-
公开(公告)号：CN114486179B
公开(公告)日：2023-06-13
申请号：CN202210157600.3
申请日：2022-02-21
申请人： 电子科技大学中山学院
IPC分类号： G01M11/00
摘要： 本发明提供了一种反卷积滤波的高精度光纤质量检测方法及系统。该方法包括：激光发射器发射的光脉冲信号经过环形器分别进入被测光缆和反射器，分别得到被测光缆时域回波信号和反射器时域回波信号；计算反射器时域回波信号对应的反射器频域回波信号，根据反射器频域回波信号结合系统频域传递函数，得到被测光缆时域回波信号对应的被测光缆频域回波信号；根据被测光缆频域回波信号，确定解卷积后的被测光缆频域回波信号；根据解卷积后的被测光缆频域回波信号，得到与被测光缆质量相关的高分辨率回波信号。
-
公开(公告)号：CN112580714B
公开(公告)日：2023-05-30
申请号：CN202011477588.1
申请日：2020-12-15
申请人： 电子科技大学中山学院
摘要： 本发明公开了一种以错因强化方式动态优化损失函数的物品识别方法，优化后的损失函数取名为ER‑Loss，在原来的交叉熵损失函数的基础上加入惩罚项实现,惩罚项包含以下四个模块:惩罚程度的放大因子A；惩罚程度调节系数Aprob，用于在训练过程中根据实际情况调节放大因子A对数据集各类别之间的相关性和相关类别的实际输出概率的影响，让放大因子A能够自动适应训练的不同阶段；在各网络下，数据集各类别之间的相关性组合X；相关类别的概率根据模型的每一次训练情况动态调整，与现有技术相比，本发明通过惩罚程度调节系数Aprob动态调节放大因子A，识别更加灵活，同时引入各网络下，数据集各类别之间的相关性组合X，使得模型对于类别特征的判断更加全面，提高了模型对物品识别的精度，降低得到的结果与实际结果之间的偏差，能有效地提高深度学习网络模型的识别准确程度。
-
公开(公告)号：CN114898162A
公开(公告)日：2022-08-12
申请号：CN202210641749.9
申请日：2022-06-08
申请人： 电子科技大学中山学院
IPC分类号： G06V10/764 , G06K9/62 , G06N20/00
摘要： 本发明公开了一种基于类别不平衡的自适应数据增强方法，在原来的复制粘贴增强方法上加入自适应算法，该训练方法的步骤包括：用数据集对模型进行预训练并提取相应的评估值；对原数据集的类别不平衡进行信息统计；用预训练的评估值和统计的信息计算出模型对每个类别的偏好程度，用偏好因子p表示；在自适应算法中加入参数的调节，引入微调系数T对偏好因子进行微调，引入偏好增强系数e来扩大类别之间的偏好差异；用偏好因子和增强系数组成判别式，判断每个类别是否需要进行数据扩增；对输出的结果进行范围的合理化；复制粘贴增强根据输出的结果对类别的数量信息进行微调并同步更新对应的数据标签，用新的生成的数据集进行训练能进一步提高模型的识别性能。
-
公开(公告)号：CN112580714A
公开(公告)日：2021-03-30
申请号：CN202011477588.1
申请日：2020-12-15
申请人： 电子科技大学中山学院
摘要： 本发明公开了一种以错因强化方式动态优化损失函数的方法，优化后的损失函数取名为ER‑Loss，在原来的交叉熵损失函数的基础上加入惩罚项实现,惩罚项包含以下四个模块:惩罚程度的放大因子A；惩罚程度调节系数Aprob，用于在训练过程中根据实际情况调节放大因子A对数据集各类别之间的相关性和相关类别的实际输出概率的影响，让放大因子A能够自动适应训练的不同阶段；在各网络下，数据集各类别之间的相关性组合X；相关类别的概率，根据模型的每一次训练情况动态调整，与现有技术相比，本发明通过惩罚程度调节系数Aprob动态调节放大因子A，识别更加灵活，同时引入各网络下，数据集各类别之间的相关性组合X，使得模型对于类别特征的判断更加全面，提高了模型对物品识别的精度，降低得到的结果与实际结果之间的偏差，能有效地提高深度学习网络模型的识别准确程度。
-
公开(公告)号：CN118197342B
公开(公告)日：2024-09-20
申请号：CN202410600756.3
申请日：2024-05-15
申请人： 电子科技大学中山学院
IPC分类号： G10L21/0216 , G06F18/23213 , G06F17/16
摘要： 本发明公开了一种基于改进NMF和K‑means++的高精度音频信号去噪方法。所述方法包括：S1.获取音频信号的原始矩阵，随机选择原始矩阵中的样本点进行聚类操作；S2.计算数据与聚类中心的距离，分配数据到最近的聚类中，输出聚类中心组成矩阵A，作为NMF算法训练过程中字典矩阵W的初始值；S3.在原始NMF算法中的稀疏编码部分，引入正则化参数#imgabs0#，使正则化参数#imgabs1#与系数矩阵H进行迭代，同时对字典矩阵W进行按列更新；S4.将带有噪声的语音信号Ve进行分离，输出干净的语音信号。本发明结合了NMF和K‑means++算法的优点，并对NMF算法进行了改进，解决NMF算法因初始化敏感，容易陷入局部最优解的缺点，提高了音频信号去噪的准确性和精度。
-
公开(公告)号：CN112990337A
公开(公告)日：2021-06-18
申请号：CN202110348354.5
申请日：2021-03-31
申请人： 电子科技大学中山学院
IPC分类号： G06K9/62
摘要： 本发明公开了一种面向目标识别的多阶段训练方法，该训练方法的步骤包括：对训练所采用的数据集进行预处理；将预处理的结果用数据集分类模块分成多种类型的数据子集；将多种类型的数据子集按不同的比例进行混合得到多个不同类型的新数据集；将所训练的模型分成多个训练阶段；把多个不同类型的新数据集依次载入不同的训练阶段进行模型训练，本发明在不改变原模型训练时间和原模型大小的前提下，简单高效地通过多阶段训练方式提高了模型识别各种类别的平均精度。
-
公开(公告)号：CN111912810A
公开(公告)日：2020-11-10
申请号：CN202010716607.5
申请日：2020-07-23
申请人： 电子科技大学中山学院
IPC分类号： G01N21/3504
摘要： 本发明公开了一种抗强干扰的光纤甲烷气体浓度测量装置及测量方法，由报警控制器、变送器、甲烷气体密封气室和传感探头组成。变送器包括处理器、驱动模块、光源、温控模块、光环路器、光开关、两个光电转换器、光电平衡探测器、模拟二值化、两个乘法器、模数转换器和数据发送模块。利用光电平衡探测器、模拟二值化和乘法器实现传感探头返回信号中甲烷气体吸收峰位置的准确定位，利用传感探头和甲烷气体密封气室返回的光强曲线等值交点，动态锁定甲烷吸收峰相邻两侧的波长区域，消除强干扰环境下由于甲烷气体分子的吸收谱线与水蒸气、其他碳氢化合物的吸收谱线重叠引起的测量精度严重下降。
-
公开(公告)号：CN111860631A
公开(公告)日：2020-10-30
申请号：CN202010669159.8
申请日：2020-07-13
申请人： 电子科技大学中山学院
摘要： 本发明公开了一种采用错因强化方式优化损失函数的方法，优化后的损失函数取名为corloss，在原来的交叉熵损失函数的基础上加入惩罚项实现,惩罚项包含以下三个模块:惩罚程度调节因子T，用于调节相关性对交叉熵损失函数影响的强弱，在模型训练时可根据实际情况设置T值；数据集各类别之间的相关性 ，通过初步模型测试所有物品类别的输出，并使用信息熵公式计算后获得相关性 ；相关类别的概率 ，即在训练过程中将目标物品识别为与之相关的物品类别的概率，非定值，根据模型的每一次训练情况动态调整；通过加入惩罚性，提高了模型对物品识别的精度，能够提高深度学习网络模型的识别准确程度。
-
公开(公告)号：CN116796236A
公开(公告)日：2023-09-22
申请号：CN202310836859.5
申请日：2023-07-10
申请人： 电子科技大学中山学院
IPC分类号： G06F18/24 , G06F18/22 , G06V10/764 , G06V10/75 , G06N20/00
摘要： 本发明公开了一种模型训练的多阶段调节数据增强方法，包括信息预处理模块、判别器模块、训练偏好计算模块、类别信息扩增模块和训练集更新模块五个模块，该方法的步骤包括在线类别信息库的建立与模型的预训练、模型训练与判别、阶段性训练偏好的计算、类别信息的扩增和训练集更新与模型续练，本发明基于模型训练偏好对数据增强方法进行优化，优化目前大部分数据增强手动设置参数与人工匹配的问题，使数据增强与模型的匹配更具客观性，同时，在模型的训练中引入判别器，依据模型的训练情况将训练划分为多个阶段，用阶段性的训练偏好多次调节训练集的类别信息量，迫使模型在下一次训练中更加关注对某些类别的学习，使数据增强算法与模型之间的匹配更加完善。
-
公开(公告)号：CN111860631B
公开(公告)日：2023-08-22
申请号：CN202010669159.8
申请日：2020-07-13
申请人： 电子科技大学中山学院
IPC分类号： G06V10/774 , G06F17/15
摘要： 本发明公开了一种采用错因强化方式优化损失函数的物品识别方法，优化后的损失函数取名为corloss，在原来的交叉熵损失函数的基础上加入惩罚项实现,惩罚项包含以下三个模块:惩罚程度调节因子T，用于调节相关性对交叉熵损失函数影响的强弱，在模型训练时可根据实际情况设置T值；数据集各类别之间的相关性，通过初步模型测试所有物品类别的输出，并使用信息熵公式计算后获得相关性；相关类别的概率，即在训练过程中将目标物品识别为与之相关的物品类别的概率，非定值，根据模型的每一次训练情况动态调整；通过加入惩罚性，提高了模型对物品识别的精度，能够提高深度学习网络模型的识别准确程度。
-
-
-
-
-
-
-
-
-
搜索结果
42 条记录 (耗时 0.031 秒)
