-
公开(公告)号：CN116452900A
公开(公告)日：2023-07-18
申请号：CN202310448848.X
申请日：2023-04-24
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于轻量级神经网络的目标检测方法，包括以下步骤；步骤1：获取目标检测数据集，得到输入图像；步骤2：搭建基于轻量级神经网络的目标检测网络，所述目标检测网络结构顺序，依次为输入层、特征提取层、特征增强层和输出层；步骤3：训练目标检测网络，得到训练好的网络；步骤4：将待检测的图像样本，输入到步骤3训练好的网络中进行目标检测，输出检测结果。本发明通过大幅减少参数量和运算量的方式，提高模型的检测速度。
-
公开(公告)号：CN115840465A
公开(公告)日：2023-03-24
申请号：CN202211542932.X
申请日：2022-12-02
Applicant: 西安电子科技大学
IPC: G05D1/10
Abstract: 本发明公开了一种基于粒子群算法的无人机集群协同航迹规划方法，包括以下步骤：无人机集群获取街道场景下的一组起点，终点以及障碍物信息，建立二维栅格图；采用粒子群算法生成无人机集群中各无人机的全局初始航迹；检测各无人机初始航迹中存在的时空冲突点，采用在速度圆上取特定方向获得冲突避让点进行冲突消解；得到无时空冲突的无人机集群航迹，将航迹以网络通信udp方式传送给unity3D仿真平台进行无人机集群飞行验证；本发明能提供安全系数高，平滑性好，满足无人机集群协同性，有效完成冲突消解的航迹解决方案。
-
公开(公告)号：CN115441926A
公开(公告)日：2022-12-06
申请号：CN202210921992.6
申请日：2022-08-02
Applicant: 西安电子科技大学
Abstract: 本发明涉及一种一站多机分控系统的设计方法，包括：地面站固定周期刷新指令；地面站将指令传输给无人机组实现遥控功能；无人机组将遥测信息传输给地面站实现遥测功能；地面站软件显示集群功能，控制真实无人机组实现任务调度。在机载和地面站均只配备一套数传电台即单通信频道的情况下，基于时分半双工方式和时分多址体制，设计一站多机分控系统。其中，时分多址采用固定时隙分割，其顺序是基于信道质量因子、速度因子和接入类别因子组成的调度权重因子降序获得的。本发明的一站多机分控系统的设计方法，能够显著提高网络吞吐量性能，同时解决集群网络通信链路间的网络延迟和阻塞等问题，也为一站多机的设计方式提供了参考意义。
-
公开(公告)号：CN115373415A
公开(公告)日：2022-11-22
申请号：CN202210881739.2
申请日：2022-07-26
Applicant: 西安电子科技大学
IPC: G05D1/10
Abstract: 一种基于深度强化学习的无人机智能导航方法，其方案为：(1)在三维仿真环境中建立四旋翼无人机模型并生成障碍物和目标点的环境；(2)设计多维度特征融合的状态空间和离散动作空间；(3)设计基于欧式距离的奖励函数；(4)设计策略网络和状态价值网络；(5)设计临时经验池存储无人机与环境交互时的信息反馈；(6)基于离散PPO算法进行强化学习网络训练；(7)无人机智能导航实现。本发明能够有效加快无人机的学习和训练效率并提高无人机在不同环境下做出决策的质量。
-
公开(公告)号：CN115063669A
公开(公告)日：2022-09-16
申请号：CN202210339319.1
申请日：2022-04-01
Applicant: 西安电子科技大学 , 陕西方寸积慧智能科技有限公司
IPC: G06V20/00 , G06V10/82 , G06V10/774 , G06N3/08 , G06N3/04
Abstract: 本发明公开了一种基于卷积神经网络的目标检测方法，主要解决现有目标检测方法网络复杂、速度不快和对小目标检测效果差的问题。本发明的具体步骤如下：(1)构建积神经网络；(2)生成目标检测训练集；(3)训练卷积神经网络；(4)对待检测目标进行检测。本发明构建了一个由特征提取模块、特征增强模块、识别和定位模块组成的卷积神经网络，克服了现有目标检测方法中大目标检测效果好、小目标检测效果差并且速度慢的问题，使得本发明不仅能够实时识别大目标，也能实时识别小目标。
-
Patent Agency Ranking
公开(公告)号：CN115052294A
公开(公告)日：2022-09-13
申请号：CN202210553237.7
申请日：2022-05-19
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于无人机群的电磁干扰信号干扰源定位系统及定位方法，该系统包括：包括电磁频谱感知平台、无人机平台和地面终端显控平台；其中，电磁频谱感知平台用于电磁频谱感知、干扰源定位信息采集和锁频锁向实现；地面终端显控平台和电磁频谱感知平台及无人机平台无线连接，用于显示频谱感知信息，控制锁频锁向操作，显示无人机的定位信息、干扰源定位信息及实时监控画面；无人机平台与电磁频谱感知平台连接，用于运载电磁频谱感知平台、控制无人机飞行状态和实时监控录像。本发明具有电磁干扰信号检测虚警概率低、参数估计准、系统灵活度高和干扰源定位精准的优点，可用于固定位置干扰源的电磁干扰信号频谱感知和实时画面监控。
-
公开(公告)号：CN115047403A
公开(公告)日：2022-09-13
申请号：CN202210553238.1
申请日：2022-05-19
Applicant: 西安电子科技大学
Abstract: 本发明公开了基于空中平台的移动干扰源跟踪定位方法，主要解决现有技术采用多架无人机对移动式干扰源进行定位与跟踪，成本高且计算复杂的问题。其实现方案是：地面终端对空中平台巡航周围的电磁辐射信号进行频谱分析，若出现可疑频点，则计算干扰源的初始方位角与俯仰角；地面终端运用空间谱估计算法和三维空间坐标拟合算法建立初始预测模型；地面终端不断修正预测模型，直至其预测值hi小于高度阈值hλ，该预测值hi即为干扰源的位置。本发明降低了定位成本，并通过地面终端与无人机实时交互修正预测模型，实现了干扰源在监测区域内的精确搜索，提高了干扰源的定位精度，可用于对在复杂电磁环境中异常辐射源造成通信干扰的抑制和消除。
-
公开(公告)号：CN114782980A
公开(公告)日：2022-07-22
申请号：CN202210209049.2
申请日：2022-03-03
Applicant: 西安电子科技大学 , 西安鲲鹏易飞无人机科技有限公司
IPC: G06V40/10 , G06V40/20 , G06V10/40 , G06V10/774 , G06K9/62 , G06V10/80 , G06V10/82 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于注意力机制的轻量级行人检测方法，采集包含行人目标的图像数据，输入至已训练好的轻量级行人检测模型，对图像进行判断和预测，得到行人目标的位置信息；其中，轻量级行人检测模型采用轻量化ShuffleNet网络以及PanNet中的轻量化FPEM网络组成的网络结构作为基础框架，并在ShuffleNet的ShuffleBlock局部网络中嵌入混洗注意力机制模块。本发明具有体积小和运算速度快的优点，尤其适用于部署在类似手机端这样的算力有限的边缘硬件上，有效提高在算力有限的边缘硬件上进行行人目标检测的精度和速度。
-
公开(公告)号：CN114781392A
公开(公告)日：2022-07-22
申请号：CN202210354654.9
申请日：2022-04-06
Applicant: 西安电子科技大学 , 陕西方寸积慧智能科技有限公司
IPC: G06F40/30 , G06F40/289 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明为一种基于BERT改进模型的文本情感分析方法，首先获取文本数据集并进行数据预处理，在输入编码层对预处理后的文本数据进行分词并编码，获得文本的词向量表示，然后利用BERT改进模型对输入词向量进行语义特征提取，在BILSTM网络中对BERT改进模型输出的语义特征进行二次提取，BILSTM网络后接Attention层，突出文本的关键情感信息，由此构建了BERT‑Att‑BILSTM情感分类模型；本发明在输入编码层获得文本的词向量表示，利用BERT改进模型提取语义特征，使用BILSTM网络二次提取语义特征，并引入注意力机制，可以充分提取文本中的关键情感信息，有效的保证了情感分析结果的准确性。
-
公开(公告)号：CN114464993A
公开(公告)日：2022-05-10
申请号：CN202111651585.X
申请日：2021-12-30
Applicant: 电子科技大学长三角研究院(湖州)
Abstract: 本发明提供一种微带天线及展宽其波束宽度的方法，其中微带天线包括介质基板，在所述介质基板的下表面设有金属底板，在所述介质基板的上表面设有表面金属层，所述表面金属层包括辐射贴片和表面接地金属，所述辐射贴片位于介质基板的上表面的中心位置处，所述表面接地金属位于介质基板的上表面的外围，所述介质基板设有金属通孔，所述金属通孔贯穿介质基板的上表面和下表面，所述金属通孔位于辐射贴片周围且呈周期性阵列形式分布。本发明解决了现有技术中存在的目前存在一些技术导致天线其他一些指标恶化，比如带宽和增益会降低、剖面高度增加、背向辐射增大、加工成本变高等问题。
-
-
-
-
-
-
-
-
-
Search Results
195
records
(took 0.031 seconds)
