-
公开(公告)号：CN115097518B
公开(公告)日：2025-04-29
申请号：CN202210739445.6
申请日：2022-06-28
Applicant: 电子科技大学
IPC: G01V1/28 , G06F18/23213 , G06F18/25 , G06F18/15 , G06N3/09 , G06N3/0455 , G06N3/0464
Abstract: 本发明公开了一种基于模糊聚类U型神经网络的微震到时拾取方法，包括以下步骤：步骤1、对微震数据进行预处理：对原始微震数据进行切片，归一化得到微震序列；步骤2、数据扩增；步骤3、提取扩增后数据的特征峰度K、能量P和标准差Δ；步骤4、利用K、P、Δ三个特征通过FCM聚类算法自动制作微震信号的到时标签；步骤5、将扩增后的数据输入FC‑Net进行有监督训练；步骤6、训练好的FC‑Net网络模型对样本进行初至拾取。本发明利用FCM聚类方法制作到时标签，实现了标签制作自动化，能有效减少人为干扰因素，并且能够更好拟合信号波形，提升了标签标注的客观性和准确性，提高了微震信号拾取到时的识别率和精准率。
-
公开(公告)号：CN117725483B
公开(公告)日：2025-02-07
申请号：CN202311750181.5
申请日：2023-12-19
Applicant: 电子科技大学
IPC: G06F18/241 , G06F18/214 , G06N3/0464 , G06N3/08 , G06F18/213
Abstract: 本发明提供一种基于神经网络的有监督的信号分类方法，采集少量与待分类数据相同采集环境的数据并完成贴标生成校准数据；将校准数据输入至神经网络模块，根据神经网络模块的模板层的输出得到所有信号类别的类别模板；将待分类数据输入至神经网络模块，神经网络模块的模板层输出待分类数据的特征数据；将待分类数据的特征数据分别与各类别模板进行距离计算，将距离最小值所对应的类别作为最终的分类结果。本发明减小了信号变异性对模型性能的影响，无需对神经网络参数进行重新训练，显著降低了计算复杂度，同时具有更优越的分类性能。在语音信号、生理信号等变异性较强的信号处理中具有广泛的应用价值。
-
公开(公告)号：CN119341868A
公开(公告)日：2025-01-21
申请号：CN202411465211.2
申请日：2024-10-21
Applicant: 电子科技大学
Abstract: 本发明提供了一种基于传感器阵列的时序信号智能降噪与信号增强电路，初始化生成获取干扰源和目标源方位信息的多源定位电路和基于多源方位信息的多级降噪与信号增强电路所需的权重系数并存入存储器中，在检测到外部控制器送入的多源定位触发信号后，将STFT特征提取电路处理获得的传感器阵列时序信号的STFT结果送入获取干扰源和目标源方位信息的多源定位电路进行处理，采用基于神经网络的DOA方案对干扰源和目标源进行定位，将STFT结果和DOA结果送入基于多源方位信息的多级降噪与信号增强电路进行处理，支持四种处理模式的动态可重构配置并获取对应处理结果。本发明方案实现了复杂环境下对传感器阵列时序信号的智能降噪与信号增强，并降低了硬件资源开销。
-
公开(公告)号：CN118470293A
公开(公告)日：2024-08-09
申请号：CN202410474824.6
申请日：2024-04-19
Applicant: 电子科技大学
IPC: G06V10/24 , G06V10/34 , G06V10/764 , G06V10/766 , G06V10/82 , G06N3/09
Abstract: 本发明属于图像处理技术领域，具体涉及一种抗污损的二维码检测定位方法。是以主流目标检测神经网络模型为基础，根据嵌入式平台部署的要求进行改进，得到二维码神经网络模型；并在二维码神经网络模型中根据其污损情况以及角度信息设定分类标准，并根据设定标准更改检测头输出分类通道，使其与设定分类标准一致；在模型的推理学习中，基于预设分类标准，根据步骤4.1得到的分类结果选择对应计算模块计算出二维码角度信息；然后对二维码角度信息进行验证，得到待检测图最终的二维码位置以及角度信息输出。与现有技术相比，本发明提升变化场景中二维码检测定位精度的同时，计算量小，支持嵌入式系统上的实施运行。
-
公开(公告)号：CN118133121A
公开(公告)日：2024-06-04
申请号：CN202410279035.7
申请日：2024-03-12
Applicant: 电子科技大学
IPC: G06F18/241 , G06N3/049 , G06N3/084 , G06N3/0985 , G06N5/04
Abstract: 本发明属于人工智能领域，尤其涉及一种基于脉冲神经网络实现快速推理和有效学习的数据分类方法，该方法是在传统FS神经元脉冲神经网络模型的基础上，通过改进FS神经元，并配合FSBP反向传播算法更新权重训练模型，利用训练好的模型完成数据分类。通过在脉冲神经网络训练流程中引入准确度和脉冲数对时间窗K和a自适应调整，使最终得到的网络在推理时同时获得更少脉冲、更短时间窗以降低功耗缩短延时，具有更高准确率。
-
Patent Agency Ranking
公开(公告)号：CN117705107B
公开(公告)日：2024-04-16
申请号：CN202410170461.7
申请日：2024-02-06
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于两阶段稀疏舒尔补的面向视觉惯性定位方法，属于视觉定位技术领域。本发明使用两阶段稀疏舒尔补将对海森矩阵进行降维处理，不仅显著降低了面向视觉惯性定位时的方程组求解的计算量，从而提升面向视觉惯性定位的定位效率，同时还利用海森矩阵的特殊稀疏性来进一步减少降维过程中产生的计算量。此外，本发明方法还通过惯性变量和路标点变量的并行求解模式，以进一步减少冗余计算，提升面向视觉惯性定位的定位效率。本发明实施例方法在保证计算精度的同时提升了同步定位的运算速度，使其更好地应用到自动驾驶，移动机器人，增强现实等应用。
-
公开(公告)号：CN117874582A
公开(公告)日：2024-04-12
申请号：CN202410269865.1
申请日：2024-03-11
Applicant: 电子科技大学
IPC: G06F18/24 , G06F18/213 , G06F18/214 , G06N3/08
Abstract: 本发明提供一种基于自适应精度切换的神经网络分类装置，包括特征提取模块、自适应精度切换模块、比较器和神经网络分类器；自适应精度切换模块接收到样本特征后，则根据样本特征进行精度预判断，生成选择开启低精度网络或者选择开启高精度网络的预判结果输出至神经网络分类器；神经网络分类器接收到预判结果后，根据预判结果开启对应精度的网络对输入信号进行分类处理，输出分类结果；比较器仅在训练阶段工作，接收并比较高精度网络和低精度网络的分类结果并输出标签来控制自适应精度切换模块的训练过程。本发明实现了对输入信号的神经网络处理的高低精度自适应切换，在不降低分类准确率的前提下，降低了计算复杂度与功耗开销。
-
公开(公告)号：CN117765084A
公开(公告)日：2024-03-26
申请号：CN202410194233.3
申请日：2024-02-21
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于动态分支预测的迭代求解的面向视觉定位方法，属于视觉定位技术领域。本发明既能在收敛速度和求解效果上都有不错的表现，又能减少迭代算法的复杂度，实现快速计算。相较于视觉定位通常的迭代求解方式，本发明不管是对成功迭代还是对失败迭代，都减少了冗余的计算，显著减少了迭代过程的复杂度，同时显著减少了现有视觉定位的迭代处理的串行步骤，提升了运行速度；特别地对于失败迭代，不仅减少了构建标准方程带来的冗余计算，而且使用除法快速求解来代替复杂的乔莱斯基分解法，极大地提升了失败迭代情况下的速度。本发明适用于对实时性要求高的基于迭代求解的视觉定位应用，减少了视觉定位的算法复杂度，提高了运行速度。
-
公开(公告)号：CN117388935A
公开(公告)日：2024-01-12
申请号：CN202311510225.7
申请日：2023-11-13
Applicant: 电子科技大学
IPC: G01V3/38
Abstract: 本发明公开了一种电性源地空瞬变电磁三维聚焦反演方法，包含以下步骤：(1)选择工区数据文件；(2)读取参数文件；(3)根据参数设置初始模型；(4)设置反演终止条件；(5)计算频率域三维正演响应再用G‑S变换转换为时间域响应；(6)通过高斯牛顿反演方法得到L1正则反演目标函数；(7)获得模型修正量Δm；(8)更新模型向量；计算频率域三维正演响应再用G‑S变换转换为时间域响应；(9)判断是否满足停止条件，若不满足则返回步骤(5)，否则执行步骤(10)；(10)终止迭代，输出当前模型m。本发明能够较好的还原模型真实电性特征，具有边界锐化的效果，弥补了当今地空瞬变电磁探测数据反演解释系统的缺陷。
-
公开(公告)号：CN110674928B
公开(公告)日：2023-10-27
申请号：CN201910880288.9
申请日：2019-09-18
Applicant: 电子科技大学
Abstract: 本发明公开了一种融合人工神经网络和神经形态计算的在线学习方法，属于机器学习领域，特别是涉及神经网络的学习领域。解决神经网络面对特征变化或者未知数据时正确率下降的问题，需要对神经网络进行在线学习。脉冲神经网络通常采用无监督学习，比起有监督学习，准确率较低，容易在学习错误之后一直向着错误的方向前进。人工神经网络通常采用有监督学习，准确率较高，但是推理和学习功耗较大。因此本专利中提出一种新的方案，使用人工神经网络辅助脉冲神经网络进行在线学习，由于大多数时间采用脉冲神经网络推理和无监督学习，因此功耗较低，同时隔一段时间通过人工神经网络和有监督学习对权值进行修正，因此可以保证较高的准确率。
-
-
-
-
-
-
-
-
-
Search Results
148
records
(took 0.048 seconds)
