-
公开(公告)号：CN119148747A
公开(公告)日：2024-12-17
申请号：CN202411643131.1
申请日：2024-11-18
Applicant: 南京信息工程大学
IPC: G05D1/46 , G05D109/20
Abstract: 本发明公开了一种无人机飞行路径规划方法，包括以下步骤：（1）使用栅格法对飞行区域进行建模，对基本参数初始化；（2）基于改进的双层蚁群算法进行无人机飞行路径规划；（3）输出最优规划路径；本发明提高了无人机飞行路径规划的效率、减少了规划时间、规划出的路径更平滑，结果更优。
-
公开(公告)号：CN117710800A
公开(公告)日：2024-03-15
申请号：CN202311697488.3
申请日：2023-12-11
Applicant: 南京信息工程大学
IPC: G06V20/00 , G06V10/80 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/09
Abstract: 本发明公开了一种城市场景零样本识别方法及系统，从获取到的数据集中，选定部分类别为训练集，其余部分则为测试集；其中训练集样本带有类别信息，而测试集样本不包括类别信息；构建用于零样本识别的多尺度局部景观与全局特征融合模型，其中包括局部景观的建议框提取、局部景观与全局特征融合；在此基础之上，构建基于语义相关矩阵的新的权重映射损失函数对构建的多尺度局部景观与全局特征融合模型进行更新不断的优化，得到训练完成的多尺度局部景观与全局特征融合模型，基于该模型分别在UCM、AID、NWPU三个数据集上进行测试，得出识别结果，从而识别未带标注信息的类别表示，能够提高零样本识别的精度，提升模型的泛化能力。
-
公开(公告)号：CN117219089A
公开(公告)日：2023-12-12
申请号：CN202311214996.1
申请日：2023-09-20
Applicant: 南京信息工程大学
Abstract: 本发明公开了一种基于自适应频率系数的鸟鸣声特征提取和识别方法，包括采集鸟鸣声信号，并进行预处理，获得功率谱；引入自适应参数，设计两组形状能够根据自适应参数改变的频域信号过滤器，利用过滤器分别对功率谱过滤频率，提取处理后信号的自适应频率系数，以获取鸟鸣声特征向量；构造改进的非线性支持向量机分类模型f(x)，并利用黑寡妇蜘蛛算法优化寻找到支持向量机分类模型f(x)中的最优核函数，将鸟鸣声特征向量输入改进的支持向量机分类模型f(x)进行学习；利用已学习好的改进的支持向量分类模型f(x)对待识别鸟鸣声的特征向量进行鸟鸣声识别。本发明解决了现有技术中鸟鸣声识别方法存在的识别精度低的问题。
-
公开(公告)号：CN116668151A
公开(公告)日：2023-08-29
申请号：CN202310724832.7
申请日：2023-06-19
Applicant: 南京信息工程大学
IPC: H04L9/40 , G06F18/24 , G06F18/214 , G06N3/006
Abstract: 本发明涉及网络安全技术领域，公开了一种基于改进CSA优化SVM的网络入侵检测方法及装置，使用改进的自适应合成采样算法对小样本过采样处理使数据平衡；在CSA中引入拉丁超立方体、动态感知概率、莱维飞行和熵权法中的权重值得到ICSA；利用ICSA优化SVM参数，得到ICSA_SVM模型，即得到合理的核参数和惩罚因子来完成分类识别。本发明的有益效果为具有更好的收敛性和寻优性能，提高了入侵检测数据集的分类准确率并降低误报率。
-
公开(公告)号：CN114429674A
公开(公告)日：2022-05-03
申请号：CN202210039901.6
申请日：2022-01-14
Applicant: 南京信息工程大学
IPC: G06V40/20 , G06V10/774 , G06V10/771 , G06V10/84 , G06N3/00 , G06K9/62
Abstract: 本发明公开了一种基于机器学习的摔倒识别方法及装置，其方法包括：实时获取待识别特征集，将待识别特征集中样本输入预构建的摔倒识别模型中进行识别并获取识别结果；其中，所述摔倒识别模型的构建过程为：采集人体的动作数据，并对动作数据进行摔倒动作和人体正常活动动作的标注生成标注集；对标注集中动作数据进行预处理生成数据集；基于预设的有效特征对数据集进行特征提取生成样本集，并将样本集按照预设的比例随机划分为训练集和测试集；将训练集和测试集输入预构建的相关向量机模型中并基于乌鸦算法进行训练优化模型参数；将训练优化好的相关向量机模型作为摔倒识别模型。本发明能够准确高效的对摔倒进行识别。
-
Patent Agency Ranking
公开(公告)号：CN109035163B
公开(公告)日：2022-02-15
申请号：CN201810750492.4
申请日：2018-07-09
Applicant: 南京信息工程大学
IPC: G06T5/00
Abstract: 本发明涉及一种基于深度学习的自适应图像去噪方法，包括如下步骤：步骤1）建立图像集；步骤2)构建自适应深度卷积神经网络；步骤3)训练自适应深度卷积神经网络：设置深度卷积神经网络网络的学习率和动量参数，通过深度学习框架训练所述自适应深度卷积神经网络直至训练达到迭代最大次数，生成训练后的自适应深度卷积神经网络模型；步骤4)图像去噪：将待去噪的图像输入至训练好的自适应深度卷积神经网络模型，得到对应的残差图像，再将待去噪的图像减去残差图像得到去噪后的图像。有益效果：该方法进一步提高和稳定卷积神经网络的训练性能，并且保证去噪性能，节省时间，无需手动调参，能实现未知噪声级图像的盲去噪。
-
公开(公告)号：CN109856252B
公开(公告)日：2021-03-16
申请号：CN201910105027.X
申请日：2019-02-01
Applicant: 南京信息工程大学
IPC: G01N29/44
Abstract: 本发明公开了一种基于频散补偿与盲分离的多模式兰姆波分离方法，沿兰姆波的传播路径上选取N个位置点，分别测量得到对应点的N个模式混叠信号并设其中一位置点为初始点。对其它点的混叠信号用随机选择一个模式频散特性根据与初始点的距离进行补偿，使得不同距离的兰姆波信号补偿回到初始点，利用盲分离联合近似对角化法以及该模式的时频分布特性，将兰姆波信号中包含的该模式信号分离出来。分别根据N个模式的频散特性重复上述频散补偿及盲分离操作即可将初始点混叠信号中包含的N个模式一一分离出来，实现多模式兰姆波信号的模式分离。本发明方法能够准确地分离出多模式兰姆波信号中的各个模式，提高分离的精度。
-
公开(公告)号：CN110346600A
公开(公告)日：2019-10-18
申请号：CN201910772635.6
申请日：2019-08-21
Applicant: 南京信息工程大学
Abstract: 本发明公开了一种超声波风速风向测量方法，该方法首先建立十字交叉的超声波风速测量装置，然后采集换能器发射信号和相对应换能器接收信号的时间数据，基于风速和角度补偿计算正交路径超声波测风仪的风速和风向，缩小风速和风向测量值和实际值的误差。本发明解决超声波测风仪换能器阴影效应带来误差使风速风向测量精度降低的问题，极大的提高测量数据的精确性。
-
公开(公告)号：CN105847838B
公开(公告)日：2018-09-14
申请号：CN201610319947.8
申请日：2016-05-13
Applicant: 南京信息工程大学
IPC: H04N19/593 , H04N19/61 , H04N19/11 , H04N19/176
Abstract: 本发明公开了一种HEVC帧内预测方法，包括以下步骤，步骤1，在编码单元层，计算出水平、垂直、45°、135°的全局边缘复杂度；步骤2，在编码单元层，判断各方向的全局边缘复杂度与阈值TH的关系，确定编码单元是否需要划分；步骤3，在预测单元层，判断编码单元在水平方向、垂直方向的全局边缘复杂度关系，确定选取的候选模式数。本发明从编码单元和预测单元两方面对帧内预测进行优化，有效地减少帧内预测的计算复杂度，节省编码时间，提高编码效率。
-
公开(公告)号：CN105262506B
公开(公告)日：2017-12-19
申请号：CN201510570687.7
申请日：2015-09-09
Applicant: 南京信息工程大学
IPC: H04B1/7163
Abstract: 本发明提供一种时频重叠高斯调幅通信信号分离方法，包括以下步骤：步骤一，建立信号模型，将接收到的混合信号转换成由若干个高斯调幅源信号组成，将混合信号的求解过程转化成求解多维变量参数的过程；步骤二，采用遗传算法计算出多维变量参数的初始值；步骤三，采用最小值搜索法计算出多维变量参数的最优值；步骤四，根据多维变量参数的最优值计算出各个源信号。能有效地实现单通道时频重叠高斯调幅通信信号的分离，该方法是先建立高斯调幅通信信号模型，求出所需要估计参数的初始值，利用该方法搜索到各个所需估计参数的最优值，根据得到的最优值恢复出各个高斯调幅源信号。
-
-
-
-
-
-
-
-
-
Search Results
135
records
(took 0.041 seconds)
