-
公开(公告)号：CN114897704A
公开(公告)日：2022-08-12
申请号：CN202210678755.1
申请日：2022-06-15
Applicant: 东南大学
Abstract: 本发明公开了一种基于反馈机制的单图像超分辨率算法，包含以下步骤：(1)获取DIV2K数据集作为训练神经网络的训练集，并使用双三次下采样获取图像对；(2)利用反馈机制，构建单图像超分辨率生成网络模型；(3)将所述图像对输入至所述单图像超分辨率生成网络模型中，使用Charbonnier损失作为损失函数，通过Adam反向传播算法优化模型参数，得到训练好的超分网络模型。本发明采用反馈机制充分获取前后层的特征，利用后层的特征不断加强浅层特征，进一步减少了网络的参数量和占用内存；通过使用坐标注意力对前后层的特征进行注意力分配，优化前后层的特征；另外，通过使用密集连接感受野模块，提升了特征的感受野大小。
-
公开(公告)号：CN110119805B
公开(公告)日：2022-06-21
申请号：CN201910387770.9
申请日：2019-05-10
Applicant: 东南大学
Abstract: 本发明提供基于回声状态网络分类的卷积神经网络算法，主要包括:用ESN代替CNN模型中的全连接层，并推导出了新的残差迭代公式，在此基础上该模型继续沿用CNN的反向传播算法训练CNN的隐藏层参数，以及使用线性回归法则训练ESN的输出权重。通过在MNIST手写数字识别数据集、Fashion MNIST物体识别数据集和ORL人脸识别数据集上的仿真实验证明了本发明的可行性，同时实验结果反映出该模型既保留了CNN多层次特征提取的能力，又通过引入ESN模块减少了算法的训练时间以及提升了其在小样本数据集上的性能。
-
公开(公告)号：CN110139304B
公开(公告)日：2022-06-10
申请号：CN201910391162.5
申请日：2019-05-11
Applicant: 东南大学
Abstract: 本发明提出基于孤立度和非MPR节点的MPR集合选择方法，属于无线Mesh网络协议领域。针对标准OLSR协议中MPR选择算法，无法求得全局最优MPR集合问题，同时在大量节点接入的环境下将产生大量的TC分组，从而导致网络拥塞以及负载不均衡，本发明在OLSR协议基础上，将邻居节点的存储数据扩展到三跳邻居节点，提出了基于孤立度和基于非MPR节点的选择算法，比较节点的独立度值或非MPR节点值来确定最优MPR节点，避免随机选择MPR节点的情况，并对底层协议代码进行了改进与优化修通过，从未减少整个网络中TC消息的产生，从而提高了网络总的吞吐量、分组投递率。
-
公开(公告)号：CN110515032B
公开(公告)日：2022-02-22
申请号：CN201910815754.5
申请日：2019-08-30
Applicant: 东南大学
IPC: G01S3/04
Abstract: 本发明提出了一种考察波束生成算法性能的新标准，并且基于此标准，提出了一种信号调制方法，用以提升宽线性最小方差无失真响应(MVDR)波束生成算法的性能。本发明的贡献和方法实施步骤包括：（1）传统的考察波束生成算法性能的指标是信干噪比（SINR），本发明提出了新的性能分析指标——I通道与Q通道的SINR，即和；（2）当利用宽线性MVDR波束生成器去接收混有非圆干扰信号的期望信号时，干扰信号的非圆度模值大小会影响此MVDR波束生成器的SINR性能，而非圆度相位会影响和性能；（3）本发明在不改变SINR性能的基础上，给出改进和性能达到预期要求的方法。
-
公开(公告)号：CN113077382A
公开(公告)日：2021-07-06
申请号：CN202110457719.8
申请日：2021-04-27
Applicant: 东南大学
Abstract: 本发明公开了一种基于BEMD和深度学习的美颜图像还原方法，旨在从美颜图像中恢复出原始未美颜图像的亮度以及人脸上的皱纹、雀斑等信息，从而解决当今社会美颜图像的“照骗”所造成的社会信任危机。其主要操作过程是：首先，从IMDB‑WIKI人脸数据集中挑选照片，组成本发明的人像数据集。其次，构建一个成分递归神经网络模型，包含一个普通网络和若干个子网络，其输入是美颜图像，子网络的训练监督标签是原始未美颜图像经过BEMD得到的各个不同频率的分量。最后，对各个子网络的预测图像进行相加，得到还原图像。本发明方法通过构造成分递归网络，在恢复出图像整体轮廓信息的同时，也能够较好的恢复其中的细节信息。
-
Patent Agency Ranking
公开(公告)号：CN111832623A
公开(公告)日：2020-10-27
申请号：CN202010533889.5
申请日：2020-06-12
Applicant: 东南大学
Abstract: 本发明公开了一种基于相空间重构的回声状态网络时间序列预测算法，包括如下步骤：(1)确定相空间重构的延迟时间和嵌入维数两个参数，利用相空间重构将时间序列重构为多组数据，将数据从低维空间映射到高维特征空间；(2)确定回声状态网络储备池参数，初始化回声状态网络连接权重矩阵，构建回声状态网络模型；(3)利用回声状态网络模型可多输入的特性，使用模型训练重构后的多组数据，进行直接多步预测和迭代多步预测；(4)使用加权平均融合直接和迭代多步预测结果，得到融合多步预测值。本发明在时间序列的多步预测中有较好的预测精度，可以准确预测时间序列变化趋势。
-
公开(公告)号：CN110515032A
公开(公告)日：2019-11-29
申请号：CN201910815754.5
申请日：2019-08-30
Applicant: 东南大学
IPC: G01S3/04
Abstract: 本发明提出了一种考察波束生成算法性能的新标准，并且基于此标准，提出了一种信号调制方法，用以提升宽线性最小方差无失真响应(MVDR)波束生成算法的性能。本发明的贡献和方法实施步骤包括：（1）传统的考察波束生成算法性能的指标是信干噪比（SINR），本发明提出了新的性能分析指标——I通道与Q通道的SINR，即 和 ；（2）当利用宽线性MVDR波束生成器去接收混有非圆干扰信号的期望信号时，干扰信号的非圆度模值大小会影响此MVDR波束生成器的SINR性能，而非圆度相位会影响 和 性能；（3）本发明在不改变SINR性能的基础上，给出改进 和 性能达到预期要求的方法。
-
公开(公告)号：CN110210618A
公开(公告)日：2019-09-06
申请号：CN201910427397.5
申请日：2019-05-22
Applicant: 东南大学
IPC: G06N3/08
Abstract: 本发明提出一种动态修剪深度神经网络权重和权重共享的压缩方法，它在非结构化剪枝的基础上，在保证精度稳定的情况下进一步降低深度神经网络模型的参数冗余。本发明先对深度神经网络模型进行动态修剪操作，主要分为剪枝和剪接两个部分，剪接可以最大程度保留网络中重要的权重连接，避免修剪过程中存在的误操作，另外为了提高模型修剪后的精度，在修剪过程中加入L1正则化；然后对修剪后的网络进一步K-Means量化，使得权重共享。本发明提出的压缩方法，可以保证模型的精度没有损失的情况下，大大减少深度神经网络中的冗余参数，降低模型的存储内存。本发明在基于ImageNet数据集的AlexNet网络上进行本压缩方法实验，将原始网络压缩了52倍，并且没有造成精度的损失。
-
公开(公告)号：CN105812308B
公开(公告)日：2019-05-31
申请号：CN201610154894.9
申请日：2016-03-17
Applicant: 东南大学
Abstract: 本发明公开了一种用于射频一致性测试系统的符号定时同步方法，包括以下步骤：一、定义来自于测试系统信号rc(n)的两个向量rc1(n)和rc2(n)，二、输入本地短训练序列S，三、计算rc1和S的互相关以及rc2和S的互相关结果，四、令a(n)＝v1(n)v2(n)，其中a(n)的结果为集合A，定义160个点的滑动窗，并计算峰值累积和并找到最大的峰值累积和，五、最大的峰值累积找到后，最大的峰值累积和的第一个元素的位置就可以作为帧的起始位置，即为粗同步；六：用本地的短训练序列s(k)和接收到的信号r(n)做互相关得到M2(d)，预设一个阀值Dth，如果M2(d)＞Dth，则步骤五中的帧的起始位置即为准确的帧的起始位置，如果M2(d)≤Dth，则返回步骤四中重新进行计算。本发明极大地提高了符号同步的精确性，大大降低了同步位置偏差太大或者出现误判的可能性。
-
公开(公告)号：CN107085140B
公开(公告)日：2019-04-16
申请号：CN201710279284.6
申请日：2017-04-25
Applicant: 东南大学
IPC: G01R23/02
Abstract: 在非平衡系统中，估计非圆信号的频率、幅度和相位是非常重要的非线性问题。本专利中，我们扩展了原始的Smart DFT技术（SDFT），使此项技术不仅可以应用于实值正弦信号，也可以处理复值非圆信号。基于连续DFT基频分量间的线性预测（LP）性质，应用最小二乘框架可以减小模型的均方误差，得到改进的复值最小二乘算法（CLS）。同时，专利还提出了一种复值改进的Pisarenko谐波分解算法（CRPHD）,此方法可以移除噪声的干扰获得精确的频率估计，可以有效应用在含有噪声的非平衡三相电力系统中。
-
-
-
-
-
-
-
-
-
Search Results
213
records
(took 0.025 seconds)
