-
公开(公告)号：CN113627333B
公开(公告)日：2025-01-28
申请号：CN202110915161.3
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 , G06V10/82 , G06N3/0464 , G06N3/098
Abstract: 本发明公开了一种基于个性化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；之后使用个性化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。提出的个性化联邦学习算法相较于传统的联邦学习算法能够使所训练的模型更好的适配各节点的数据。
-
公开(公告)号：CN119249083A
公开(公告)日：2025-01-03
申请号：CN202411354778.2
申请日：2024-09-27
Applicant: 宜宾电子科技大学研究院
IPC: G06F18/15 , G06F18/2411 , G06F18/2431 , G06N20/00 , A61B5/00 , A61B5/372 , G06F123/02
Abstract: 本发明属于非线性生理信号处理技术领域，具体提供一种用于癫痫预判的脑电信号处理方法，用以提高癫痫发作预警的准确性和实时性。本发明引入贝叶斯估计和时频分析方法，能够更精确地解析脑电信号中主要频率成分的时间演化过程，不仅考虑了信号的动态变化特性，还通过贝叶斯方法有效处理了脑电信号的非线性和非稳态特性，从而更准确地捕捉到癫痫发作前的特异性时频特征；这些特征作为判定癫痫发作的重要依据，显著提升了预警的准确性。综上，本发明通过实时监测脑电信号的时频变化能够在癫痫发作前进行预警，这种实时的分析能力使得医生或患者家属能够提前采取措施，避免或减少癫痫发作带来的伤害，提高了医疗干预的时效性。
-
公开(公告)号：CN118824219A
公开(公告)日：2024-10-22
申请号：CN202411032257.5
申请日：2024-07-30
Applicant: 宜宾电子科技大学研究院 , 电子科技大学(深圳)高等研究院
IPC: G10K11/168 , B32B33/00 , B32B3/24 , B32B3/30
Abstract: 本发明涉及噪声控制技术领域，具体公开了一种降噪方法、多层结构卷曲型复合吸声结构及吸声降噪方法；所述吸声结构包括降噪结构单元、以及设置在降噪结构单元底部的底层单元；所述降噪结构单元包括多层依次层叠设置且用于对于不同频点噪声进行降噪的吸声降噪单元；多层所述吸声降噪单元位于底层单元的上方；每组所述吸声降噪单元设置有至少一组卷曲腔；声波进入吸声降噪单元内设置的卷曲腔内实现降噪。本发明在相同吸声面积下可设计出更多的吸声频点，提升吸声材料的低频性能，保证了高频性能衰减较少，从而使其整体吸声性能提升，且制作简单、降低了传统共振吸声结构在实际运用中的加工难度。
-
公开(公告)号：CN114065945B
公开(公告)日：2024-08-02
申请号：CN202111272727.1
申请日：2021-10-29
Applicant: 宜宾电子科技大学研究院
IPC: G06F18/20 , G06F18/25 , G06F18/241 , G06N3/0464 , G06N3/045 , G06N3/096
Abstract: 本发明公开了一种基于DJTN迁移学习的智能故障诊断方法，选择用于参照的已存在有标签数据集的工作条件，然后对于需要进行故障诊断的待诊断工作条件，采用有标签数据集相同的工作信号采集方法采集得到智能机械的无标签数据集，构建包括特征提取模块、迁移学习模块和分类模块的DJTN迁移学习模型，有标签数据集和无标签数据集输入DJTN迁移学习模型对其进行训练，对于训练好的DJTN迁移学习模型，将其中特征提取器和分类模块构成故障诊断模型，将无标签数据集中的每个工作信号数据样本分别输入故障诊断模型，得到对应的健康状态诊断结果。本发明通过迁移学习，提高了对故障诊断中智能机械工作条件多样的鲁棒性。
-
公开(公告)号：CN117491961A
公开(公告)日：2024-02-02
申请号：CN202311405389.3
申请日：2023-10-26
Applicant: 电子科技大学 , 宜宾电子科技大学研究院
IPC: G01S7/41 , G06F18/2321 , G06F18/213
Abstract: 本发明属于雷达信号分选技术领域，涉及一种基于UMAP和DBSCAN联合的未知辐射源信号分选方法。本发明的方法利用UMAP对辐射源信号PDW进行非线性降维，将多维数据(AOA、RF、PW、PA四个维度)映射到低维空间，然后通过DBSCAN密度聚类算法，在降维后的数据集中发现具有相似性的群集，完成对未知辐射源信号脉冲的预分选；此时的分选结果存在比较明显的减批和增批问题，通过计算各个簇AOA方差，若方差大于阈值则对该簇进行缩小邻域的DBSCAN聚类，直到各个簇方差不超过阈值，从而降低减批；通过计算各个簇AOA和RF均值，若两个簇均值之差小于阈值则将两个簇进行合并来降低增批，进一步提高分选性能。
-
Patent Agency Ranking
公开(公告)号：CN113659994B
公开(公告)日：2023-09-01
申请号：CN202110987423.7
申请日：2021-08-26
Applicant: 电子科技大学 , 宜宾电子科技大学研究院
IPC: H03M13/27
Abstract: 本发明属于通信技术领域，具体是涉及一种低复杂度的卷积码随机交织关系的估计方法。本发明是在利用截获数据c，在已知交织深度L、交织起点的情况下，完成交织关系的估计，恢复出随机交织器。本发明首先利用线性分组码码字空间的封闭性对接收序列进行误码筛除，然后将误码筛除后的序列按照一定的规则构造出一个含有两个交织块(每个交织块交织关系相同)、维数为2L×2L的数据矩阵C，对C进行伽罗华域上部分高斯行消元，利用线性特性来确定卷积码的组间交织关系，然后利用校验向量确定正确的组内交织关系。
-
公开(公告)号：CN116416334A
公开(公告)日：2023-07-11
申请号：CN202310337066.9
申请日：2023-03-31
Applicant: 宜宾电子科技大学研究院
IPC: G06T11/00 , G06T17/00 , G06F16/903 , G06F40/194 , G06F40/30
Abstract: 本发明公开了一种基于原型的嵌入网络的场景图生成方法，包括以下分步骤：S1、获取图像，将图像输入目标检测器，得到若干具有特征的图像实例；S2、通过基于原型的嵌入网络对图像实例进行建模，得到主体、客体和谓词，进而得到主客体的关系表示以及谓词原型；S3、通过基于原型的嵌入网络识别谓词原型匹配的主客体的关系表示，得到主客体‑谓词的匹配结果；S4、根据主客体‑谓词的匹配结果进行图像的场景图生成，完成场景图生成。本发明，通过原型的嵌入网络建立紧凑且可区分的主客体的关系表示和谓词原型，并在主客体和谓词之间建立匹配以进行关系识别，解决目前场景图生成方法不能捕获紧凑和可区分的关系特征表示的技术问题。
-
公开(公告)号：CN113655475B
公开(公告)日：2023-06-20
申请号：CN202110938174.2
申请日：2021-08-16
Applicant: 电子科技大学 , 宜宾电子科技大学研究院
IPC: G01S13/86 , G01S7/03 , H04B7/0413 , H04B1/04 , H04B1/16
Abstract: 本发明属于信号处理技术领域，涉及一种基于波形选择的雷达通信一体化系统。本发明在发射端发射信号前，通过加入波形选择矩阵，从已有的波形中选择部分波形进行发射，不同的选择矩阵构成了通信符号字典。通信接收机处接收基带信号后用已知的波形进行匹配滤波，匹配滤波的结果与字典中的符号进行对比可以检测出不同选择矩阵，从而得到对应嵌入的通信信息序列。该发明在基于波形排列的雷达通信一体化方案基础上，通过波形选择提供了一种新的雷达通信一体化方法，同时可以与波形排列相结合，实现混合矩阵嵌入通信信息。
-
公开(公告)号：CN115932715A
公开(公告)日：2023-04-07
申请号：CN202211487228.9
申请日：2022-11-25
Applicant: 宜宾电子科技大学研究院
Abstract: 本发明提出了基于欠采样结构的频率和DOA参数联合估计方法，可以在欠奈奎斯特速率下使用ULA完成频率和DOA参数联合估计这一任务，克服硬件资源消耗高和总采样率高的问题。首先设计了一种改进的接收结构，在均匀线阵阵列的第一个传感器上增加了一个简单的延迟网络，其余阵元直接连接ADC，所有通道均在欠奈奎斯特速率下完成采样。然后，利用多陪集通道输出信号建立协方差矩阵，基于MUSIC算法得到伪谱，谱峰搜索得到频率估计值。最后合并所有通道输出信号，根据采样结构构建新的导向矢量，利用MUSIC算法分别估计各个载频对应的DOA，从而克服了模糊性问题，且在低信噪比环境下有较好的估计效果。
-
公开(公告)号：CN113705787B
公开(公告)日：2023-04-07
申请号：CN202110995377.5
申请日：2021-08-27
Applicant: 电子科技大学 , 宜宾电子科技大学研究院
IPC: G06N3/0442 , G06N3/0464 , G06N3/045 , G06N3/048 , G06N3/084
Abstract: 本发明属于深度学习技术领域，具体是涉及一种基于深度协同训练的数字调制信号识别方法。本传统的基于深度学习的数字调制信号识别方法需要大量有标记的数据样本进行训练。在实际通信活动中，仅容易获得大量未标记信号样本，获取人工标记成本高且效率低。本发明搭建了两个CLDNN网络进行协同训练，利用生成对抗实现视图的差异化，充分利用大量无标记样本辅助少量有标记样本下的学习，有效地提升了识别准确率，增强了深度学习在数字调制信号识别任务中的可行性和实用性。
-
-
-
-
-
-
-
-
-
Search Results
110
records
(took 0.041 seconds)
