-
公开(公告)号：CN111598781B
公开(公告)日：2020-12-08
申请号：CN202010412993.9
申请日：2020-05-15
Applicant: 宜宾电子科技大学研究院
Abstract: 本发明公开了一种基于混合高阶注意网络的图像超分辨率方法，其包括以下步骤：S1、形成深层网络；S2、形成浅层网络；S3、将浅层网络与深层网络相连接；S4、将浅层网络中第一个级联群的输入作为混合高阶注意网络的输入，将深层网络中最后一个高阶注意模组的输出作为混合高阶注意网络的输出，完成混合高阶注意网络的构建；S5、采用混合高阶注意网络对目标图像进行处理，完成基于混合高阶注意网络的图像超分辨率处理。本方法基于混合高阶注意网络，不仅可以恢复低分辨率图像更强大的特征和高频细节，而且具有更短的运行时间和更少的GPU开销。
-
公开(公告)号：CN111740202A
公开(公告)日：2020-10-02
申请号：CN202010527538.3
申请日：2020-06-11
Applicant: 电子科技大学 , 宜宾电子科技大学研究院
Abstract: 本发明公开一种基于液态金属的类电磁诱导透明高Q值温度感知谐振结构，应用于温度感知探测领域，为解决现有传感器灵敏度低的问题，本发明根据类电磁诱导透明理论，结合液态金属的热膨胀性、流动性等特性设计而成，使该谐振单元具有高Q值特性，能实现较高的温度感知分辨率。同时为了提高温度感知能力，在结构中添加了储液结构，以及减小液态金属谐振结构的线径，从而实现较高的温度感知灵敏度。
-
公开(公告)号：CN119918589A
公开(公告)日：2025-05-02
申请号：CN202411996345.7
申请日：2024-12-31
Applicant: 宜宾电子科技大学研究院 , 宜宾市公安局
IPC: G06N3/0464 , G06N3/048 , G06N3/084 , G06V10/82 , G06V10/764
Abstract: 本发明提出跨范围的深度神经网络参数混合量化方法，属于量化技术领域，以解决现有技术中的量化方法会使得模型的性能显著下降的问题，包括：步骤1：在深度神经网络模型训练的过程中，通过PACT量化方法对深度神经网络进行激活量化；步骤2：在神经网络模型训练完成之后，使用优化后的LSQ量化方法对神经网络模型的权值进行量化，并且对于量化过程中超过量化范围的数值进行筛选并量化，保留了这部分数值的信息。本发明中，分别对激活值和权值使用不同的量化方法，充分考虑网络中不同输出层的作用。
-
公开(公告)号：CN119830947A
公开(公告)日：2025-04-15
申请号：CN202411893978.5
申请日：2024-12-20
Applicant: 宜宾电子科技大学研究院
Abstract: 本发明提出一种深度神经网络参数动态量化压缩方法及系统，属于参数量化技术领域，以解决现有技术都是基于参数的值大小进行划分，忽略了值小的参数在网络中的作用的问题。包括步骤1：基于图神经网络建立深度神经网络模型对应的级联失效模型；步骤2：对级联失效模型进行初始化，基于初始化后的级联失效模型选取深度神经网络模型中的重要节点；步骤3：计算重要节点的参数的分散程度f，根据计算出的f值的所属区间，选择不同的参数量化过程中的宽度。
-
公开(公告)号：CN119436801A
公开(公告)日：2025-02-14
申请号：CN202411788520.3
申请日：2024-12-06
Applicant: 宜宾电子科技大学研究院
IPC: F26B25/22
Abstract: 本申请公开了一种聚合干燥控制方法及相关设备，该方法包括：获取聚合干燥系统的干燥塔参数集，干燥塔参数集包括带标签运行参数；利用干燥塔参数集对初始时间序列模型进行训练，得到目标干燥模型；获取聚合干燥系统的实时运行参数和待干燥对象的属性参数；将属性参数和实时运行参数输入目标干燥模型中进行处理，得到目标运行参数；基于目标运行参数对聚合干燥系统进行控制，以对待干燥对象进行聚合干燥。解决了现有的物料干燥装置基本处于纯手动控制状态，而手动控制会导致干燥工艺复杂度增加，干燥变量耦合严重，导致控制难度极大，干燥效率较低的问题。
-
Patent Agency Ranking
公开(公告)号：CN113627332B
公开(公告)日：2025-01-28
申请号：CN202110915158.1
申请日：2021-08-10
Applicant: 宜宾电子科技大学研究院
IPC: G06V20/59 , G06V10/774 , G06V10/764 , G06V10/25 , G06V10/26 , G06V10/82 , G06N3/0464 , G06N3/098
Abstract: 本发明公开了一种基于梯度控制联邦学习的分心驾驶行为识别方法，首先各车辆节点在车辆行驶时采集图像数据；之后使用梯度控制联邦学习共同训练一个卷积神经网络模型；最后，各节点使用该模型识别分心驾驶行为。在驾驶行为识别场景中，本发明使用基于边缘计算的去中心化方式实现模型的训练与推理，相较现有的中心化训练与推理方式具有保护用户隐私、实时性好、升级方便等优点。提出的梯度控制联邦学习算法相较于传统的联邦学习算法能够有效提高模型的收敛速度，且不增加任何计算开销。
-
公开(公告)号：CN119312742A
公开(公告)日：2025-01-14
申请号：CN202411354779.7
申请日：2024-09-27
Applicant: 宜宾电子科技大学研究院
IPC: G06F30/33 , G06F30/27 , G06N3/042 , G06N3/0464 , G06N3/084
Abstract: 本发明属于电子设计自动化(Electronic Design Automation，EDA)领域，具体提供一种基于图神经网络的逻辑门等价性判定方法，用以改善GNN对SAT求解的速度提升效果。本发明提供一种基于图神经网络的逻辑门等价性判定方法，该方法通过真值表构造逻辑门特征值有效地表征了逻辑门的功能信息，在此基础上对特征值进行排序，将特征序号作为图神经网络模型的训练目标，减少了全连接层的节点数目，从而在提升图神经网络模型的电路表示能力的同时，减少了模型参数，提高了训练速度，在逻辑门等价性判定方面，利用图神经网络模型预测逻辑门之间的相似性，改善了变量搜索策略，提高了SAT的求解速度。
-
公开(公告)号：CN118509294A
公开(公告)日：2024-08-16
申请号：CN202410536897.3
申请日：2024-04-30
Applicant: 电子科技大学 , 宜宾电子科技大学研究院
IPC: H04L27/26
Abstract: 本发明属于信号处理技术领域，具体涉及一种基于帧间共轭相关的时频混叠数字通信信号频率估计方法，克服了高阶PCMA混合信号频偏估计精度较差和复杂度较高的问题。该方法假设帧长已知或者已经通过自相关函数估计得到，两路信号帧长不同，通过利用数字通信物理层组帧过程中，帧同步序列引入的帧间相关特性，将频偏转化为了和帧长相关的固定相位差，通过估计帧同步序列的固定相位差，实现了对高阶PCMA混合信号的高精度频偏估计。仿真结果表明，本发明方法在低信噪比下环境下，可以实现对高阶PCMA混合信号的高精度频偏估计。
-
公开(公告)号：CN117491942A
公开(公告)日：2024-02-02
申请号：CN202311404673.9
申请日：2023-10-27
Applicant: 电子科技大学 , 宜宾电子科技大学研究院
Abstract: 本发明涉及阵列信号处理领域，尤其涉及一种基于辅助变量交替优化的切换天线阵列DOA估计方法。为了克服传统技术的性能限制，平衡DOA估计方法的精度和效率，本发明提供了一种基于辅助变量交替优化的切换天线阵列DOA估计方法。本发明以稀疏重构算法为出发点，通过构建空域过完备字典，将DOA估计问题转换为动态字典的稀疏表示问题，引入辅助变量构造了一个交替优化问题，运用全部采样数据进行交替求解，充分利用了切换天线阵列的结构特点，提高了DOA估计的性能，实现了高精度、低复杂度的切换天线阵列DOA估计。
-
公开(公告)号：CN117041603A
公开(公告)日：2023-11-10
申请号：CN202311008190.7
申请日：2023-08-10
Applicant: 宜宾电子科技大学研究院
IPC: H04N19/70 , H04N19/159 , H04N19/154 , H04N21/2343 , H04N21/4402 , G06T3/40 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种用于压缩视频的轻量级视频超分辨率重建方法,属于视频压缩技术领域,以解决现有技术中较高的压缩率通常导致更大的视频质量损失，而较低的压缩率则会增加数据传输和存储成本，其包括以下步骤：首先，使用现有的视频压缩标准进行压缩；之后对接收到的压缩视频进行解压缩处理。然后基于卷积神经网络的LVSR模型视频重建。最后对LVSR性能评估。本发明中，与传统视频超分辨率技术不同，本发明的LVSR方法针对压缩‑解压缩过程进行优化设计。通过充分利用解压缩后的视频数据，包括帧内，帧间信息、GOP、宏块类型和运动矢量等信息，有效消除压缩导致的失真和信息丢失，从而获得更准确的视频恢复结果。
-
-
-
-
-
-
-
-
-
Search Results
110
records
(took 0.138 seconds)
