个网络模型的网络参数，将收敛时的HRHS图像，确定为融合目标HRHS图像，提高了HRHS图像的图像质量。
-
公开(公告)号：CN110472540B
公开(公告)日：2020-12-29
申请号：CN201910708045.7
申请日：2019-08-01
Applicant: 北京邮电大学
IPC: G06K9/00
Abstract: 本发明涉及基于LMD‑ICA‑PNN的Φ‑OTDR振动信号分类算法，是一种对振动信号进行识别分类的方法，属于信号处理与机器学习领域，其特征在于采用如下步骤：(1)确定相邻极值点的平均值和包络估计值；(2)确定剩余信号；(3)确定调频信号和包络信号；(4)进行LMD分解，确定第一个PF分量；(5)建立ICA数学模型；(6)构建PNN神经网络；(7)确定输出变量的判别函数。本发明克服了小波分解自适应较差和EMD分解的模态混叠与端点效应问题，利用PNN神经网络可以用线性学习算法完成非线性学习算法的优势，与LMD相结合，取得了较高的分类准确率。为振动信号识别分类领域提供了一种拥有较高分类准确率的方法。
-
公开(公告)号：CN110458071B
公开(公告)日：2020-12-15
申请号：CN201910708064.X
申请日：2019-08-01
Applicant: 北京邮电大学
IPC: G06K9/00
Abstract: 本发明涉及基于DWT‑DFPA‑GBDT的光纤振动信号特征提取与分类方法，是一种对光纤振动信号进行特征提取与分类的方法，属于信号处理与机器学习领域，其特征在于采用如下步骤：(1)确定原始振动信号的时域特征；(2)确定原始振动信号的频域特征；(3)确定原始振动信号的小波域特征；(4)计算马氏距离；(5)获得特征向量按可分性大小的排序；(6)确定损失函数；(7)确定拟合函数；(8)确定本轮迭代的强学习分类器。本发明实现了时域、频域及小波域三个不同域的特征提取，构建了完备的振动信号特征向量，将GBDT与DWT相结合，为振动信号特征提取与分类领域提供了一种在保证分类精度的基础上降低模型的复杂度的方法。
-
公开(公告)号：CN119559093A
公开(公告)日：2025-03-04
申请号：CN202411509063.X
申请日：2024-10-28
Applicant: 北京邮电大学
IPC: G06T5/77 , G06T7/10 , G06T5/60 , G06N3/0475 , G06N3/094
Abstract: 本发明提供一种大规模点云补全方法及装置，所述方法包括：针对从大规模点云数据中分割出的每一小规模点云数据，通过重采样得到第一点云数据和第二点云数据；将第一点云数据和第二点云数据，以及小规模点云数据对应的RGB‑D点云数据，输入至训练好的生成对抗网络，获取生成对抗网络生成的完整的点云数据；将RGB‑D点云数据和完整的点云数据进行融合，得到补全后的点云数据。本发明提供的大规模点云补全方法及装置，通过生成对抗网络深入提取多尺度点云特征，生成的完整的点云数据，并将生成的三维点云数据与高分辨率的二维图像数据进行融合，从而提高对规则和不规则物体结构的理解和适应性，提高了补全后的点云数据的准确性和可靠性。
-
公开(公告)号：CN110458219A
公开(公告)日：2019-11-15
申请号：CN201910708004.8
申请日：2019-08-01
Applicant: 北京邮电大学
Abstract: 本发明涉及基于STFT-CNN-RVFL的Φ-OTDR振动信号识别算法，一种对Φ-OTDR振动信号时频图进行识别分类的方法，属于图片处理与模式识别领域，其特征在于采用如下步骤：(1)对Φ-OTDR振动信号做STFT变换，获取时频图；(2)对时频图做灰度处理；(3)构建CNN网络，提取图像特征；(4)随机初始化连接权值和阈值；(5)构建RVFL神经网络；(6)计算输出权值。本发明将振动信号的时频图像作为输入，通过卷积神经网络实现振动信号特征自动提取，将卷积神经网络的强大的图像识别及分类功能结合到振动信号识别当中。实验结果表明本发明设计的振动信号识别算法有着较好的信号识别效果，为振动信号识别领域提供了准确的识别算法。
-
-
-
-
-
-
-
-
-
Search Results
19
records
(took 0.027 seconds)
