-
公开(公告)号：CN116451495A
公开(公告)日：2023-07-18
申请号：CN202310455968.2
申请日：2023-04-25
Applicant: 西安电子科技大学
IPC: G06F30/20 , G06Q10/0631 , G06N3/006 , G06Q10/047 , G06F119/12 , G06F111/04
Abstract: 本发明公开了一种基于时间最短路径规划的智能工况排序方法，主要解决现有技术需要大量生产历史数据，且可移植性和学习能力差的问题，其实现方案是：将排序过程抽象为旅行商问题TSP；求解TSP中的工况切换时间和数据集降维，为实验设备测试工况的排序问题建立了数学模型，并使用全连接有向图进行表示；使用蚁群算法遍历工况模型，使用粒子群算法对蚁群算法中的两个调节因子参数进行优化，并求解其最短路径；结合某工厂的流动传热设备，使用上述最短路径完成数十组实验工况的排序。本发明无需设备生产历史数据，提高了排序过程的学习能力，可移植性较强，可用于工厂自动化设备测试工况排序，以保证设备测试与后续运行过程的安全、平稳及高效。
-
公开(公告)号：CN109818792B
公开(公告)日：2022-02-15
申请号：CN201910084431.3
申请日：2019-01-29
Applicant: 西安电子科技大学
IPC: H04L41/12 , H04L12/44 , H04L67/125
Abstract: 本发明属于复杂动态网络技术领域，公开了一种含有向时变拓扑的二阶复杂动态网络同步控制方法，给出了在该种拓扑下，实现复杂网络状态同步的一个充分条件。合作有向生成树拓扑是一种时变拓扑，该拓扑允许网络中的节点在任何时刻都不连通，只需要网络拓扑所对应的拉普拉斯矩阵在一个周期T内的积分包含有向生成树。整个网络中不需要中央处理器，网络中各节点只需要与邻居交流自身的状态信息，即可实现所有节点状态最终均同步于根节点状态，是一种分布式的控制器。本发明为含时变有向拓扑的复杂动态网络上的二阶系统的同步应用奠定了理论基础，扩大了其应用范围。
-
公开(公告)号：CN110290590A
公开(公告)日：2019-09-27
申请号：CN201910477999.1
申请日：2019-06-03
Applicant: 西安电子科技大学
Abstract: 本发明属于LTE下行调度技术领域，公开了一种基于改进权重的LTE系统MAC层资源块的分配方法，计算用户i在每个子载波的信干噪比、用户i在每个RB的有效信噪比、用户i在第t个TTI时在每个RB所能达到的传输速率；数据包下发到链路控制层的缓冲区中，更新用户缓冲区队列长度；对RB进行轮流分配，利用优先级公式计算用户i在第j个RB上的用户优先级；第j个RB分配结束后根据公式更新用户缓冲区中的数据量；直到所有的RB分配完毕或者所有用户的缓冲区都为空；MAC层的控制器根据优先级规则进行资源块的分配，用户利用分配到的资源块传输数据。本发明在保证用户吞吐量不下降的前提下，系统用户感知速率有明显的提升。
-
公开(公告)号：CN105005966A
公开(公告)日：2015-10-28
申请号：CN201510023351.9
申请日：2015-01-16
Applicant: 西安电子科技大学
IPC: G06T5/00
Abstract: 本发明公开了一种基于黄霾物理特性的单幅图像去霾算法，属于图像处理领域。所述发明包括获取待处理图像，确定待处理图像中的天空区域，在天空区域中确定大气光点，确定待处理图像中色彩通道的比值，根据待处理通道中色彩通道的比值，确定待处理图像的传输图，结合黄霾的物理特性调节传输图的饱和度，生成调节后的图像。本发明相对于现有技术中将雾和霾统一处理的方式，能够将图像调节至更接近真实的色彩，从而恢复图像原有的亮度和饱和度。
-
公开(公告)号：CN102890820B
公开(公告)日：2015-09-30
申请号：CN201210364581.8
申请日：2012-09-18
Applicant: 西安电子科技大学
IPC: G06T5/10
Abstract: 本发明公开了一种基于shearlet变换和维纳滤波的图像去噪方法，实现的步骤为：(1)输入源图像；(2)对称扩展；(3)剪切变换；(4)小波包分解；(5)维纳滤波；(6)逆小波包变换；(7)逆剪切变换；(8)逆对称变换；(9)图像融合；(10)输出去噪后图像。本发明克服了现有技术中小波变换不能很好表达图像的各向异性信息的缺点，以及使用单一阈值对不同方向上系数进行相同处理而导致的去噪效果不理想的问题，利用了shearlet变换具有多方向性和维纳滤波能够根据图像的区域方差调整滤波器输出等优点，从而能够在图像的不同方向上的高频系数中更准确的分析图像细节信息。最终得到高质量的去噪后图像。
-
Patent Agency Ranking
公开(公告)号：CN103729846A
公开(公告)日：2014-04-16
申请号：CN201310732429.5
申请日：2013-12-23
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于不规则三角网的LiDAR点云数据边缘检测方法：读取目标区域原始LiDAR点云数据；剔除粗差噪声点；将剔除粗差噪声后的LiDAR点云数据进行Delaunay三角剖分；计算不规则三角网中每个空间三角形的形变量并保存；计算三角形的形变量阈值；将得到的形变量大于形变量阈值的空间三角形标记为边缘三角形；计算狭长三角形；比较各三角形的狭长度Li和狭长度阈值；确定边缘点，得到LiDAR点云数据的边缘图像。本发明的方法利用三角剖分过程中三角形的形状变化进行具有高程突变的边缘点检测，利用狭长三角形进行数据空白区域的边缘点检测，实现了在原始数据中进行边缘检测保留LiDAR点云数据更多的信息。
-
公开(公告)号：CN116776233A
公开(公告)日：2023-09-19
申请号：CN202310647815.8
申请日：2023-06-01
Applicant: 西安电子科技大学
IPC: G06F18/2411 , G06F18/214 , G06F18/2415
Abstract: 本发明公开了一种流程工业故障智能诊断方法，涉及流程工业技术领域，解决了现有技术中报警信息不准确，且不能提前对工况进行预判的问题，该方法包括：将临界热流密度数据输入至热电偶温度变化模型，确定数据集；对数据集进行归一化处理；根据归一化数据集计算飞升特征向量集，并将飞升特征向量集输入至训练好的SVM模型中，输出飞升特征向量与二维超平面的位置关系，确定飞升数据点和未飞升数据点；判断飞升数据点是否为假飞升数据点，若为假飞升数据点，则将飞升数据点置为未飞升数据点；根据飞升数据点确定临界工况点，并输出临界工况点，实现了对系统进行较小的改动，灵活且方便的对临界信息进行判断，操作简便，降低了人力资源成本。
-
公开(公告)号：CN108415393A
公开(公告)日：2018-08-17
申请号：CN201810355693.4
申请日：2018-04-19
Applicant: 中江联合(北京)科技有限公司 , 中国电子科技集团公司第十三研究所 , 西安电子科技大学
IPC: G05B19/418
Abstract: 一种砷化镓产品质量一致性控制方法，具体步骤如下：步骤一：将历史工艺数据整理形成原始模型样本数据库；步骤二：对生产过程中的工艺数据利用人工神经网络进行数学建模；步骤三：产品质量预测，具体为每完成一道产品工序，通过对该道工序的工艺数据利用数学模型进行最终产品质量预测，产品完成后，将产品的实际数据与预测结果数据进行比对，生成产品质量模型报告。
-
公开(公告)号：CN108037659A
公开(公告)日：2018-05-15
申请号：CN201711085147.5
申请日：2017-11-07
Applicant: 西安电子科技大学
IPC: G05B13/04
Abstract: 本发明属于智能控制技术领域，公开了一种基于事件驱动的时变耦合复杂动态网络同步方法，合作有向生成树拓扑，给出了实现时变复杂动态网络指数同步的一个充分条件以及一个严格正的事件驱动间隔时间的一个下界，从而排除了Zeno行为。合作有向生成树拓扑允许网络中的节点在任意时刻都不连通，仅仅需要网络拓扑的Laplacian矩阵在一个周期T内的积分包含一个有向生成树，从而使得网络通信对于网络拓扑的要求降低了。本发明为时变耦合复杂动态网络同步应用奠定了理论基础，扩大了其应用范围；减少了网络节点间的通信量，节省了网络带宽，节约了通信成本。
-
公开(公告)号：CN103729846B
公开(公告)日：2017-01-11
申请号：CN201310732429.5
申请日：2013-12-23
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于不规则三角网的LiDAR点云数据边缘检测方法：读取目标区域原始LiDAR点云数据；剔除粗差噪声点；将剔除粗差噪声后的LiDAR点云数据进行Delaunay三角剖分；计算不规则三角网中每个空间三角形的形变量并保存；计算三角形的形变量阈值；将得到的形变量大于形变量阈值的空间三角形标记为边缘三角形；计算狭长三角形；比较各三角形的狭长度Li和狭长度阈值；确定边缘点，得到LiDAR点云数据的边缘图像。本发明的方法利用三角剖分过程中三角形的形状变化进行具有高程突变的边缘点检测，利用狭长三角形进行数据空白区域的边缘点检测，实现了在原始数据中进行边缘检测保留LiDAR点云数据更多的信息。
-
-
-
-
-
-
-
-
-
Search Results
43
records
(took 0.03 seconds)
