-
公开(公告)号：CN117278106A
公开(公告)日：2023-12-22
申请号：CN202311293311.7
申请日：2023-10-08
Applicant: 电子科技大学长三角研究院(衢州)
IPC: H04B7/185 , G06N3/092 , G06N3/042 , G06N3/045 , G06N3/047 , G06N3/048 , G06N5/01 , G16Y20/00 , G16Y30/00 , G16Y40/10 , G16Y40/35 , G16Y40/60 , H04L67/12
Abstract: 本发明涉及一种基于深度强化学习的无人机数据按需收集方法，包括Sink模式和Carrier模式；在Sink模式下，具有卫星链接的无人机充当移动接收器，通过深度强化学习规划最优无人机的飞行路径，飞向各种传感器收集数据并上传到卫星网络；在Carrier模式下，无人机作为设备载体携带独立的卫星链路设备，通过深度强化学习规划最优无人机的飞行路径将卫星链路设备投放到传感器上，对传感器上的设备进行采集，并在数据采集完成后回收卫星链路设备。本发明为端设备计算迁移的端到端延迟提供了统计性保证，同时使用尽可能少的资源；提出一种Carrier模式，用于无人机高效共享卫星链路，在长时间感知方面表现出优异的性能。
-
公开(公告)号：CN117238372A
公开(公告)日：2023-12-15
申请号：CN202311013281.X
申请日：2023-08-11
Applicant: 电子科技大学长三角研究院(衢州)
Abstract: 本发明属于单细胞RNA测序技术领域，具体涉及一种基于鲁棒非负矩阵分解的单细胞RNA测序数据插补方法。该基于鲁棒非负矩阵分解的单细胞RNA测序数据插补方法，利用基于鲁棒非负矩阵分解的scRNA‑seq数据插补方法的目标函数分别获取细胞特征矩阵W和基因特征矩阵H的最优参数，再利用scRNMF模型预测插补后的细胞基因表达数据 所述目标函数包括C‑loss损失函数和最小平方损失函数两项损失函数。基于鲁棒和非负矩阵分解的scRNA‑seq数据插补方法以下简称为scRNMF。本发明提供的方法通过训练求解目标函数，利用求解结果确定scRNMF模型，使用确定的scRNMF模型进行结果预测。
-
公开(公告)号：CN113407345B
公开(公告)日：2023-12-15
申请号：CN202110712564.8
申请日：2021-06-25
Applicant: 电子科技大学长三角研究院(衢州)
IPC: G06F9/50 , G06F18/20 , G06F18/2413 , G06F18/2415 , G06N3/045 , G06N3/092
Abstract: 本发明公开一种基于深度强化学习的目标驱动计算卸载方法，应用于5G/6G、物联网等无线通信领域，针对现有技术未区分任务类型，导致的计算卸载运行效率低下的问题；本发明采用MoE混合专家系统的任务信息增强模块显著提高了任务信息的特征表达能力，本发明的任务信息增强模块能显著提高任务时延敏感特征在计算卸载决策中的影响占比，从而加大不同类型计算任务的区分度；本发明的深度强化学习的奖励机制能够根据具体的无线网络场景加以定制，也可以根据网络特征自适应的进行调整，本发明采用分布式的计算卸载机制不仅保障了计算卸载策(56)对比文件李波;黄鑫;薛端;侯严严;裴以建.基于DTN的车载云计算卸载算法.云南大学学报(自然科学版).2018,(第02期),全文.
-
公开(公告)号：CN117148310A
公开(公告)日：2023-12-01
申请号：CN202310983141.9
申请日：2023-08-03
Applicant: 电子科技大学长三角研究院(衢州)
IPC: G01S7/42
Abstract: 本申请公开了一比特DAC高精度DOA估计的MIMO雷达波形设计，涉及雷达技术领域，本申请包括，在远场条件下，对MIMO雷达的配备两个一比特DAC的发射天线的波形，建立波形设计问题，对波形设计问题进行变量分离、问题转换，提出一比特交替优化框架去求解转换后的波形设计问题，在优化框架中提出一种低复杂度的ADMM方法，依据KKT条件，在每次迭代中获得波形矩阵的闭式解。本申请提供的波形设计形成的空间谱在目标位置处具有更尖锐的谱峰，从而能够获得更高的分辨率，本申请提供的波形设计方法具有更高的DOA估计精度，并且RMSE曲线更接近理论下界。
-
公开(公告)号：CN117055007A
公开(公告)日：2023-11-14
申请号：CN202310973253.6
申请日：2023-08-03
Applicant: 电子科技大学长三角研究院(衢州)
IPC: G01S7/42
Abstract: 本申请公开了软量化模型驱动深度学习的MIMO雷达多相波形设计，涉及雷达技术领域，本申请包括，建立发射波形的最小化空域积分旁瓣电平比的优化模型；在深度学习框架中构造优化模型的损失函数，利用Adam优化器去优化损失函数，得到波形矩阵，其中，采用具有自适应量化阈值的软量化方法获得多相波形。本申请可以获取更低的ISLR值，在发射方向图上也能够获得较深的零陷深度和较低的峰值旁瓣电平，更利于提高MIMO雷达对目标的探测性能。
-
Patent Agency Ranking
公开(公告)号：CN117010476A
公开(公告)日：2023-11-07
申请号：CN202311015815.2
申请日：2023-08-11
Applicant: 电子科技大学长三角研究院(衢州)
IPC: G06N3/092 , G06N3/0464 , G06N5/01 , A63F13/55 , G06F18/214
Abstract: 本发明公开一种基于深度强化学习的多智能体自主决策方法，应用于多智能体深度强化学习技术领域，针对现有技术在决策过程中未能充分地使用经验数据的问题；本发明通过收集智能体与环境交互生成的经验，以及奖励重塑模块优化环境即时奖励，缓存于本地经验回放池中；然后合并本地经验回放池中的历史经验数据到全局经验回放池PT‑Buffer中，并使用二级优先经验队列进行维护；通过概率求和树从PT‑Buffer采集训练样本数据，来求解目标策略网络和全局Critic网络模型；最后采用更新后的自主决策模型，根据输入的环境局部观测信息直接实现多智能体的自主决策，从而完成相关的多智能体任务。
-
公开(公告)号：CN116993587A
公开(公告)日：2023-11-03
申请号：CN202310946699.X
申请日：2023-07-31
Applicant: 电子科技大学长三角研究院(衢州)
Abstract: 本发明公开了一种针对稀疏场景的分裂重建超分辨成像方法，首先通过建立回波模型，表征目标散射与雷达回波数据间的数学关系，然后在距离向对回波进行有效数据检测，并对检测后数据进行分裂，再构建分裂重建模型，最后根据加权最小二乘准则，采用迭代方式进行求解，得到超分辨结果。本发明的方法通过有效数据检测去除噪声和杂波干扰，然后对有效回波进行分裂，并定义分裂重建模型，将高维重建问题分解为多个低维子问题，降低计算复杂度，进而实现快速超分辨成像，相比现有超分辨方法，在不损失分辨效果的同时，大幅降低了计算复杂度，实现了稀疏场景的快速超分辨成像。
-
公开(公告)号：CN116969473A
公开(公告)日：2023-10-31
申请号：CN202310970552.4
申请日：2023-08-03
Applicant: 电子科技大学长三角研究院(衢州)
IPC: C01B33/158 , C01B33/155
Abstract: 本发明公开了一种高强度疏水二氧化硅整块气凝胶的制备方法，包括以下步骤：S1、在烧杯中加入硅前驱体溶液、溶剂及酸催化剂，加热搅拌使其充分水解得溶胶A；S2、在步骤S1获得的溶胶A中加入碱催化剂，加热搅拌得溶胶B；S3、将步骤S2获得的溶胶B倒入反应釜内，再将反应釜置于烘箱内加热、老化得到始凝胶C；S4、将步骤S3得到的始凝胶C用无水乙醇浸泡2～4次进一步老化，每次8～12h，得到终凝胶D；S5、对步骤S4获得的终凝胶D进行干燥，得到高强度疏水二氧化硅整块气凝胶。
-
公开(公告)号：CN116887307A
公开(公告)日：2023-10-13
申请号：CN202310933943.9
申请日：2023-07-27
Applicant: 电子科技大学长三角研究院(衢州)
Abstract: 本申请公开了基于流形优化的共轭梯度波束成形生成方法，涉及波束形成技术领域，本申请包括，构建保证期望能量的情况下，最小化干扰信号能量的问题模型；通过变换目标函数，将最小化干扰信号能量的问题模型转换为复杂圆流形上的问题模型，通过梯度下降方法求解复杂圆流形上的问题模型，调用波形初始值，求解干扰方向下的最优期望信号能量的输出波形。本申请提供的一种无需松弛的直接方法来解决非凸和NP难的问题，与现有方法相比，在干扰方向上能形成更低的零陷,进而获得更高的信干噪比。且运行时间较短。
-
公开(公告)号：CN113657541B
公开(公告)日：2023-10-10
申请号：CN202110987414.8
申请日：2021-08-26
Applicant: 电子科技大学长三角研究院(衢州)
IPC: G06V10/40 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明属于目标识别技术领域，具体的说是涉及一种基于深度知识集成的领域自适应目标识别方法。本发明实现了特征级和决策级的深度知识集成。在特征级设计公有映射矩阵和特有映射矩阵实现知识集成，提升目标识别性能的鲁棒性；其中，公有映射矩阵充分挖掘了异构特征的公有知识，特有映射矩阵保留了不同特征的特有知识。在决策级设计特征权重量化不同特征的重要程度，同时利用目标域样本通过在线学习更新特征权重，克服不同领域的数据分布差异，实现领域自适应目标识别。因此本发明提出的基于深度知识集成的领域自适应目标识别方法是一种智能的领域自适应目标识别方法。
-
-
-
-
-
-
-
-
-
Search Results
642
records
(took 0.047 seconds)
