-
公开(公告)号：CN109784192B
公开(公告)日：2023-04-18
申请号：CN201811561744.5
申请日：2018-12-20
Applicant: 西安电子科技大学
Abstract: 本发明公开一种基于超像素特征提取神经网络算法的高光谱影像分类方法，包括：高光谱影像经像素点标记和超像素分割处理获得带有像素点标记的超像素和未带像素点标记的超像素；利用超像素特征提取神经网络以带有像素点标记的超像素为输入对象进行网络训练，再利用训练好的超像素特征提取神经网络对未带像素点标记的超像素进行处理得到分类图；所述的超像素特征提取神经网络包括多个叠加的子网络层，每层子网络层由全连接的特征提取层、池化层、特征拼接层和批标准化层组成。本发明减少了监督学习方法中对样本标记数目的依赖；通过设计的神经网络对超像素的提取，兼顾了超像素个体像素以及全体像素的深度特征信息，使特征更鲁棒。
-
公开(公告)号：CN119473919B
公开(公告)日：2025-04-04
申请号：CN202510051994.8
申请日：2025-01-14
Applicant: 西安电子科技大学
IPC: G06F11/3668 , G06F18/23 , G06N3/006
Abstract: 本发明公开了一种高维黑盒智能系统试验用例自适应搜索评估方法，包括：生成初始试验设计用例，通过黑盒系统获得每个初始试验设计用例的输出响应；基于初始试验设计用例及其输出响应，局部自适应地生成加点试验设计用例，通过黑盒系统获得每个加点试验设计用例的输出响应；从初始试验设计用例和加点试验设计用例中筛选输出响应处于预设感兴趣范围的试验设计用例；基于演化算法对筛选得到的试验用例集合#imgabs0#进行序贯智能试验设计，得到扩充后的试验用例集合#imgabs1#及其输出响应集合#imgabs2#；基于集合#imgabs3#的测试因子空间和#imgabs4#对集合#imgabs5#进行分层聚类。本发明提升了面向高维黑盒智能系统测试的自适应试验设计能力与试验用例生成能力，有利于挑选代表性试验设计用例。
-
公开(公告)号：CN109784192A
公开(公告)日：2019-05-21
申请号：CN201811561744.5
申请日：2018-12-20
Applicant: 西安电子科技大学
Abstract: 本发明公开一种基于超像素特征提取神经网络算法的高光谱影像分类方法，包括：高光谱影像经像素点标记和超像素分割处理获得带有像素点标记的超像素和未带像素点标记的超像素；利用超像素特征提取神经网络以带有像素点标记的超像素为输入对象进行网络训练，再利用训练好的超像素特征提取神经网络对未带像素点标记的超像素进行处理得到分类图；所述的超像素特征提取神经网络包括多个叠加的子网络层，每层子网络层由全连接的特征提取层、池化层、特征拼接层和批标准化层组成。本发明减少了监督学习方法中对样本标记数目的依赖；通过设计的神经网络对超像素的提取，兼顾了超像素个体像素以及全体像素的深度特征信息，使特征更鲁棒。
-
公开(公告)号：CN119536353B
公开(公告)日：2025-04-15
申请号：CN202510080596.9
申请日：2025-01-20
Applicant: 西安电子科技大学
IPC: G05D1/622 , G01C21/20 , G05D1/698 , G06N3/008 , G06N3/045 , G06N3/0464 , G06N3/0499 , G06N3/092 , G06N3/084 , G06N3/0985 , G05D109/20
Abstract: 本发明提供了一种面向动态威胁与局部感知的智能体路径实时决策方法，智能体路径规划技术领域，包括采集自身状态数据以及环境中的局部障碍物感知数据，再进行预处理，之后拼接预处理后的数据得到总体特征信息，将其转换为27维Q值之后输入至当前Q网络中得到最佳动作，再执行最佳动作。当前Q网络利用历史经验数据更新历史Q网络得到，在更新过程中采用多个维度的密集奖励函数引导Q网络向奖励增加的方向选择动作。本发明基于局部态势感知的多源数据的路径规划思路，允许智能体根据实时环境动态调整路径，增强智能体对动态复杂场景的适应能力，并且密集奖励机制能够激励智能体以更精细的方式避开障碍，显著提升了智能体避障的灵活性与精确性。
-
公开(公告)号：CN119473919A
公开(公告)日：2025-02-18
申请号：CN202510051994.8
申请日：2025-01-14
Applicant: 西安电子科技大学
IPC: G06F11/3668 , G06F18/23 , G06N3/006
Abstract: 本发明公开了一种高维黑盒智能系统试验用例自适应搜索评估方法，包括：生成初始试验设计用例，通过黑盒系统获得每个初始试验设计用例的输出响应；基于初始试验设计用例及其输出响应，局部自适应地生成加点试验设计用例，通过黑盒系统获得每个加点试验设计用例的输出响应；从初始试验设计用例和加点试验设计用例中筛选输出响应处于预设感兴趣范围的试验设计用例；基于演化算法对筛选得到的试验用例集合#imgabs0#进行序贯智能试验设计，得到扩充后的试验用例集合#imgabs1#及其输出响应集合#imgabs2#；基于集合#imgabs3#的测试因子空间和#imgabs4#对集合#imgabs5#进行分层聚类。本发明提升了面向高维黑盒智能系统测试的自适应试验设计能力与试验用例生成能力，有利于挑选代表性试验设计用例。
-
Patent Agency Ranking
公开(公告)号：CN118485912A
公开(公告)日：2024-08-13
申请号：CN202410273451.6
申请日：2024-03-11
Applicant: 西安电子科技大学
IPC: G06V20/10 , G06V10/764
Abstract: 本发明提供了一种针对高光谱遥感图像数据增强和分类的方法及装置，包括从遥感成像传感器获取高光谱图像，并将所述高光谱图像确定为待分类高光谱图像；将待分类高光谱图像输入至训练好的SPL‑GAMN模型中，以使SPL‑GAMN模型提取三维HSI块，并依据待分类高光谱图像中对象数量的多少，学习第一对象在三维HSI块中的特征信息，并生成第一对象的高光谱图块，对所有的高光谱图块作分类得到所有对象的预测标签。本发明针对少数类别的数据增强，有效改善了样本不均衡问题，并将3D分类器与自步学习方法结合起来，提升了模型的泛化能力，有效改善了过拟合问题，因此鲁棒性较好，对不同的高光谱图像普遍有效，可以提高分类效果。
-
公开(公告)号：CN119536353A
公开(公告)日：2025-02-28
申请号：CN202510080596.9
申请日：2025-01-20
Applicant: 西安电子科技大学
IPC: G05D1/622 , G01C21/20 , G05D1/698 , G06N3/008 , G06N3/045 , G06N3/0464 , G06N3/0499 , G06N3/092 , G06N3/084 , G06N3/0985 , G05D109/20
Abstract: 本发明提供了一种面向动态威胁与局部感知的智能体路径实时决策方法，智能体路径规划技术领域，包括采集自身状态数据以及环境中的局部障碍物感知数据，再进行预处理，之后拼接预处理后的数据得到总体特征信息，将其转换为27维Q值之后输入至当前Q网络中得到最佳动作，再执行最佳动作。当前Q网络利用历史经验数据更新历史Q网络得到，在更新过程中采用多个维度的密集奖励函数引导Q网络向奖励增加的方向选择动作。本发明基于局部态势感知的多源数据的路径规划思路，允许智能体根据实时环境动态调整路径，增强智能体对动态复杂场景的适应能力，并且密集奖励机制能够激励智能体以更精细的方式避开障碍，显著提升了智能体避障的灵活性与精确性。
-
公开(公告)号：CN114330695B
公开(公告)日：2024-06-25
申请号：CN202111678592.9
申请日：2021-12-31
Applicant: 西安电子科技大学
IPC: G06N3/063 , G06N3/0499 , G06N3/08
Abstract: 本发明公开了一种基于多层感知神经网络的相控阵驱动方法，包括期望方向图参数输入，多层感知神经网络模型构建，阵元驱动参数输出，计算输出波形方向图，损失代价计算评估方向图是否达标。通过对目标方向图自身的监督学习完成网络参数的生成，最终学习完成的多层感知神经网络模型能够在多种复杂场景下实现目标方向图对应阵元参数的实时生成，从而达到相控阵天线智能驱动的目的。通过构建目标方向图与阵元参数间的映射关系，实现多场景下目标方向图对应阵元参数的实时生成能力，以解决传统波束形成方法单一性高、生成时间代价大的问题。
-
公开(公告)号：CN115393631A
公开(公告)日：2022-11-25
申请号：CN202210928956.2
申请日：2022-08-03
Applicant: 西安电子科技大学
IPC: G06V10/764 , G06V10/82 , G06N3/04 , G06N3/08
Abstract: 本发明涉及一种基于贝叶斯层图卷积神经网络的高光谱图像分类方法，包括：步骤1：获取高光谱图像数据集，对高光谱图像数据集进行预处理，之后按照预设比例划分得到训练集和测试集；步骤2：构建贝叶斯层图卷积神经网络；步骤3：利用训练集和测试集对贝叶斯层图卷积神经网络进行训练和测试，得到训练完成的贝叶斯层图卷积神经网络；步骤4：利用训练完成的贝叶斯层图卷积神经网络对待测高光谱图像的目标进行识别分类，得到识别结果。本发明的方法实现对遥感图像的高效率与高准确度分类，解决了遥感图像的分类领域的不确定性评估问题，实现了分类结果置信度的量化，解决了神经网络系统面对小样本目标时由于过拟合现象从而可能导致的漏警问题。
-
公开(公告)号：CN114330695A
公开(公告)日：2022-04-12
申请号：CN202111678592.9
申请日：2021-12-31
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于多层感知神经网络的相控阵驱动方法，包括期望方向图参数输入，多层感知神经网络模型构建，阵元驱动参数输出，计算输出波形方向图，损失代价计算评估方向图是否达标。通过对目标方向图自身的监督学习完成网络参数的生成，最终学习完成的多层感知神经网络模型能够在多种复杂场景下实现目标方向图对应阵元参数的实时生成，从而达到相控阵天线智能驱动的目的。通过构建目标方向图与阵元参数间的映射关系，实现多场景下目标方向图对应阵元参数的实时生成能力，以解决传统波束形成方法单一性高、生成时间代价大的问题。
-
-
-
-
-
-
-
-
-
Search Results
11
records
(took 0.024 seconds)
