-
公开(公告)号：CN119740119A
公开(公告)日：2025-04-01
申请号：CN202411800320.5
申请日：2024-12-09
Applicant: 南京邮电大学
IPC: G06F18/2415 , G06F18/25 , G06F18/2431 , G06F18/213 , G06F18/2131 , G06N3/0464 , G06N3/084 , G06F18/214 , G06F18/21 , H04W12/79 , G06F123/02
Abstract: 本发明公开了一种基于时频双分支混合增强的跨调制鲁棒射频指纹识别方法。该方法通过构建时域和频域双分支特征提取模型，有效地提取射频信号的特征，以实现跨调制环境下射频设备的高鲁棒性和高准确度识别。首先，构建用于源域射频设备识别的时域和频域特征提取模型，通过多源域数据集并引入数据增强技术进行训练，学习到通用的领域不变特征。随后，将源域深度特征提取模型直接应用于目标域，无需提前知晓目标域样本。最终实现跨调制场景下的射频指纹识别，解决了因数据分布差异而无法准确识别设备类别的问题。
-
公开(公告)号：CN118171073A
公开(公告)日：2024-06-11
申请号：CN202410354385.5
申请日：2024-03-27
Applicant: 南京邮电大学
IPC: G06F18/21 , G06F18/214 , G06F18/241 , G06N3/0464 , G06N3/0895
Abstract: 本发明公开了一种基于样本选择与半监督学习的鲁棒调制信号识别方法。该方法的目标是实现对带有噪声标签的调制信号进行鲁棒训练与精准识别。具体包括：获取待测调制信号；将所述待测调制信号输入预先训练的权重为W2的网络模型，识别出调制信号的类型；其中，所述权重为W2的网络模型通过正确标签样本与错误标签样本分别视为有标签样本与无标签样本进行半监督训练，并在训练时分别施加标签平滑正则化约束与熵最小化约束得到的。本发明解决了信号噪声标签带来的识别性能和鲁棒性下降的问题，而且适用于不同调制类别的信号。因此，在鲁棒调制信号识别领域具有较高的应用价值。
-
公开(公告)号：CN115935154B
公开(公告)日：2023-11-24
申请号：CN202310232775.0
申请日：2023-03-13
Applicant: 南京邮电大学
IPC: G06F18/211 , G06F18/2136 , G06F18/2431 , G06N3/0464 , G06N3/047 , G06N3/048 , G06N3/084
Abstract: 本发明公开了一种基于稀疏表示与近端算法的射频信号特征遴选与识别方法，其以遴选出稀疏特征进行信号识别为目标，首先获取物联网WiFi设备信号，输入搭建的复数卷积神经网络，实现原始特征的提取；接着为特征层添加稀疏参数，并在损失函数中加入正则化项对稀疏参数进行约束；然后采用随机梯度下降算法与近端梯度下降算法对稀疏参数进行反向传播过程；最后得到稀疏特征，并实现信号识别任务。本发明解决了网络提取的原始特征冗余而造成的信号识别任务准确率下降与资源浪费的问题，适用于多种不同的射频信号，在射频信号识别领域具有较高的应用价值。
-
公开(公告)号：CN117093913A
公开(公告)日：2023-11-21
申请号：CN202311072107.2
申请日：2023-08-24
Applicant: 南京邮电大学
IPC: G06F18/241 , G06F18/25 , G06N3/0464 , G06N3/0442 , G06N3/045 , G06N3/084 , G06N3/09 , G06F18/22
Abstract: 本发明公开了一种辐射源识别方法、装置、设备及介质。其方法包括：获取待识别辐射源的辐射信号；通过对比组生成器对所述辐射源信号进行预处理，获得具有锚点的对比组数据；将具有锚点的对比组数据输入预先构建并训练好的基于卷积长短期记忆网络CLDNN的有监督对比表征学习模型中，获得表征辐射源的特征编码；将所述特征编码输入分类器中，通过特征距离度量的方式对辐射源特征进行分类，得到辐射源识别分类结果。本发明有效解决了有限样本下模型难以拟合、性能不稳定、梯度下降不明显等问题，能够充分挖掘和利用样本间的深层特征，使其在极少样本的情况下就能实现辐射源数据的准确识别，具有高效、稳定且精准的特点。
-
公开(公告)号：CN116010804B
公开(公告)日：2023-07-04
申请号：CN202310050128.8
申请日：2023-02-01
Applicant: 南京邮电大学
IPC: G06F18/213 , G06F18/214 , G06N3/096
Abstract: 本发明公开了一种基于深度学习与知识迁移的物联网设备小样本识别方法，以物联网设备识别为目标，首先搭建用于源域物联网设备识别的深度特征提取模型与特征识别模型，然后将源域深度特征提取模型作为目标域的初始化深度特征提取模型，并搭建用于目标域物联网设备识别的初始化特征识别模型，最后利用小样本目标域物联网设备电磁信号样本微调目标域的初始化深度特征提取模型与特征识别模型，以最大平均误差函数评估源域与目标域深层特征的分布差异，有效地实现知识由源域向目标域迁移，得到适用于目标域物联网设备识别的深度特征提取模型与特征识别模型，最终实现小样本场景下的物联网设备识别，解决了因样本量不足而无法准确识别设备类别的问题。
-
Patent Agency Ranking
公开(公告)号：CN116010804A
公开(公告)日：2023-04-25
申请号：CN202310050128.8
申请日：2023-02-01
Applicant: 南京邮电大学
IPC: G06F18/213 , G06F18/214 , G06N3/096
Abstract: 本发明公开了一种基于深度学习与知识迁移的物联网设备小样本识别方法，以物联网设备识别为目标，首先搭建用于源域物联网设备识别的深度特征提取模型与特征识别模型，然后将源域深度特征提取模型作为目标域的初始化深度特征提取模型，并搭建用于目标域物联网设备识别的初始化特征识别模型，最后利用小样本目标域物联网设备电磁信号样本微调目标域的初始化深度特征提取模型与特征识别模型，以最大平均误差函数评估源域与目标域深层特征的分布差异，有效地实现知识由源域向目标域迁移，得到适用于目标域物联网设备识别的深度特征提取模型与特征识别模型，最终实现小样本场景下的物联网设备识别，解决了因样本量不足而无法准确识别设备类别的问题。
-
公开(公告)号：CN113203439A
公开(公告)日：2021-08-03
申请号：CN202110495621.1
申请日：2021-05-07
Applicant: 南京邮电大学
Abstract: 本发明公开了一种用于水信息检测的主从动边缘传感器自组网系统，该系统包括多传感器模块、电源管理模块、边缘计算平台及中心计算机；其中，多传感器模块，用于实时对水信息进行检测、储存与传输；电源管理模块，用于对多传感器模块进行供电；边缘计算平台，用于对多传感器模块进行监测，并对水源区域进行实时监控；中心计算机，用于对多传感器模块传输的水信息进行分析与反馈。有益效果：本发明不同于常规的“边缘传感器‑中心计算机”的组网方式，提出了一种主从动边缘传感器自组网，通过设置具有独立处理数据能力的主动传感器，可以减少中心计算机的计算压力，并且可以通过过滤掉许多冗余信息及错误信息，进一步节省传输成本。
-
公开(公告)号：CN108596179A
公开(公告)日：2018-09-28
申请号：CN201810261912.2
申请日：2018-03-28
Applicant: 南京邮电大学
Abstract: 本发明公开了一种增值税发票金额检验方法，包括：将纸质增值税发票转换为电子文档，并调取电子文档中与金额相关的大小写数据信息；将数据信息中的大写数据转换为小写数据；将每条明细的金额数据与对应识别结果相比对，将大写数据与转换后的小写数据相比对；根据比对结果判断发票金额是否报销无误。本发明能够有效地查出OCR识别金额时产生的错误，保证了发票识别的准确率，提高增值税报销的效率，避免企业员工因报销系统的错误得到不正确的报销金额，对未来实现低成本、高效率的企业运转起到一定的推动作用。
-
公开(公告)号：CN108549890A
公开(公告)日：2018-09-18
申请号：CN201810238134.5
申请日：2018-03-22
Applicant: 南京邮电大学 , 江苏皓盘软件科技有限公司
Abstract: 本发明公开了一种基于图像识别的发票倾斜检测及几何校正方法，其以检测发票图像的倾斜角度为目标。首先利用图像采集设备采集发票图像，接着对采集的发票图像进行灰度处理，得到灰度图像。再将灰度图像转化为二值图像，然后利用Sobel算子对发票的二值图像进行边缘检测，得到发票的边缘图像。最后对发票的边缘图像采用Hough变换，检测出发票中最长的直线，计算出发票倾斜角，旋转发票图像得到校正好的发票图像。本发明引入图像处理领域的Sobel算子以及Hough变换，能准确检测出发票图像的倾斜角度，根据该倾斜角度对发票进行几何校正；解决了发票识别中因发票存在倾斜而无法正常识别的问题，能适用于多种不同类别的发票，在智能财务报销中拥有较高的应用价值。
-
公开(公告)号：CN118585746A
公开(公告)日：2024-09-03
申请号：CN202410636188.2
申请日：2024-05-22
Applicant: 南京邮电大学
IPC: G06F18/10 , G06F18/25 , G06F18/2415 , G06F18/241 , G06N3/0464 , G06N3/08 , G06F17/16 , G06V40/20
Abstract: 本发明涉及姿态识别技术领域，具体涉及一种基于多层次多尺度表示学习的鲁棒姿态识别方法，通过获取部署在环境中的WiFi设备采集的原始CSI数据，对CSI数据进行预处理，得到预处理后的CSI数据集；获取所述CSI数据集，进行分解，得到高频和低频子序列；搭建多尺度残差网络，将所述高频和低频子序列，输入到多尺度残差网络中，通过多个卷积层来提取空间和频率特征，通过特征融合模块进行融合与分类；输出预测活动结果。结合了多级别波形分解和多尺度卷积特征提取的优势，通过深度学习技术实现了对不同个体活动的有效识别，大大提高了模型的适用性和准确性。
-
-
-
-
-
-
-
-
-
Search Results
28
records
(took 0.03 seconds)
