-
公开(公告)号：CN119010964A
公开(公告)日：2024-11-22
申请号：CN202410974037.8
申请日：2024-07-19
Applicant: 浙江工业大学
IPC: H04B7/0456 , H04B7/06 , H04B17/391 , G06N3/08
Abstract: 一种基于傅里叶频谱的多特征波束赋型无线通信模型训练方法，属于无线通信领域，首先搭建基于MATLAB仿真平台的毫米波通信系统，定义系统中各个结构的参数；其次，由已有数据经过信道估计生成数据集；随后通过傅里叶变换得到多特征数据作为神经网络的输入；再次，通过各层神经网络以及本发明设计的损失函数进行约束，即可得到改变天线状态的预编码矩阵VRF，最后将测试集输入到模型，通过频谱效率来判断波束赋型效果。本发明设计此模型，将输入数据先进行离散傅里叶变换在进入神经网络，随后设计损失函数有效地提高了波束赋型效果，减少功率损耗。
-
公开(公告)号：CN116186618A
公开(公告)日：2023-05-30
申请号：CN202211628445.5
申请日：2022-12-17
Applicant: 浙江工业大学
IPC: G06F18/2415 , G06N3/0455 , G06N3/047 , G06N3/08
Abstract: 一种基于数据负增强与伪类原型点的电磁信号开集识别方法，包括：S1：将原始数据集按比例分为训练集和测试集；S2：确定训练所使用的K个已知类的类原型点以及一个伪类原型点的值，确定训练模型时的其他参数值；S3：将每一个样本输入神经网络编码器后得到特征向量，并计算特征向量与各原型点的距离得到距离向量；S4：得到特征向量和距离向量，再使用相似性筛选选择有效的负增强样本，S5：将之前获取的特征向量与距离向量输入损失函数计算损失，更新模型；S6：训练结束后，计算用于测试时的类原型点以及判别用阈值。本发明提高了模型的开放世界适应能力。
-
公开(公告)号：CN115471695A
公开(公告)日：2022-12-13
申请号：CN202211057844.0
申请日：2022-08-31
Applicant: 浙江工业大学
IPC: G06V10/764 , G06V10/774 , G06V10/80 , G06V10/82 , G06V10/84 , G06T7/246 , G06T3/40 , G06N3/04 , G06N3/08
Abstract: 基于信号转图多模态融合的飞机射频信号多任务个体识别方法，包括以下步骤：S1：对信号样本进行多个标签处理及映射，并按比例划分为训练集和测试集；S2：利用信号原始数据生成信号转图多模态数据；S3：交叉对比实验，选择对对应图模态特征提取能力最好的卷积神经网络；S4：利用信号转图的多模态数据及交叉验证所得的基础模型，对搭建的特征层融合的多模态输入卷积神经网络进行训练，完成模型训练并得到模型对于测试集的个体多个标签识别分类准确率。本发明的深度学习信号个体识别方法，在充分利用现有的一维时间序列信号转图像的方式方法，结合特征融合方法，实现对射频信号的多个个体标签同时识别分类的信号多任务个体识别任务。
-
公开(公告)号：CN115392285A
公开(公告)日：2022-11-25
申请号：CN202210835292.5
申请日：2022-07-15
Applicant: 浙江工业大学
Abstract: 一种基于多模态的深度学习信号个体识别模型防御方法，包括以下步骤：S1：将原始数据集按比例分为训练集和测试集，并生成时域和频域两个信号域的多模态数据；S2：利用归一化后的两组模态数据，对多模态输入卷积神经网络模型进行训练，完成模型训练并得到模型对于测试集的个体识别分类准确率；S3：对原始信号攻击生成对抗样本，并利用对抗样本生成实部和虚部及短时傅里叶变换的两组多模态对抗样本。利用多模态对抗样本及训练所得模型，测试模型的攻击成功率，评价信号多模态输入个体识别模型的防御性能。所搭建的多模态输入的卷积神经网络模型相较于原始时域数据所训练的模型在提高个体识别分类性能的同时，大大增强了模型的防御性能。
-
公开(公告)号：CN114897090A
公开(公告)日：2022-08-12
申请号：CN202210588513.3
申请日：2022-05-26
Applicant: 浙江工业大学
Abstract: 一种基于图神经网络的长时间序列分类方法，包括：1)采集样本数据集，设定分段数并将时间序列数据分段；2)将每段时间序列数据分别转换为对应的网络图数据；3)采用图神经网络对所述分段时间序列对应的网络图数据进行特征提取，得到时间序列数据对局部特征向量，并同步训练各分段网络图的邻接矩阵；4)采用循环神经网络对上述时间序列数据的局部特征向量进行全局特征提取，得到各分段最终的特征向量；5)融合各个分段时间序列数据的特征向量，采用全连接神经网络完成时间序列的分类；6)调节分段数及各分段时间序列对应网络图的初始邻接矩阵，重复步骤2‑5至分类效果最佳。本发明减少计算资源消耗，降低计算时间。
-
Patent Agency Ranking
公开(公告)号：CN118114012A
公开(公告)日：2024-05-31
申请号：CN202410227199.5
申请日：2024-02-29
Applicant: 浙江工业大学
IPC: G06F18/2113 , G06F18/22 , G06F18/214 , G06N3/082
Abstract: 一种数据集样本重要性排序方法和系统，其方法包括：首先，利用数据集的样本相似度构造复杂网络，对构造的复杂网络G取k核分解的核数作为每个节点的初始重要性排序结果。其次，利用洋葱分解的方法将节点被剪枝的顺序作为删除轮数的值赋予每个节点；其三对于同个核数的一批节点，根据其邻居的删除轮数赋值分别计算三种策略的重要性排序结果，根据排序前10％节点的区分度选择最优排序策略得到重要性排序结果；最后根据由其他常见重要性排序方法验证本发明方法，得到重要性节点排序的验证结果。本发明可有效结合k核分解的结果与k核分解过程中自然的删除轮数得到更符合结构特性的互联网节点重要性排序方法，可应用于不同模态的数据集，实现数据剪枝。
-
公开(公告)号：CN117371502A
公开(公告)日：2024-01-09
申请号：CN202311201727.1
申请日：2023-09-18
Applicant: 浙江工业大学
Abstract: 一种基于串联耦合微环谐振腔阵列的光子时延储备池计算系统，包括输入层、储备池层和输出层，输入层包括激光器、输入信号x(t)的mask处理和调制器，储备池层由一根波导和与该波导边耦合的一组串联耦合的微环谐振腔阵列构成，该组串联耦合的微环谐振腔阵列包括一个主微环谐振腔和一组串联耦合的线性微环谐振腔，主微环谐振腔具有非线性效应且直接边耦合到该根波导，该组串联耦合的线性微环谐振腔两两串联耦合并通过其中的一个线性微环谐振腔与主微环谐振腔耦合；所述输出层包括光电探测器、训练和测试单元。本发明在提供较大记忆容量的同时极大缩小了器件的整体尺寸，满足光子时延储备池计算系统对可扩展性和集成性的迫切需求。
-
公开(公告)号：CN115730238A
公开(公告)日：2023-03-03
申请号：CN202211511254.0
申请日：2022-11-29
Applicant: 浙江工业大学
IPC: G06F18/24 , G06F18/10 , G06F18/214 , G06F18/22 , G06N20/20 , G06N3/0455 , G06N3/0464 , G06N3/044
Abstract: 一种基于多视角决策的电磁信号多模态开放集识别方法，包括：S1：将原始数据集按比例分为训练集和测试集，并利用时频变换生成a组不同模态；S2：对多模态分别输入b种不同结构的神经网络编码器，并采用基于欧式距离的原型损失函数和测地距离度量的对比损失函数进行训练，完成2ab个模型训练并得到模型对于测试集的闭集识别分类准确率；S3：采用CH指标对2ab个神经网络模型的性能进行评价，通过对不同神经网络模型的CH指标进行排序，确定其在集成学习的决策树中优先级；S4：识别测试集中的未知类样本，同时不同神经模型训练时所选的损失函数不同会导致测试时所选的判别方式不同，根据神经模型的优先级和阈值的划定，逐层划分已知类，未知类和待确定类。
-
公开(公告)号：CN114897090B
公开(公告)日：2025-02-18
申请号：CN202210588513.3
申请日：2022-05-26
Applicant: 浙江工业大学
IPC: G06F18/241 , G06F18/213 , G06F18/214 , G06F18/25 , G06N3/042 , G06N3/044 , G06N3/045 , G06N3/08 , G06F123/02
Abstract: 一种基于图神经网络的长时间序列分类方法，包括：1)采集样本数据集，设定分段数并将时间序列数据分段；2)将每段时间序列数据分别转换为对应的网络图数据；3)采用图神经网络对所述分段时间序列对应的网络图数据进行特征提取，得到时间序列数据对局部特征向量，并同步训练各分段网络图的邻接矩阵；4)采用循环神经网络对上述时间序列数据的局部特征向量进行全局特征提取，得到各分段最终的特征向量；5)融合各个分段时间序列数据的特征向量，采用全连接神经网络完成时间序列的分类；6)调节分段数及各分段时间序列对应网络图的初始邻接矩阵，重复步骤2‑5至分类效果最佳。本发明减少计算资源消耗，降低计算时间。
-
公开(公告)号：CN119202988A
公开(公告)日：2024-12-27
申请号：CN202411284889.0
申请日：2024-09-13
Applicant: 浙江工业大学
IPC: G06F18/2433 , G06F18/214 , G06F18/213 , G06N3/0475 , G06N3/094 , G06N3/088 , G06F123/02
Abstract: 一种基于多尺度重构的无监督时间序列异常检测方法，该方法从时间序列不同尺度的方面来处理时间序列异常检测任务，首先，将时间序列数据输入多尺度解耦模块(MTD)分离成不同尺度的组成部分，并将重构过程建模为并行全尺度时间序列重构。这是因为正常时间点和异常时间点在不同尺度上存在显著差异。考虑到不同尺度之间的相关性，通过重构残差协作学习模块(RRCL)自适应计算联合权重来控制网络中不同生成器的联合权重，从而实现不同尺度间的交互。本发明设计此模型，在不需要异常样本的前提下，将时间序列的多尺度特征深度提取，从而提高时间序列异常检测的精度，增加模型的鲁棒性。
-
-
-
-
-
-
-
-
-
Search Results
12
records
(took 0.021 seconds)
