-
公开(公告)号：CN111914498A
公开(公告)日：2020-11-10
申请号：CN202010375645.9
申请日：2020-05-07
Applicant: 电子科技大学
IPC: G06F30/32
Abstract: 本发明属于集成电路领域，具体设计一种基于与MCU交互的存储式芯片时分复用的ADIO的电路结构。本发明公开了一种基于MCU外接存储芯片的时分复用总线硬件电路结构，包括：16位数据地址总线；用于传输芯片与MCU交互的数据地址信息，译码模块；用于接收MCU传输至芯片内部的控制信号以及指令，同时产生内部控制使能信号，主存储模块；用于存放MCU运算过程中产生并需要存储的数据，从存储模块；用于存放MCU所使用过程中所需的程序，便于MCU读取，数据保护模块；用于输出存储模块处于编程状态下的状态判断位。本发明能够提供一种简化了的MCU外接存储芯片的总线设计思路，使用时分复用的方法减少了芯片的管脚，缩小了芯片面积，并具备一定的可扩展性，同时在许多MCU外接存储芯片中都具有可重用性的特点。
-
公开(公告)号：CN107463966B
公开(公告)日：2019-06-18
申请号：CN201710705891.4
申请日：2017-08-17
Applicant: 电子科技大学
Abstract: 本发明属于雷达技术领域，具体的说是涉及一种基于双深度神经网络的雷达一维距离像目标识别方法。本发明的方法首先对目标的一维距离像数据进行随机距离扰动、样本扩展、加噪声等预处理操作，以增强识别系统的鲁棒性；随后结合深度学习理论，提出了具有自适应性学习率的双深度神经网络(DDNN)，对其进行无监督预训练和有监督微调，得到DDNN模型参数；然后利用DDNN对各测试样本进行预识别，得到各样本在两个子网络中的预识别结果；最后根据预识别结果，利用改进的DS证据理论对其进行时空多级决策融合，并得到目标识别结果。
-
公开(公告)号：CN107194433A
公开(公告)日：2017-09-22
申请号：CN201710446883.2
申请日：2017-06-14
Applicant: 电子科技大学
Abstract: 本发明属于雷达技术领域，具体的说是涉及一种基于深度自编码网络的雷达一维距离像目标识别方法。本发明首先将目标一维距离像转换到频域进行预处理，通过对频域样本数据进行加噪处理，将每个样本随机选择某些特征强置为0或1，可减少高维数据输入时数据缺失和异常干扰的影响。随后通过构建一个深度自编码网络，提取样本的高层特征表达，并将各层特征进行融合拼接。然后利用ReliefF算法和相关性度量方法剔除高维拼接特征中的分类无关特征和冗余特征。最后考虑到AdaBoost集成化学习方法可以有效提高任意弱分类器的精度，本发明以三层BP神经网络作为弱分类器，并使用AdaBoost‑BP算法进行目标分类器训练，从而有效地提升系统目标识别率。
-
公开(公告)号：CN111913841A
公开(公告)日：2020-11-10
申请号：CN202010392586.6
申请日：2020-05-11
Applicant: 电子科技大学
Abstract: 本发明属于芯片测试技术领域，具体为一种低成本的芯片功能测试平台。解决了芯片测试引脚数量多、测试速度慢、测试时间长、测试成本高、测试设备要求高等问题。使用ARM芯片和FPGA芯片相结合搭建芯片功能测试平台，本平台的核心思想是通过内部的功能测试模块(FTM,Function Test Model)把ARM处理器无时序的指令转换为符合待测芯片时序要求的控制信号，并完成数据传输和测试。本平台对芯片的功能测试流程简单，只需要在PC上输入对应的测试操作命令，平台就自动执行测试程序，同时能够快速在PC上看到测试结果。该平台能够实现芯片的功能测试百分百覆盖，缩短了用户测试芯片的时间和芯片开发的周期，节约了成本。
-
公开(公告)号：CN107194433B
公开(公告)日：2019-09-13
申请号：CN201710446883.2
申请日：2017-06-14
Applicant: 电子科技大学
Abstract: 本发明属于雷达技术领域，具体的说是涉及一种基于深度自编码网络的雷达一维距离像目标识别方法。本发明首先将目标一维距离像转换到频域进行预处理，通过对频域样本数据进行加噪处理，将每个样本随机选择某些特征强置为0或1，可减少高维数据输入时数据缺失和异常干扰的影响。随后通过构建一个深度自编码网络，提取样本的高层特征表达，并将各层特征进行融合拼接。然后利用ReliefF算法和相关性度量方法剔除高维拼接特征中的分类无关特征和冗余特征。最后考虑到AdaBoost集成化学习方法可以有效提高任意弱分类器的精度，本发明以三层BP神经网络作为弱分类器，并使用AdaBoost‑BP算法进行目标分类器训练，从而有效地提升系统目标识别率。
-
Patent Agency Ranking
公开(公告)号：CN107657243B
公开(公告)日：2019-07-02
申请号：CN201710939169.7
申请日：2017-10-11
Applicant: 电子科技大学
Abstract: 本发明属于雷达技术领域，具体的说是涉及一种基于遗传算法优化的神经网络雷达一维距离像目标识别方法。本发明的方法首先通过对原始一维距离像进行选择和截断等预处理操作；其次，采用时段原则对数据集进行划分，同时对训练集中各目标进行二次等量随机抽取，获得两个同构训练子集；接着，本发明提出了神经网络与遗传算法双向优化的方法，利用训练网络在不同迭代次数时所产生的网络参数，初始化一定数目的染色体；然后，采用遗传算法对染色体进行交叉变异等操作；随后，根据所选最优染色体对新的神经网络识别系统赋初值，选择新的训练子集作为网络输入，采用随机梯度下降法对网络进行训练，加快了训练网络的收敛速度，同时提升了一定的识别率。
-
公开(公告)号：CN107766893A
公开(公告)日：2018-03-06
申请号：CN201711067951.0
申请日：2017-11-03
Applicant: 电子科技大学
CPC classification number: G06K9/6227 , G06K9/6256 , G06N3/08
Abstract: 本发明属于目标识别领域，具体的说是涉及一种基于标签多级编码神经网络目标识别方法。本发明的技术方案为：首先将单基地雷达获取的一维距离像信噪比SNR为22dB的数据作为训练数据；其次对样本数据的标签做离散编码；然后分别利用MLP和CNN分别以两种目标标记方式进行训练，采用随机梯度下降法来训练神经网络，并进行超参数微调；训练S步后得到预测模型，并利用预测模型对待识别样本进行目标识别。本发明方法提供了精确度。
-
公开(公告)号：CN107315168A
公开(公告)日：2017-11-03
申请号：CN201710561416.4
申请日：2017-07-11
Applicant: 电子科技大学
Abstract: 本发明涉及一种软件化雷达信号数据处理系统及方法，旨在解决现有技术存在软件化雷达框架结构限制造成的拓展性差的问题，本申请包括硬件层、系统层、中间层和应用层；中间层是为了实现不同硬件平台之间的通用性。它位于应用层和系统层之间，为上层提供通用服务，具有通用的协议栈和标准的程序接口。包括数据接收中间件、数据传输中间件、实时存储中间件、信号处理中间件、数据处理中间件和雷达终端显示中间件；应用层基于中间层搭建信号数据处理框架，将雷达信号数据处理功能划分成很多组件和模块，其中包含了平台功能管理和雷达实时数据处理等功能。通过对系统中应用层软件模块的修改，系统可以进行重构，从而满足其他雷达系统的需求，建立完整的雷达信号处理流程，提升了本系统的拓展性，扩大了本系统使用范围；本申请适用于软件化雷达领域。
-
公开(公告)号：CN107766893B
公开(公告)日：2021-01-22
申请号：CN201711067951.0
申请日：2017-11-03
Applicant: 电子科技大学
Abstract: 本发明属于目标识别领域，具体的说是涉及一种基于标签多级编码神经网络目标识别方法。本发明的技术方案为：首先将单基地雷达获取的一维距离像信噪比SNR为22dB的数据作为训练数据；其次对样本数据的标签做离散编码；然后分别利用MLP和CNN分别以两种目标标记方式进行训练，采用随机梯度下降法来训练神经网络，并进行超参数微调；训练S步后得到预测模型，并利用预测模型对待识别样本进行目标识别。本发明方法提供了精确度。
-
公开(公告)号：CN107784320B
公开(公告)日：2019-12-06
申请号：CN201710889757.4
申请日：2017-09-27
Applicant: 电子科技大学
Abstract: 本发明属于雷达技术领域，尤其涉及一种基于级联卷积神经网络和支持向量机的雷达一维距离目标识别方法，具体方案为：首先，对雷达目标后向散射仿真软件获取的一维距离像进行随机距离扰动、扩展及加噪声处理，并将其作为原始特征；其次，对样本数据的标签做one‑hot编码；然后，利用深度学习的方法，使用级联卷积神经网络再结合支持向量机来构建级联卷积支持向量机，采用随机梯度下降法来训练网络C_CNN提取高阶参数；随后，利用带标签样本数据对级联卷积支持向量机CCNN_SVM进行参数微调；最后，利用该级联卷积支持向量机网络训练得到参数模型，并对待识别样本进行识别分类。本发明方法卷积神经网络的正确识别率达到92.34％，深度卷积支持向量机的正确识别率达到95.59％。
-
-
-
-
-
-
-
-
-
Search Results
16
records
(took 0.026 seconds)
