-
公开(公告)号：CN114773202A
公开(公告)日：2022-07-22
申请号：CN202210384657.7
申请日：2022-04-13
Applicant: 电子科技大学长三角研究院(湖州)
IPC: C07C201/12 , C07C205/42 , G01N21/33
Abstract: 本发明提供了一种用于分析互穿网络拓扑结构对材料性能影响的探针的制备方法及应用，该探针是以4‑[4‑(1‑羟乙基)‑2‑甲氧基‑5‑硝基苯氧基]丁酸、2‑溴代异丁酸‑2‑羟乙酯和丙烯酰氯为原料制备的一种新型探针。该探针可以实现对互穿聚合物网络拓扑结构的原位可控变化，进而实现原位选择性和高灵敏度快速分析，进一步通过力学性能的变化研究探索聚合物网络的拓扑结构如何影响材料的性能。相比于现有的检测技术，本发明得到的探针可原位高选择性快速分析互穿网络拓扑结构对材料性能影响，且投入成本较低，合成路线简单，检测设备和方法简便，适于放大合成和实际生产应用，在材料科学、以及材料内部应力等技术领域有着巨大的应用前景。
-
公开(公告)号：CN112979301B
公开(公告)日：2022-06-28
申请号：CN202110210661.7
申请日：2021-02-25
Applicant: 电子科技大学 , 江西尚朋电子科技有限公司
IPC: C04B35/26 , C04B35/622
Abstract: 本发明是提供一种高频高温低损耗MnZn功率铁氧体材料及其制备方法，其是由主原料和掺杂助剂混合制成，主要针对高频MnZn功率铁氧体材料在高温下难以保持低损耗的技术问题，提供一种高频高温超低损耗MnZn功率铁氧体材料及其制备方法，从而有效降低开关损耗，提高能效，实现环保节能功效。
-
公开(公告)号：CN108647568B
公开(公告)日：2022-05-17
申请号：CN201810275831.8
申请日：2018-03-30
Applicant: 电子科技大学
IPC: G06V20/10 , G06V10/764 , G06K9/62
Abstract: 本发明公开了一种基于全卷积神经网络的草地退化自动提取方法，包括以下步骤：S1、获取待检测区域的影像数据作为数据集，并进行像素标记得到对应的样本标签；S2、进行数据扩展和数据增强，划分训练集和测试集；S3、设计全卷积神经网络；S4、将训练集和对应样本标签作为输入数据，利用神经网络进行训练，待神经网络的性能评价指标收敛后得到具有退化草地提取能力的神经网络模型；S5、对测试集进行特征提取，得到每一个像素对应的标签值，根据标签值着色后得到退化草地的分割提取结果。本发明采用了端到端训练模型，缩减了人工预处理和后处理，简化了草地退化提取流程，具有更强的适应性和高效性，可以实现任意尺寸的图像的输入，适用性广。
-
公开(公告)号：CN113528010A
公开(公告)日：2021-10-22
申请号：CN202110993078.8
申请日：2021-08-27
Applicant: 电子科技大学
IPC: C09D183/04
Abstract: 本发明公开了一种具有长效疏冰特性的超滑涂层及其应用。这种涂层具有双层结构，其中上层为含疏冰剂分子、表面平整的交联聚合物；下层为存储疏冰剂的多孔结构。此涂层制备包括以下步骤：首先将可交联前体和制孔剂按质量比10：(3～10)混合搅拌，涂于表面预固化20‑40分钟；在其完全固化前，在其表面浇筑一层可交联聚合物前体，然后让所得复合涂层完全固化和致孔剂完全挥发，得到双层结构；最后让涂层接触吸收疏冰剂分子，获得双层超滑涂层。光滑疏冰无孔层提供平滑表面、有效控制疏冰剂的释放；疏冰剂多孔储存层存储大量疏冰剂，这些疏冰剂在涂层表面疏冰剂损耗后自动释放出来，维持表面疏冰性能。
-
公开(公告)号：CN107808138B
公开(公告)日：2021-03-30
申请号：CN201711046399.7
申请日：2017-10-31
Applicant: 电子科技大学
Abstract: 本发明属于深度学习应用和通信信号识别领域，具体涉及一种基于Faster R‑CNN的通信信号识别方法。本发明将Faster R‑CNN算法用于通信信号识别，将采集到的盲通信信号频谱数据绘制成图片；然后设计一个整体的多层神经网络，运用Faster R‑CNN算法对图片中有用的信号频段进行检测和定位，先利用卷积神经网络生成特征图，利用区域生成网络在原始图片上生成区域建议框；再对建议框区域进行感兴趣区域采样，并连接两个回归网络对感兴趣区域采样的结果进行位置和分类回归，根据回归得到的位置结果及其对应的置信程度来确定图片上是否存在有用信号并给出信号的像素位置；最终将信号在图片上的像素位置还原为有用信号的频段信息，从而实现通信信号的识别。
-
Patent Agency Ranking
公开(公告)号：CN112308008A
公开(公告)日：2021-02-02
申请号：CN202011258729.0
申请日：2020-11-12
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于迁移学习的工作模式开集的雷达辐射源个体识别方法，包括如下步骤：S1、采集不同雷达在不同模式下发射的中频AD信号数据；S2、对样本进行归一化并划分成原始训练样本集、原始验证样本集；S3、生成测试样本集；S4、分别得到训练样本集和验证样本集；S5、构建基于迁移学习的工作模式开集的雷达辐射源个体识别模型；S6、训练深度神经网络模型；S7、用测试样本集获得雷达辐射源个体模型识别结果并统计识别准确率。利用迁移学习的方法强调将雷达的不同工作模式混淆在一起，从而使得辐射源个体的识别不会受到工作模式的影响，在雷达辐射源识别中能够达到较高的识别准确率。
-
公开(公告)号：CN111901000A
公开(公告)日：2020-11-06
申请号：CN202010769360.3
申请日：2020-08-03
Applicant: 电子科技大学
IPC: H03M13/37
Abstract: 本发明公开了一种基于Inception结构的信道译码方法，包括以下步骤：生成不同信噪比的编码数据样本，并将生成的编码数据样本划分为训练集和测试集；构造一维Inception结构；构建基于Inception结构的信道译码网络；设置基于Inception结构的信道译码网络的训练超参数；训练基于Inception结构的信道译码网络；将测试集输入到训练完成的译码网络中，得到测试集的信道译码结果。本发明通过更改Inception结构设计了一种新的一维卷积神经网络，并将该网络应用到一维数据的信道译码中，通过接收已经编码的数据可以进行译码，对基于深度学习的通信信号译码工作有重要的工程价值。
-
公开(公告)号：CN108718288B
公开(公告)日：2020-09-25
申请号：CN201810275921.7
申请日：2018-03-30
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于卷积神经网络的数字信号调制模式识别方法，包括以下步骤：S1、将接收机接收到的盲通信时域信号转换为int16格式的数据，并保存为二进制数据文件；S2、变采样为中频信号；S3、进行中频滤波；S4、做幅值归一化处理；S5、设计卷积神经网络用于提取信号特征；S6、对步骤S4得到的信号进行特征提取并进行分类回归，得到对应的数字信号调制模式。本发明通过卷积神经网络的方法对不同的数字调制信号进行特征提取，可以有效的从复杂的数字调制信号中得到每一类对应的有效特征，然后用全连接层将提取到的特征整合到标记样本空间，最后采用分类网络对数字信号调制模式识别，对调制模式进行分类，有效提高了数字信号调制模式的效率。
-
公开(公告)号：CN111222640A
公开(公告)日：2020-06-02
申请号：CN202010028618.4
申请日：2020-01-11
Applicant: 电子科技大学
Abstract: 本发明公开了一种信号识别卷积神经网络卷积核分区剪枝方法，包括以下步骤：构建一维卷积神经网络，然后进行训练达到收敛状态；提取模型卷积核的权重数组；对权重数组求绝对值，并按列进行求和得到卷积核的具体权重值；将权重区间分成4个等分区间，设定剪枝系数和阈值，若该卷积核的权值小于该卷积核所在区间的阈值，则将该卷积核从网络中删除，遍历所有卷积核，得到每个区间大于阈值的卷积核，得到新网络模型；对新网络模型进行重新训练达到收敛状态。本发明采用基于区间的剪枝方法，能够更大化的去冗余，使得权重的剪枝更加合理，能够更大化的对模型进行压缩，减小模型的大小，提高模型的前向推理时间的速度。
-
公开(公告)号：CN111222474A
公开(公告)日：2020-06-02
申请号：CN202010023020.6
申请日：2020-01-09
Applicant: 电子科技大学
Abstract: 一种任意尺度的高分辨率图像小目标检测方法，包括以下步骤：获取标注清洗的目标数据集，划分训练集和测试集；对数据集通过优化聚类算法计算预设锚框；设计卷积神经网络，通过特征提取得到特征图，在预测网络上添加补丁使上采样得到的特征图和特征提取层对应特征图维度保持一致，在不同尺度特征图上做多尺度检测；利用卷积神经网络对数据集进行训练，待性能评价指标收敛后得到具有小目标检测能力的神经网络模型；对测试数据集进行检测，得到目标类别和位置坐标。本发明适用任意尺寸的图像输入网络，避免缩小到固定尺寸输入网络后特征图上小目标特征的丢失，或裁剪图像导致边缘目标上下文信息丢失，有助于高分辨率图像小目标的检测，适用性广。
-
-
-
-
-
-
-
-
-
Search Results
97
records
(took 0.03 seconds)
