-
公开(公告)号：CN114782706B
公开(公告)日：2024-11-29
申请号：CN202210454742.6
申请日：2022-04-27
Applicant: 东南大学
IPC: G06V10/44 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明提供了一种基于多流特征融合的摩尔纹识别方法，属于图像识别领域。本发明自制数据集，以U‑Net、VGG和ResNet34作为基础特征提取网络，辅助传统的特征提取，包括HOG、LBP和DCT，通过融合多流特征，将不同特征提取网络获取的特征进行混合，以此增强网络的语义信息表达能力。为了模型有更好的泛化能力，使用随机加噪的数据增强方式。本发明不仅可以提取最具表达力的特征，还能在传统特征提取算法辅助下提高网络的准确率，对于多种摩尔纹图像实现精准检测。
-
公开(公告)号：CN118828608A
公开(公告)日：2024-10-22
申请号：CN202311010857.7
申请日：2023-08-10
Applicant: 中国移动通信集团设计院有限公司 , 中国移动通信集团有限公司 , 东南大学
IPC: H04W24/04 , H04L41/0631 , H04W88/08 , G06Q10/20 , G06Q50/50 , G06N3/088 , G06N5/04 , G06N5/01 , G06N20/20 , G06F16/35 , G06F16/335 , G06F18/243 , G06F18/214 , G06F18/2337 , G06F18/23213
Abstract: 本申请涉及无线通信技术领域，提供一种基站故障处理措施的获取方法、装置和电子设备。该方法包括：获取目标基站的当前故障原因；将当前故障原因输入至故障处理模型中，得到故障处理模型输出的故障处理措施；其中，故障处理模型是基于第一历史故障原因集和历史故障处理措施集进行训练得到的；第一历史故障原因集是LightGBM模型对历史工单数据构成的故障处理措施库进行特征识别后得到的。该方法用以解决传统的依赖人工经验的故障处理方法智能程度较低的技术问题，通过采用故障处理模型，为基站故障排查提供依据，可实现基站故障原因的准确推断，并准确得到目标基站的当前故障原因所对应的故障处理措施，以实现故障处理措施的智能推荐。
-
公开(公告)号：CN118632261A
公开(公告)日：2024-09-10
申请号：CN202410945395.6
申请日：2024-07-15
Applicant: 中国移动通信集团设计院有限公司 , 中国移动通信集团有限公司 , 东南大学
Abstract: 本发明提供一种新增基站选址方法、装置、设备、介质及产品，方法包括：分别获取多个网络规划区域的网络价值指标；对每个网络规划区域进行网络特征提取，得到多个第一区域网络特征向量；对每个网络规划区域进行地物特征提取，得到多个地物特征；基于每个网络规划区域的网络价值指标，选择出多个目标区域；基于每个目标区域的第一区域网络特征向量和地物特征进行聚类分析，得到每个目标区域的参考规划区域集合；基于每个目标区域的参考规划区域集合，确定每个目标区域的最优新增基站选址策略。本发明提供的新增基站选址方法综合考虑到地理环境、用户价值、建站收益等多方面因素，提高了新增基站选址的准确性。
-
公开(公告)号：CN118554982A
公开(公告)日：2024-08-27
申请号：CN202410602033.7
申请日：2024-05-15
Applicant: 东南大学
Abstract: 本发明公开了一种面向无蜂窝通感一体化系统的智能波束扫描方法，通过将收发基站的预定义码本作为决策集合，将最佳的波束预编码矩阵作为相应的决策变量；通过接收基站中的回波信息，将目标感知问题转化为一个假设检验问题；建立目标感知相应的检验统计量，确定判决函数表达式及相应的检测概率；通过记录码字选择与检测成功间的对应关系，将波束扫描建模为一个马尔可夫决策过程；利用Q学习算法寻找使得累计奖励最大的最优策略；使用深度Q网络算法(DQN)进行求解，得到适应当前环境的波束扫描策略。本方法使得雷达能够通过从环境中提取的经验来塑造自身的行为策略，并做出一系列智能决策。
-
公开(公告)号：CN118381573A
公开(公告)日：2024-07-23
申请号：CN202410469443.9
申请日：2024-04-18
Applicant: 东南大学
IPC: H04B17/309 , H04B17/391 , H04B7/06 , G06N3/0464
Abstract: 本发明公开了融合Transformer和混合卷积的大规模MIMO信道信息反馈方法，包括：(1)构造融合Transformer和混合卷积的多层编码器和解码器结构，结合Transformer模型和卷积网络的结构优势，获取信道信息不同尺度上的整体和局部特征信息，进行信道信息的压缩和恢复。(2)构造通道量化变分自编码器作为量化模型，将压缩后的信道信息转换为潜在表示，与码本中的嵌入向量相匹配，构造信道信息传输比特流。相比于先前的信道信息反馈模型，本发明提高了信道信息的反馈质量和效率，其中Transformer和混合卷积的融合减轻了信道信息压缩造成的信息损失，通道量化变分自编码器量化模型进一步降低了信道信息反馈开销，维护信道信息反馈精度。
-
Patent Agency Ranking
公开(公告)号：CN114677403B
公开(公告)日：2024-07-09
申请号：CN202111359719.0
申请日：2021-11-17
Applicant: 东南大学
IPC: G06T7/194 , G06N3/0464 , G06N3/08 , G06N3/084
Abstract: 本发明公开了一种基于深度学习注意力机制的肝脏肿瘤图像分割方法，属于图像处理领域。本发明将轴向注意力和多尺度注意力融合进深度学习肝脏肿瘤分割网络。轴向注意力能够在占用少量计算资源的情况下，有效地提取肝脏肿瘤CT图像的全局信息特征，而多尺度注意力可以有效地针对多尺度目标进行自适应的特征提取。网络整体采用U型的网络结构，主干为卷积提取路径，辅路为注意力机制，能够有效地提高肝脏肿瘤分割的性能。
-
公开(公告)号：CN114710187B
公开(公告)日：2024-06-04
申请号：CN202210491259.5
申请日：2022-05-07
Applicant: 东南大学
IPC: H04B7/0413 , H04B7/0426 , H04B7/0456 , H04B17/391
Abstract: 本发明公开了一种用户数动态变换场景下多小区大规模MIMO智能通信的功率分配方法，包括：构建用户数目动态变化场景下的大规模MIMO网络通信环境模型，在仿真环境中产生不同数量不同位置的用户数据，计算用户的信道状态信息，得到每个用户的自身特征与其周边环境特征合并为其特征向量，作为输入提供给Transformer网络；使用传统几何规划方法得到最优功率分配作为Transformer网络的输出标签，经过训练优化神经网络的参数，使其收敛到一个稳定状态。计算基于不同功率分配算法的用户频谱效率用于评估其性能。本发明可以在较少的计算资源和成本下逼近复杂的传统算法，同时不需要针对不同的用户数目训练不同的网络。
-
公开(公告)号：CN117934425A
公开(公告)日：2024-04-26
申请号：CN202410112546.X
申请日：2024-01-26
Applicant: 东南大学
IPC: G06T7/00 , G06V10/54 , G06V10/764 , G06V10/82 , G06V10/30 , G06V10/52 , G06V10/77 , G06N3/0455 , G06N3/0464 , G06N3/0895 , G06N3/096 , G06N3/084
Abstract: 本发明公开了一种基于自监督学习与知识蒸馏的图像异常检测方法，包括生成伪异常、教师编码器、学生解码器网络、异常区域分割等步骤。与现有方法不同的是，本发明针对现有方法将去噪或重构网络与异常得分生成的步骤分开的问题，提出了一个端到端的网络，利用了多个尺度的特征图，兼顾异常检测与定位。这一创新不仅提高了训练效率，还避免了复杂的后处理设计。同时，本发明通过模拟异常图像，以自监督学习的方式训练模型，让模型能更好地适应异常检测任务。值得注意的是，该发明在公开数据集上取得了显著的优异得分，证明了其在真实场景中的实用性和有效性。本发明是一种端到端的图像异常检测方法，以分割网络作为异常得分预测模块，无需其他后处理，具有检测效果好、存储空间占用少、推理速度快、鲁棒性好的优点，能够满足实际应用的需要。
-
公开(公告)号：CN115018864B
公开(公告)日：2024-04-05
申请号：CN202210692381.9
申请日：2022-06-17
Applicant: 东南大学
IPC: G06T7/11 , G06T11/00 , G06N3/0455 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了一种基于自适应预处理的三阶段肝脏肿瘤图像分割方法，属于图像处理领域。本发明将CT图像的窗位窗宽预处理融合进深度学习网络作为整个网络的第一阶段，以针对不同场景机器环境下的CT成像差异，获取较好的预处理结果，提高最终的肝脏肿瘤分割精度。第二阶段为分割肝脏感兴趣区域的U型网络，第三阶段为最终的肝脏肿瘤精细分割网络。整个网络分为三个阶段，第一阶段负责预处理，第二阶段提取感兴趣区域，以排除不相关的干扰，第三阶段接收第二阶段的监督以实现精细分割。
-
公开(公告)号：CN117196033A
公开(公告)日：2023-12-08
申请号：CN202311257111.6
申请日：2023-09-27
Applicant: 东南大学
Abstract: 本发明公开了一种基于异构图神经网络的无线通信网络知识图谱表示学习方法，属于人工智能辅助无线通信技术领域。本发明将无线通信网络知识图谱转化为包含多源异构节点的异构图，构建了一个基于异构图神经网络的无线通信网络知识图谱表示学习模型，对所构建的异构图神经网络模型进行训练并采用链路预测的下游任务来验证模型的效果，采用负采样技术来解决链路预测中正负边不平衡的问题，所构建的异构图神经网络模型能够有效地学习和挖掘无线通信网络知识图谱，优化和补全无线通信网络知识图谱，理解无线通信网络中各通信指标的关联特性，这对实现无线通信网络的内生智能具有重要的研究意义。
-
-
-
-
-
-
-
-
-
Search Results
402
records
(took 0.057 seconds)
