-
公开(公告)号：CN108736117A
公开(公告)日：2018-11-02
申请号：CN201810523354.2
申请日：2018-05-28
Applicant: 电子科技大学
IPC: H01P1/203
Abstract: 一种具有超宽阻带的毫米波带通滤波器，下层微带线结构中采用高低阻抗级联的开路枝节，可利用高低阻抗微带线的低通特性对高频信号产生传输零点；上层微带线结构中采用阶梯阻抗级联的开路枝节，可实现更好的宽带匹配，得到低插入损耗、过渡带陡峭、超宽阻带、群时延低的超宽带滤波器。同时，上层微带线中阶梯阻抗微带线的长度与下层微带线中高低阻抗微带线的长度不等，这种非对称的结构不仅能满足上、下层微带线与中间的槽线谐振器良好的匹配，还能在滤波器通带内增加传输极点，在滤波器高频阻带内增加传输零点，使得滤波器通带内纹波较好，具有良好的过渡带和较好的阻带性能。
-
公开(公告)号：CN115508830B
公开(公告)日：2024-07-26
申请号：CN202211291424.9
申请日：2022-10-19
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于特征融合的电磁目标智能识别方法及系统，属于目标识别技术领域，首先对接收到的电磁目标信号提取高分辨距离像、对角积分双谱及模糊函数主脊进行智能表征，并作为后续MobileNet‑LSTM网络的输入；然后用MobileNet网络将二维智能表征降到一维，并与其它一维智能表征进行特征融合；最后对一段连续时间内的每一个时间片重复上述步骤；将这些时间片组成的特征投入长短期记忆网络(LSTM，Long Short‑Term Memory)从而获得电磁目标识别结果；本发明在当信噪比在8dB时，对电磁目标的正确识别率均在90％以上，具有良好的识别性能。
-
公开(公告)号：CN111967362A
公开(公告)日：2020-11-20
申请号：CN202010792637.4
申请日：2020-08-09
Applicant: 电子科技大学
Abstract: 本发明公开了一种面向可穿戴设备的超图特征融合和集成学习的人体行为识别方法。本发明首先对原始加速度数据和陀螺仪数据提取时域和频域特征，然后基于卷积神经网络提取深度特征，再进行标准化处理后降维。利用Saito超图学习对传感器行为特征和个性因素进行融合，并利用稳定变换矩阵实现实时特征融合，同时考虑到传感器信号存在时间差异性，对稳定变换矩阵进行周期更新。最后将所获得的最终规定特征向量输入到集成学习分类器中，对人体行为进行分类，得到人体行为状态。本发明利用Saito超图学习来高效融合传感器数据与个性因素即充分地利用不同类型信息间的互补特性达到更好的融合效果，有效提高行为识别模型的普适性。
-
公开(公告)号：CN107516753A
公开(公告)日：2017-12-26
申请号：CN201710687247.9
申请日：2017-08-08
Applicant: 西安电子科技大学
IPC: H01P1/208
CPC classification number: H01P1/208
Abstract: 本发明通过三个技术特征来减小的谐振腔的尺寸，第一是采用非完整模式的基片集成波导，第二是通过在谐振腔表面加载小型化圆环单元(Circular-Ring Miniaturized-Element，CRME)来激发更低阶谐振频率进而减小谐振腔尺寸，第三是共面波导与CRME相结合的馈电方式；本发明基于基片集成波导非完整模的超小型化滤波器具有较低的损耗和良好的频率选择特性，且能够大幅度减小滤波器的尺寸；设计的新型圆环谐振单元大幅度改善了滤波器的带外抑制特性，单层PCB板的设计也利于加工、与其他平面电路的集成以及成本的降低。
-
公开(公告)号：CN104409813A
公开(公告)日：2015-03-11
申请号：CN201410797065.3
申请日：2014-12-18
Applicant: 西安电子科技大学
IPC: H01P1/205
Abstract: 本发明属于无线通信用滤波器技术领域，特别涉及一种基于源和负载耦合的垂直交指滤波器。其包括：从上到下排列的第一金属接地层、第一谐振器层、第二谐振器层、第三谐振器层、第四谐振器层、第五谐振器层、第六谐振器层、第七谐振器层和第二金属接地层；在第一金属接地层和第二金属接地层之间，每两个相邻的谐器振层之间设置有介质层，在第一金属接地层和第一谐振器层之间设置有介质层，在第七谐振器层和第二金属接地层设置有介质层；所述同轴线竖直贯穿第二谐振器层、第三谐振器层、第四谐振器层、第五谐振器层、第六谐振器层。
-
Patent Agency Ranking
公开(公告)号：CN111967309B
公开(公告)日：2024-02-06
申请号：CN202010632562.3
申请日：2020-07-03
Applicant: 西安电子科技大学 , 中国电波传播研究所(中国电子科技集团公司第二十二研究所)
IPC: G06F18/2415 , G06F18/15 , G06F18/2131 , G06F18/25 , G06N3/0464 , G06N3/084
Abstract: 本发明属于电磁信号智能识别技术领域，公开了一种电磁信号智能协同识别方法及系统，对电磁信号进行智能表征，并作为后续深度学习网络的输入；在每个分布式传感器上构建基于DenseNet的特征融合网络对智能表征进行特征级融合；将网络训练得到的损失函数采用联邦学习网络架构进行融合并反馈回每个DenseNet网络进行训练；实施基于分布式决策级融合的电磁信号识别。当广义信噪比在10dB以上时，本发明对AM、FM、BPSK、QPSK、8PSK、2ASK、4ASK、2FSK和4FSK信号的识别率均在90％以上，可见本发明具有良好的识别性能。
-
公开(公告)号：CN115508830A
公开(公告)日：2022-12-23
申请号：CN202211291424.9
申请日：2022-10-19
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于特征融合的电磁目标智能识别方法及系统，属于目标识别技术领域，首先对接收到的电磁目标信号提取高分辨距离像、对角积分双谱及模糊函数主脊进行智能表征，并作为后续MobileNet‑LSTM网络的输入；然后用MobileNet网络将二维智能表征降到一维，并与其它一维智能表征进行特征融合；最后对一段连续时间内的每一个时间片重复上述步骤；将这些时间片组成的特征投入长短期记忆网络(LSTM，Long Short‑Term Memory)从而获得电磁目标识别结果；本发明在当信噪比在8dB时，对电磁目标的正确识别率均在90％以上，具有良好的识别性能。
-
公开(公告)号：CN108736117B
公开(公告)日：2020-02-18
申请号：CN201810523354.2
申请日：2018-05-28
Applicant: 电子科技大学
IPC: H01P1/203
Abstract: 一种具有超宽阻带的毫米波带通滤波器，下层微带线结构中采用高低阻抗级联的开路枝节，可利用高低阻抗微带线的低通特性对高频信号产生传输零点；上层微带线结构中采用阶梯阻抗级联的开路枝节，可实现更好的宽带匹配，得到低插入损耗、过渡带陡峭、超宽阻带、群时延低的超宽带滤波器。同时，上层微带线中阶梯阻抗微带线的长度与下层微带线中高低阻抗微带线的长度不等，这种非对称的结构不仅能满足上、下层微带线与中间的槽线谐振器良好的匹配，还能在滤波器通带内增加传输极点，在滤波器高频阻带内增加传输零点，使得滤波器通带内纹波较好，具有良好的过渡带和较好的阻带性能。
-
公开(公告)号：CN111967362B
公开(公告)日：2022-03-15
申请号：CN202010792637.4
申请日：2020-08-09
Applicant: 电子科技大学
Abstract: 本发明公开了一种面向可穿戴设备的超图特征融合和集成学习的人体行为识别方法。本发明首先对原始加速度数据和陀螺仪数据提取时域和频域特征，然后基于卷积神经网络提取深度特征，再进行标准化处理后降维。利用Saito超图学习对传感器行为特征和个性因素进行融合，并利用稳定变换矩阵实现实时特征融合，同时考虑到传感器信号存在时间差异性，对稳定变换矩阵进行周期更新。最后将所获得的最终规定特征向量输入到集成学习分类器中，对人体行为进行分类，得到人体行为状态。本发明利用Saito超图学习来高效融合传感器数据与个性因素即充分地利用不同类型信息间的互补特性达到更好的融合效果，有效提高行为识别模型的普适性。
-
公开(公告)号：CN111967309A
公开(公告)日：2020-11-20
申请号：CN202010632562.3
申请日：2020-07-03
Applicant: 西安电子科技大学 , 中国电波传播研究所(中国电子科技集团公司第二十二研究所)
Abstract: 本发明属于电磁信号智能识别技术领域，公开了一种电磁信号智能协同识别方法及系统，对电磁信号进行智能表征，并作为后续深度学习网络的输入；在每个分布式传感器上构建基于DenseNet的特征融合网络对智能表征进行特征级融合；将网络训练得到的损失函数采用联邦学习网络架构进行融合并反馈回每个DenseNet网络进行训练；实施基于分布式决策级融合的电磁信号识别。当广义信噪比在10dB以上时，本发明对AM、FM、BPSK、QPSK、8PSK、2ASK、4ASK、2FSK和4FSK信号的识别率均在90％以上，可见本发明具有良好的识别性能。
-
-
-
-
-
-
-
-
-
Search Results
10
records
(took 0.025 seconds)
