-
公开(公告)号：CN113160222A
公开(公告)日：2021-07-23
申请号：CN202110528975.1
申请日：2021-05-14
Applicant: 电子科技大学
Abstract: 本发明公开了一种针对工业信息图像的生产数据识别方法，包括以下步骤：S1.采集工业信息图像并进行光照补偿；S2.对光照补偿后的工业信息图像进行倾斜矫正；S3.定位图像中的信息区域并对信息区域进行截取，得到信息区域图像；S4.将信息区域图像分割为基本识别单元；S5.将信息区域图像中基本识别单元的不同类型字符分开；S6.对字符串进行分割；S7.进行字符识别。本发明充分考虑工业信息图像采集过程中可能存在的干扰因素以及工业信息图像特点，实现工业信息图像的准确识别，有助于提升工厂生产自动化的程度。
-
公开(公告)号：CN115220025B
公开(公告)日：2025-04-08
申请号：CN202210909795.2
申请日：2022-07-29
Applicant: 电子科技大学
IPC: G01S7/539
Abstract: 本发明公开了一种基于声纳检测系统的水下多目标跟踪方法，包括以下步骤：S1.基于目标的预测的状态中心设置关联门，剔除与目标无关的杂波，形成确认矩阵；S2.根据假设对确认矩阵进行拆分，得到可行矩阵；S3.基于可行矩阵计算目标和量测的互联概率；S4.结合互联概率，使用基于最大相关熵卡尔曼滤波算法对目标进行状态更新。本发明将最大相关熵理论，联合概率数据关联算法相结合，相比其他多目标跟踪算法，可以在具有非高斯噪声的复杂的水下环境工作，具有目标追踪精度更高、误差更小、算法结构更加稳定，鲁棒性更高的优点。
-
公开(公告)号：CN114764251B
公开(公告)日：2023-10-10
申请号：CN202210523068.2
申请日：2022-05-13
Applicant: 电子科技大学
IPC: G05D1/02 , G06F30/27 , G06N3/084 , G06Q10/047
Abstract: 本发明公开了一种基于能耗模型的多智能体协同搜索节能方法，包括以下步骤：S1.确定智能体的参数信息；S2.构建智能体的信息地图和能耗模型；S3.通过深度强化学习，控制各个智能体进行运动，并在每一个智能体每一次运动后，确定该智能体的状态和下一个动作，实现各个智能体的连续运动，以完成智能体的协同搜索。本发明在智能体持续动作过程中，选择下一个动作时，结合了智能体的能耗模型，以保证多智能体系统的全局能耗最低。
-
公开(公告)号：CN114609912B
公开(公告)日：2023-10-03
申请号：CN202210272651.0
申请日：2022-03-18
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于伪线性最大相关熵卡尔曼滤波的仅测角目标追踪方法,包括以下步骤：S1.初始化噪声方差和状态转移矩阵，初始化目标初始位置状态#imgabs0#选择高斯核核宽σ以及收敛判定系数εt；S2.利用伪线性方法把仅测角观测方程线性化，计算待追踪目标的先验估计值#imgabs1#和先验协方差矩阵Pk|k‑1，根据最大相关熵不定点迭代公式，更新后验估计值#imgabs2#计算伪线性卡尔曼滤波的偏差，并且瞬时在后验估计值上进行补偿；S3.当后验估计值的更新满足判定系数εt时，停止更新，计算后验协方差矩阵，开始下一轮迭代。本发明将最大相关熵理论和伪线性卡尔曼滤波相结合，提出了纯方位目标追踪方法，相比其他伪线性方法，在非高斯环境工作下目标追踪精度更高且不易发散。
-
公开(公告)号：CN114610024B
公开(公告)日：2023-06-02
申请号：CN202210177844.8
申请日：2022-02-25
Applicant: 电子科技大学
IPC: G05D1/02
Abstract: 本发明公开了一种用于山地环境下的多智能体协同搜索节能方法，包括以下步骤：S1.确定智能体的特性参数；S2.进行导航目标选择，获得下一个要遍历的目标位置；S3.构建运动学模型，控制智能体从当前位置运动到目标位置。本发明通过深度强化学习选择导航目标点，并鼓励智能体沿等高线方向在导航目标点之间移动，通过深度强化学习模型，智能体可以自己进行学习，选择最优路径以减少重复覆盖和能量消耗。
-
Patent Agency Ranking
公开(公告)号：CN114610024A
公开(公告)日：2022-06-10
申请号：CN202210177844.8
申请日：2022-02-25
Applicant: 电子科技大学
IPC: G05D1/02
Abstract: 本发明公开了一种用于山地环境下的多智能体协同搜索节能方法，包括以下步骤：S1.确定智能体的特性参数；S2.进行导航目标选择，获得下一个要遍历的目标位置；S3.构建运动学模型，控制智能体从当前位置运动到目标位置。本发明通过深度强化学习选择导航目标点，并鼓励智能体沿等高线方向在导航目标点之间移动，通过深度强化学习模型，智能体可以自己进行学习，选择最优路径以减少重复覆盖和能量消耗。
-
公开(公告)号：CN114758180B
公开(公告)日：2023-10-10
申请号：CN202210412189.X
申请日：2022-04-19
Applicant: 电子科技大学
IPC: G06V10/764 , G06V10/82 , G06N3/042 , G06N3/084
Abstract: 本发明公开了一种基于知识蒸馏的轻量化花卉识别方法，包括以下步骤：S1.构建花卉数据集，并将花卉数据集划分为训练集和测试集；S2.选定教师网络和学生网络；S3.对教师网络初始化和训练，得到成熟的教师网络；S4.对学生网络进行初始化；S5.在教师网络的辅助下，使用花卉数据集训练初始化后的学生网络，得到成熟的学生神经网络；S6.将成熟的学生神经网络设置为eval模式，不进行反向传播；将待识别花卉图片输入成熟的学生神经网络，通过前向传播计算并输出识别结果，至此花卉识别结束。本发明使得轻量级花卉识别模型在模型大幅压缩的同时还能保持较高的准确率。
-
公开(公告)号：CN115220025A
公开(公告)日：2022-10-21
申请号：CN202210909795.2
申请日：2022-07-29
Applicant: 电子科技大学
IPC: G01S7/539
Abstract: 本发明公开了一种基于声纳检测系统的水下多目标跟踪方法，包括以下步骤：S1.基于目标的预测的状态中心设置关联门，剔除与目标无关的杂波，形成确认矩阵；S2.根据假设对确认矩阵进行拆分，得到可行矩阵；S3.基于可行矩阵计算目标和量测的互联概率；S4.结合互联概率，使用基于最大相关熵卡尔曼滤波算法对目标进行状态更新。本发明将最大相关熵理论，联合概率数据关联算法相结合，相比其他多目标跟踪算法，可以在具有非高斯噪声的复杂的水下环境工作，具有目标追踪精度更高、误差更小、算法结构更加稳定，鲁棒性更高的优点。
-
公开(公告)号：CN114764251A
公开(公告)日：2022-07-19
申请号：CN202210523068.2
申请日：2022-05-13
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于能耗模型的多智能体协同搜索节能方法，包括以下步骤：S1.确定智能体的参数信息；S2.构建智能体的信息地图和能耗模型；S3.通过深度强化学习，控制各个智能体进行运动，并在每一个智能体每一次运动后，确定该智能体的状态和下一个动作，实现各个智能体的连续运动，以完成智能体的协同搜索。本发明在智能体持续动作过程中，选择下一个动作时，结合了智能体的能耗模型，以保证多智能体系统的全局能耗最低。
-
公开(公告)号：CN114758180A
公开(公告)日：2022-07-15
申请号：CN202210412189.X
申请日：2022-04-19
Applicant: 电子科技大学
IPC: G06V10/764 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于知识蒸馏的轻量化花卉识别方法，包括以下步骤：S1.构建花卉数据集，并将花卉数据集划分为训练集和测试集；S2.选定教师网络和学生网络；S3.对教师网络初始化和训练，得到成熟的教师网络；S4.对学生网络进行初始化；S5.在教师网络的辅助下，使用花卉数据集训练初始化后的学生网络，得到成熟的学生神经网络；S6.将成熟的学生神经网络设置为eval模式，不进行反向传播；将待识别花卉图片输入成熟的学生神经网络，通过前向传播计算并输出识别结果，至此花卉识别结束。本发明使得轻量级花卉识别模型在模型大幅压缩的同时还能保持较高的准确率。
-
-
-
-
-
-
-
-
-
Search Results
11
records
(took 0.018 seconds)
