-
公开(公告)号：CN119614046A
公开(公告)日：2025-03-14
申请号：CN202411955771.6
申请日：2024-12-28
Applicant: 电子科技大学
IPC: C09D163/00 , C09D1/00 , C09D7/61
Abstract: 本发明提供了一种耐磨超疏水涂料及其制备方法。制备方法包括以下步骤：(1)配制多孔结构涂料，包括微米尺度填料、树脂和助剂的分散液；(2)利用喷涂技术在基材表面喷涂步骤(1)中制备的多孔结构涂料，构建类仿石漆或类蜂窝的坚固多孔网络结构骨架；(3)配制疏水改性纳米颗粒分散液；(4)利用喷涂技术在多孔网络结构骨架上喷涂疏水改性纳米颗粒分散液，纳米颗粒嵌入多孔网络结构骨架中，复合涂料的水接触角为158°。该复合涂料具有高机械强度和优异的超疏水性能，赋予该涂料广阔的应用前景。
-
公开(公告)号：CN110852451B
公开(公告)日：2022-03-01
申请号：CN201911182352.2
申请日：2019-11-27
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于核函数的递归核自适应滤波算法，其包括S1初始化方差参数、核参数、阶次参数和网络参数；S2、将一组训练数据中的输入信号和期望输出采用核函数映射到高维特征空间中；S3将输入信号在高维特征空间中的映射结果与高维特征空间中的权重向相乘得到当前迭代的输出结果并采用输出结果和期望输出在高维特征空间中的偏差值；S4将输入信号、映射结果、输出结果、期望输出和偏差值输入神经网络，对神经网络进行训练；S5判断所有组训练数据是否均已使用，若是，进入步骤S6，否则选取一组未使用的训练数据，将i累加一次并返回步骤S2；S6利用训练好的核自适应滤波模型对新输入的信号进行滤波。
-
公开(公告)号：CN118388728A
公开(公告)日：2024-07-26
申请号：CN202410553731.2
申请日：2024-05-07
Applicant: 桂林电子科技大学
Abstract: 本发明公开了具有纳米花球结构的NCS/DT‑COF，以二氨基蒽醌、三甲酰基间苯三酚、纳米介孔碳球为原材料，以对甲苯磺酸为催化剂，以去离子水为润滑剂，使用物理研磨法制备复合共价有机骨架超级电容器负极材料；具有纳米花球结构，花球大小在100‑500nm；在30‑450℃范围内具有稳定性，在温度高于450℃开始缓慢分解。其制备方法包括以下步骤：1，纳米介孔碳球NCS材料的制备；2，复合材料NCS/DT‑COF的制备。作为超级电容器中负极材料的应用，在‑0.3‑‑1V范围内充放电，当电流密度为1A/g时，比电容为456‑458F/g；在10000次GCD循环后电容保持率为90.0‑91.3％。
-
公开(公告)号：CN111428878A
公开(公告)日：2020-07-17
申请号：CN202010204161.8
申请日：2020-03-21
Applicant: 电子科技大学
Abstract: 本发明属于信息安全相关技术领域，公开了一种关于车联网安全事件严重程度的确定方法，其主旨在于更有效的区分不同事件的严重程度，有助于提高系统对不同安全级别的事件所采用对应方案的响应速度，有助于法律法规对有关相关事件的界定。其主要方案为定义全体评估项集合{I1，I2，I3}；定义各种可能的定性评估结果L的集合为:{L1无严重性,L2较小的,L3大的,L4严重的,}；每一个Li(i＝1,2,3,4)建立对应模糊子集li；以每一个模糊子集li来对每个严重程度评估项进行隶属度判定，得到隶属度矩阵R(dki)，对于车联网安全事件严重度的各评估项综合评估结果记为E＝W·R(dki)＝(a1,a2,a3…)；对E进行单值化，加权平均数对Q的值四舍五入后的值作为L的下标，得到对应的ASIL严重度级别。
-
公开(公告)号：CN111079544A
公开(公告)日：2020-04-28
申请号：CN201911150556.8
申请日：2019-11-21
Abstract: 本发明公开了一种基于加权联合最近邻的多任务稀疏表示检测方法，属于图像处理技术领域，一种基于加权联合最近邻的多任务稀疏表示检测方法，包括以下步骤：利用多任务学习技术，构建多任务稀疏表示模型，将所有任务上累积的总重构误差应用于检测目标，得到多任务稀疏表示的检测结果，利用加权联合最近邻方法进行计算，得到加权最近邻的检测结果，将加权最近邻的检测结果和多任务稀疏表示的检测结果相结合，得到最终的检测函数，可以实现通过光谱信息和邻域空间信息同时进行检测，利用多任务学习，联合多个相关的子稀疏表示，得到较好目标检测效果，并且加入了加权联合最近邻算法，提高了对空间信息的利用，使目标检测效果得到了进一步提升。
-
Patent Agency Ranking
公开(公告)号：CN119129693A
公开(公告)日：2024-12-13
申请号：CN202411100709.9
申请日：2024-08-12
Applicant: 电子科技大学
IPC: G06N3/092 , G06N3/084 , G06N3/045 , G06N3/0464
Abstract: 本发明涉及机器学习和强化学习技术领域，公开了一种基于优先级经验重放的强化学习智能决策方法，针对现有强化学习中智能体在面对复杂环境时学习困难的问题，提出了一种基于权重打分网络的优先级经验重放方法，指导智能体对重放缓冲区中的数据进行优先级量化，从而更加高效地利用历史经验数据进行学习。在训练过程中，本发明方法根据训练数据计算综合损失函数，并利用梯度下降法对目标策略网络进行更新，以提高其决策性能。通过这种基于优先级经验重放的强化学习智能决策方法，本发明能够有效解决现有强化学习中智能体面对复杂环境学习困难的问题，提高智能体的决策效率和准确性。
-
公开(公告)号：CN117589290A
公开(公告)日：2024-02-23
申请号：CN202311684851.8
申请日：2023-12-08
Applicant: 西安电子科技大学
IPC: G01J1/42 , H04N23/957
Abstract: 本发明公开了一种矢量光束不可分割性测量装置，包括：激光器、第一分束器、矢量光束产生模块、四分之一波片、第一准直器、起偏器、第二分束器、偏振分束器、光场相机模块和计算模块；本发明使用光场相机搭建测量装置，该装置通过测量矢量光束两个正交偏振通道下的离轴干涉全息图，能够对矢量光束两个偏振通道下的光场复振幅进行重构，进而完成矢量光束的不可分割性测试。本发明在解码计算矢量光束不可分割性的过程中不依赖于相位全息图加载器件，使得矢量光束不可分割性测量速率、光路复杂度不再受限于解调器件，能够实现矢量光束不可分割性的快速、高效、低成本测量，并且解决了现有技术难以实现多阶矢量光束叠加态的不可分割性同时测量的问题。
-
公开(公告)号：CN111079544B
公开(公告)日：2022-09-16
申请号：CN201911150556.8
申请日：2019-11-21
Abstract: 本发明公开了一种基于加权联合最近邻的多任务稀疏表示检测方法，属于图像处理技术领域，一种基于加权联合最近邻的多任务稀疏表示检测方法，包括以下步骤：利用多任务学习技术，构建多任务稀疏表示模型，将所有任务上累积的总重构误差应用于检测目标，得到多任务稀疏表示的检测结果，利用加权联合最近邻方法进行计算，得到加权最近邻的检测结果，将加权最近邻的检测结果和多任务稀疏表示的检测结果相结合，得到最终的检测函数，可以实现通过光谱信息和邻域空间信息同时进行检测，利用多任务学习，联合多个相关的子稀疏表示，得到较好目标检测效果，并且加入了加权联合最近邻算法，提高了对空间信息的利用，使目标检测效果得到了进一步提升。
-
公开(公告)号：CN119129704A
公开(公告)日：2024-12-13
申请号：CN202411100711.6
申请日：2024-08-12
Applicant: 电子科技大学
IPC: G06N3/098 , G06N3/084 , H04L47/6275
Abstract: 本发明提供一种基于模型分层的多任务联邦学习客户端贡献度度量方法，涉及联邦学习及机器学习模型分层技术。该方法包含一个中央服务器和多个客户端节点的分布式架构，首先配置联邦学习环境及数据准备，之后中央服务器衡量现有联邦任务下各客户端贡献度，其次中央服务器对收到的模型参数进行分层并计算模型各层的梯度；计算相对于发起方客户端的模型分层相似度以得到归一化的贡献向量，根据贡献向量和客户端上的数据量计算得到新模型，并选取下一轮参与训练的客户端，更新任务队列。该发明能够准确识别联邦学习各客户端的贡献，实现更准确的分层贡献度量下的模型聚合，同时保持与通用联邦学习相同的隐私保护效果，优化联邦学习时间和提高模型精度。
-
公开(公告)号：CN111428878B
公开(公告)日：2023-02-17
申请号：CN202010204161.8
申请日：2020-03-21
Applicant: 电子科技大学
Abstract: 本发明属于信息安全相关技术领域，公开了一种关于车联网安全事件严重程度的确定方法，其主旨在于更有效的区分不同事件的严重程度，有助于提高系统对不同安全级别的事件所采用对应方案的响应速度，有助于法律法规对有关相关事件的界定。其主要方案为定义全体评估项集合{I1，I2，I3}；定义各种可能的定性评估结果L的集合为:{L1无严重性,L2较小的,L3大的,L4严重的,}；每一个Li(i＝1,2,3,4)建立对应模糊子集li；以每一个模糊子集li来对每个严重程度评估项进行隶属度判定，得到隶属度矩阵R(dki)，对于车联网安全事件严重度的各评估项综合评估结果记为E＝W·R(dki)＝(a1,a2,a3…)；对E进行单值化，加权平均数对Q的值四舍五入后的值作为L的下标，得到对应的ASIL严重度级别。
-
-
-
-
-
-
-
-
-
Search Results
14
records
(took 0.022 seconds)
