-
公开(公告)号：CN109100679B
公开(公告)日：2023-07-21
申请号：CN201810977747.0
申请日：2018-08-27
IPC: G01S3/78
Abstract: 基于多输出支持向量回归机的近场声源参数估计方法，均匀对称阵列接收K个窄带、非高斯、平稳近场声源信号在训练区间中产生的W组接收数据，每一组接收数据利用阵列对称位置上接收数据作协方差之后得到相对应的协方差矩阵，对数据协方差矩阵进行矩阵运算和归一化处理可得训练数据的特征向量矩阵H；根据H和信号源训练得到多输出支持向量最优回归参数；将H和测试数据特征矢量带入高斯核函数得到测试核矩阵Ke，利用训练好的近场声源多输出支持向量最优回归参数βomp和Ke估计声源的角度；求测试数据的数据相关矩阵，通过数据相关矩阵的特征分解得到噪声子空间，对每一个到达角通过MUSIC谱函数进行距离项的谱峰搜索估计其对应的距离，从而得到距离的估计。
-
公开(公告)号：CN111310861B
公开(公告)日：2023-05-23
申请号：CN202010225650.1
申请日：2020-03-27
IPC: G06V10/762 , G06V10/774 , G06V10/82 , G06N3/0464 , G06V20/62 , G08G1/017
Abstract: 本发明提出了一种基于深度神经网络的车牌识别和定位方法，主要解决现有算法中复杂场景下车牌识别与定位不准的问题。首先建立符合车牌检测特定需求的车牌数据集，并利用K均值聚类算法生成锚框，结合机器学习并引入注意力机制建立一个车牌检测深度卷积神经网络结构并利用已建立的车牌数据集对该网络模型进行训练，训练过程中采用Adam算法作为优化算法。采用交并比IOU＝0.8时的检测准确率作为算法性能的度量指标，并采用HyperLPR算法和数学形态法作为对比算法，对本模型进行测试。本发明提出的基于深度神经网络的车牌识别和定位方法较之前的方法增加通道注意力机制，从而使得检测准确率更高，速度更快，且对环境有非常强的鲁棒性。
-
公开(公告)号：CN109085531B
公开(公告)日：2023-04-07
申请号：CN201810978038.4
申请日：2018-08-27
Abstract: 基于神经网络的近场源到达角估计方法，由阵列接收训练区间内K信号所产生的采样数据计算阵列的接收数据，将信号整体旋转，获取下一组接收数据，直至遍历训练区间；构建各组接收数据的协方差矩阵；利用协方差矩阵和信号的到达角构建训练数据集合；利用训练数据集合对神经网络进行训练；由传感器阵列接收训练区间内测试角度间隔下的测试信号所产生的采样数据计算测试数据，得到一组测试数据后，将信号旋转，获取下一组测试数据，构建各组测试数据的协方差矩阵，归一化得到归一化数据协方差矩阵；将归一化数据协方差矩阵的数据输入神经网络中，计算出测试信号的到达角估计值。
-
公开(公告)号：CN114565896A
公开(公告)日：2022-05-31
申请号：CN202210006574.4
申请日：2022-01-05
IPC: G06V20/54 , G06V20/56 , G06V40/10 , G06V10/44 , G06V10/764 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明提出了一种跨层融合改进的YOLOv4道路目标识别算法，所用数据集是KITTI道路目标数据集，为了使模型能够更加轻量化的同时还能保持检测精度，本发明方法以YOLOv4为基础网络，借鉴DenseNet的思想，设计了Dense‑SPP跨层空间池化模块和Dense‑特征融合模块，并且对原始模型进行参数剪枝以及削减，设计了轻量化的Dense‑YOLOv4‑Small网络模型，将骨架网络CSPDarknet‑53中CSP模块进行削减，将原本CSP模块中ResUnit的数量统一设置为1个，对网络进行剪枝消除网络的冗余计算，将KITTI道路目标数据集中的“Misc”和“Dontcare”剔除得到KITTI‑7classes道路目标数据集，在该数据集上对YOLOv4、Dense‑YOLOv4、Dense‑YOLOv4‑Small三个模型进行训练，并对比三种模型的检测速度和检测性能；检测结果表明Dense‑YOLOv4‑Small的检测速度大幅度提升，检测精度几乎不变。
-
公开(公告)号：CN114494756A
公开(公告)日：2022-05-13
申请号：CN202210007090.1
申请日：2022-01-05
IPC: G06V10/762 , G06V10/764 , G06V10/82 , G06V40/16 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明提出了一种基于Shape‑GIoU改进的聚类算法，弥补了原始GIoU中会退化为IoU的问题，通过引入一个比例系数λ/β，将两框宽高比的影响引入公式，可以解决GIoU会退化的问题，考虑了两框非覆盖面积以及宽高比的影响，使YOLOv4算法的检测性能有了部分提升；首先构建数据集并对样本数据预处理；其次将提出的Shape‑GIoU方法引入到K‑means++聚类方法中，然后将所得anchor值对原版YOLOv4算法的cfg文件中的anchor进行替换；最后对比使用K‑means++聚类方法的YOLOv4算法模型，分析测试结果；本发明提出的基于Shape‑GIoU改进的聚类算法相比K‑means++聚类算法，可以解决GIoU会退化的问题，考虑了非覆盖面积以及宽高比的影响，提升了YOLOv4算法模型的检测精度和召回率；另外本发明方法仍然能够在其他经典算法模型结合使用，并提升算法模型的检测性能。
-
Patent Agency Ranking
公开(公告)号：CN114419584A
公开(公告)日：2022-04-29
申请号：CN202210007083.1
申请日：2022-01-05
Abstract: 本发明提出了一种改进的非极大值抑制YOLOv4交通标志识别定位方法，解决标准YOLOv4算法非极大值抑制(NMS)人为设定阈值和遇到被检测物体在同一区域内高度重叠时无法区分的问题；首先下载通用数据集tt100k数据集与LISA数据集，并进行数据增强；其次使用标准YOLOv4网络对两个增强后的数据集进行训练，检测其性能；然后针对现有标准YOLOv4算法中NMS的缺点提出改进版NMS算法，并将其嵌入YOLOv4模型进行训练；最后对比标准YOLOv4算法，分析测试结果；本发明提出的基于NMS改进的YOLOv4算法，引入分数重置的思想，综合考虑重叠度与置信度得分后，得到了合适的函数作为NMS改进的核心；改进后的NMS算法更适合于检测区域中有多个检测目标重叠的情况，且鲁棒性较好，可用于多个数据集的性能提升。
-
公开(公告)号：CN106980105B
公开(公告)日：2020-04-28
申请号：CN201710098109.7
申请日：2017-02-22
Applicant: 西安电子科技大学
Abstract: 电磁矢量传感器阵列空间旋转解相干测向方法，x轴上任意分布电磁矢量传感器线阵接收K个相干窄带、平稳远场电磁波信号，阵列获取N次同步采样数据；利用电磁矢量传感器阵列自身具有的正交矢量特性，将电磁矢量传感器阵列数据分成6个子阵数据，根据子阵的空间旋转不变特性，通过空间旋转解相干处理恢复数据协方差矩阵的秩，得到解相干后的数据协方差矩阵；由解相干后的数据协方差矩阵获取噪声子空间，利用噪声子空间构造MUSIC空间谱，通过角度域的一维谱峰搜索得到到达角的估计。空间旋转解相干方法与空间平滑解相干方法相比，不存在阵列孔径损失且具有更高的空间分辨率，打破了空间平滑方法仅适用于均匀阵的限制，对均匀和非均匀阵均适用。
-
公开(公告)号：CN106908754B
公开(公告)日：2019-08-27
申请号：CN201710098049.9
申请日：2017-02-22
Applicant: 西安电子科技大学
IPC: G01S3/802
Abstract: L型声矢量传感器阵列ESPRIT解相干参数估计方法，阵列接收K个远场窄带相干信号，接收阵列输出N次同步采样数据；抽取声压和x、y、z三个坐标轴的声速四个子阵数据，计算子阵数据协方差矩阵、变换后子阵协方差数据矩阵和变换前后的互协方差数据矩阵，分别由协方差数据矩阵算术平均得到解相干后的协方差数据矩阵，由解相干后的三个协方差矩阵构造总的解相干数据协方差矩阵，最后对解相干后的总数据协方差矩阵奇异值分解得到信号子空间，根据阵列结构特点将信号子空间分块，分别在x、y方向利用旋转不变关系估计x和y轴方向的方向余弦，利用全阵列信号子空间进行参数配对，由配对后的方向余弦得到到达角估计，本方明方法参数配对简单，计算量低。
-
公开(公告)号：CN107064862B
公开(公告)日：2019-08-06
申请号：CN201710098050.1
申请日：2017-02-22
Applicant: 西安电子科技大学
IPC: G01S3/14
Abstract: 电磁矢量传感器线阵解相干MUSIC参数估计方法，M个任意分布在y轴的电磁矢量传感器线阵接收K个相干窄带、平稳远场电磁信号，阵列获取N次同步采样数据，根据子阵旋转不变特性得到变换前数据协方差矩阵、变换后的数据协方差矩阵和变换前后数据互协方差矩阵，由变换前、变换后和变换前后的数据协方差矩阵得到解相干后的数据协方差矩阵，对解相干后的数据协方差矩阵进行奇异值分解得到信号子空间和噪声子空间，利用噪声子空间构造MUSIC空间谱，通过角度域的一维MUSIC谱峰搜索得到到达角的估计值，本发明方法联合利用空间旋转解相干和前后项平滑的思想，在不损失阵列孔径的前提下大大提高了参数估计的精度，且对于均匀和非均匀线阵均成立。
-
公开(公告)号：CN109100679A
公开(公告)日：2018-12-28
申请号：CN201810977747.0
申请日：2018-08-27
IPC: G01S3/78
Abstract: 基于多输出支持向量回归机的近场声源参数估计方法，均匀对称阵列接收K个窄带、非高斯、平稳近场声源信号在训练区间中产生的W组接收数据，每一组接收数据利用阵列对称位置上接收数据作协方差之后得到相对应的协方差矩阵，对数据协方差矩阵进行矩阵运算和归一化处理可得训练数据的特征向量矩阵H；根据H和信号源训练得到多输出支持向量最优回归参数；将H和测试数据特征矢量带入高斯核函数得到测试核矩阵Ke，利用训练好的近场声源多输出支持向量最优回归参数βomp和Ke估计声源的角度；求测试数据的数据相关矩阵，通过数据相关矩阵的特征分解得到噪声子空间，对每一个到达角通过MUSIC谱函数进行距离项的谱峰搜索估计其对应的距离，从而得到距离的估计。
-
-
-
-
-
-
-
-
-
Search Results
123
records
(took 0.033 seconds)
