-
公开(公告)号：CN116740457B
公开(公告)日：2024-08-13
申请号：CN202310765131.8
申请日：2023-06-27
Applicant: 苏州大学
IPC: G06V10/764 , G06V10/80 , G06V10/82 , G06V10/40 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及一种高光谱图像与激光雷达图像融合分类方法和系统，方法包括：获取高光谱图像与激光雷达图像；对所述高光谱图像与激光雷达图像内全部数值进行对数变换；构建对数变换后高光谱图像与激光雷达图像中每个像元的邻域块，所述邻域块由像元周围s×s的像元构建；构建深度网络模型，所述深度网络模型包括分解器和融合器，通过所述分解器提取高光谱图像和激光雷达图像中邻域块的特征，每个像元的特征由对应邻域块的特征来表示，并通过所述融合器基于提取到邻域块的特征实现高光谱图像和激光雷达图像的融合；对高光谱图像和激光雷达图像融合后像元的类别进行分类。本发明能够有效对高光谱图像与激光雷达图像进行融合与分类。
-
公开(公告)号：CN112598106B
公开(公告)日：2024-03-15
申请号：CN202011495746.6
申请日：2020-12-17
Applicant: 苏州大学
Abstract: 本发明公开了一种基于复数值前向神经网络的复信道均衡器设计方法，涉及人工智能与通信领域。本发明一种基于复数值前向神经网络的复信道均衡器设计方法，包括：采用一种可选择搜索方向训练方法训练复数值前向神经网络，使得目标函数值在每一次训练后都尽可能地减少；所述训练好的复数值前向神经网络作为信道均衡器，用于数字通信系统中。本发明基于复数值前向神经网络的复信道均衡器设计方法的有益效果是：本发明提出的可选择搜索方向训练方法，在训练过程中，通过引入一组方向因子，构建出多个搜索方向，采用宽度优先搜索策略从中选择最优的训练方向，完成复数值前向神经网络的高效训练，从而实现复信道均衡器的设计，并取得优越的性能。
-
公开(公告)号：CN115115905B
公开(公告)日：2023-06-27
申请号：CN202210663143.5
申请日：2022-06-13
Applicant: 苏州大学
IPC: G06V10/774 , G06V10/82 , G06V10/764 , G06N3/0464 , G06N3/048 , G06N3/0475 , G06N3/045 , G06N3/084
Abstract: 本发明涉及一种基于生成模型的高可迁移性图像对抗样本生成方法，包括：采集黑盒目标模型训练集的样本图像进行预处理得到训练样本；构建并训练白盒替身模型，构建包括扰动重利用模块PRM和特征增强模块FEM的生成网络模型；使用训练完成的白盒替身模型训练生成网络模型；将目标图像输入训练完成的生成网络模型，训练完成的生成网络模型生成目标图像的对抗样本，将目标图像的对抗样本输入黑盒目标模型实现基于对抗样本可迁移性的黑盒攻击。本发明有效利用白盒替身模型的中间层特征，缓解对抗样本对白盒替身模型的过拟合，提高对抗样本的可迁移性和黑盒攻击表现效果，生成对抗样本效率高，且生成的对抗样本可以用于评价神经网络的鲁棒性。
-
公开(公告)号：CN116187517A
公开(公告)日：2023-05-30
申请号：CN202211606967.5
申请日：2022-12-13
Applicant: 苏州大学
IPC: G06Q10/04 , G06N3/0499 , G06N3/08
Abstract: 本发明提供一种基于ASM‑CNAG算法的复值神经网络太阳辐射预测方法及系统，该方法包括对采集到的太阳辐射原始数据进行预处理，得到数据集，将所述数据集划分为训练集和测试集；根据数据集的大小构建复值神经网络模型；使用训练集的数据对所述复值神经网络模型进行训练；将测试集的数据输入到训练完成后的复值神经网络模型中测试模型的预测能力，得到太阳辐射预测模型；利用得到的太阳辐射预测模型对太阳辐射进行预测。本发明克服了传统的CNAG算法在训练复值神经网络时需要手动调参的问题，提高了模型的预测精度，在进行太阳辐射预测时达到很好的预测效果。
-
公开(公告)号：CN116167955A
公开(公告)日：2023-05-26
申请号：CN202310162662.8
申请日：2023-02-24
Applicant: 苏州大学
Abstract: 本发明提供一种面向遥感领域的高光谱与激光雷达图像融合方法及系统，方法包括选取高光谱图像I与激光雷达图像L；根据I得到阴影掩膜M；对I与L进行形状变化和对数变换，得到高光谱图像和激光雷达图像基于和M构建权重矩阵；建立用于优化本征反射图像和本征照射图像的优化函数E，并对和进行初始化；计算优化函数E对和的偏导数，对和进行迭代更新，直至满足设定的停止条件停止更新；将最终得到的和作为最优和最优将最优和最优进行处理得到最终的融合图像K。本发明将高光谱图像与激光雷达图像中的重要判别信息进行高效提取并加以充分融合，提升了多源遥感图像的分类能力和分类精度。
-
Patent Agency Ranking
公开(公告)号：CN115937565A
公开(公告)日：2023-04-07
申请号：CN202210133932.8
申请日：2022-02-14
Applicant: 苏州大学
IPC: G06V10/764 , G06V10/58 , G06V10/82 , G06N3/04 , G06N3/08
Abstract: 本发明涉及一种基于自适应L‑BFGS算法的高光谱图像分类方法，利用卷积层和长短期记忆网络层提取像元空间特征，并将其与光谱特征相融合，最终实现分类的目的，同时采用改进二阶优化算法对网络模型进行参数更新与优化，解决了该应用场景下样本数目过多、数据量过大、参数难以更新等问题，提升了算法的收敛速度，解决了算法容易陷入局部最优点的问题。本发明将像元在局部空间的排列作为连续信息，利用长短期记忆网络层对其进行特征提取，保障了高光谱图像像元特征的多样性，有助于分类效果的提升。本发明将空谱特征利用拼接操作进行融合，实现多模态学习的目的。
-
公开(公告)号：CN114037930B
公开(公告)日：2022-07-12
申请号：CN202111209904.1
申请日：2021-10-18
Applicant: 苏州大学
Abstract: 本发明公开了一种基于时空增强网络的视频动作识别方法，包括：S1.将视频划分为T个等长的时间段并从每个时间段中随机采样一帧，获得具有T帧图像的输入序列；S2.将S1获取到的视频帧图像序列进行预处理；S3.以S2得到的张量作为输入并将其输入到时空增强网络模型中，经过模型处理后得到提取的时空特征；S4.用softmax激活并归一化S3得到的时空特征并沿着时间维度对归一化后的时空特征求平均，最后通过变形得到的就是各个视频中行为的分类分数，再取最高分所属分类作为分类类别即可得到所求分类结果。本发明的有益效果：通过在空间网络中嵌入时空增强模块，本发明提出的基于深度学习的视频行为识别系统可以得到较高的分类准确率。
-
公开(公告)号：CN114037930A
公开(公告)日：2022-02-11
申请号：CN202111209904.1
申请日：2021-10-18
Applicant: 苏州大学
Abstract: 本发明公开了一种基于时空增强网络的视频动作识别方法，包括：S1.将视频划分为T个等长的时间段并从每个时间段中随机采样一帧，获得具有T帧图像的输入序列；S2.将S1获取到的视频帧图像序列进行预处理；S3.以S2得到的张量作为输入并将其输入到时空增强网络模型中，经过模型处理后得到提取的时空特征；S4.用softmax激活并归一化S3得到的时空特征并沿着时间维度对归一化后的时空特征求平均，最后通过变形得到的就是各个视频中行为的分类分数，再取最高分所属分类作为分类类别即可得到所求分类结果。本发明的有益效果：通过在空间网络中嵌入时空增强模块，本发明提出的基于深度学习的视频行为识别系统可以得到较高的分类准确率。
-
公开(公告)号：CN113158582A
公开(公告)日：2021-07-23
申请号：CN202110565347.0
申请日：2021-05-24
Applicant: 苏州大学
IPC: G06F30/27 , G06N3/04 , G06N3/08 , G06F111/04 , G06F113/08
Abstract: 本发明公开了一种基于复数值前向神经网络的风速预测方法，包括：获取用于风速预测的训练集和预测集，构建复数值前向神经网络并初始化参数向量；在复数值前向神经网络训练的目标函数中引入GroupLasso正则化项，并将训练转化为约束优化问题的求解，采用训练集和定制复数值投影拟牛顿算法训练复数值前向神经网络，直到满足预设的条件结束训练，得到训练好的复数值前向神经网络，将预测集输入训练好的复数值前向神经网络得到风速预测结果。本发明通过引入GroupLasso正则化项和使用定制复数值投影拟牛顿算法训练复数值前向神经网络实现网络结构和参数的优化，使网络结构紧凑、泛化性能强，同时提高风速预测的准确性。
-
公开(公告)号：CN112422462A
公开(公告)日：2021-02-26
申请号：CN202011311308.X
申请日：2020-11-20
Applicant: 苏州大学
Abstract: 本发明公开了一种复值信道均衡器的设计方法，包括：首先采用复值神经网络构建信道均衡器，所述复值信道均衡器应用在数字通信系统；从所述数字通信系统的非线性信道中采集相关的输入y(n)＝[y(n),y(n‑1),…,y(n‑m+1)]T作为复值神经网络的输入，s(n‑τ)作为期望输出，通过均方误差构建损失函数；对损失函数进行优化，从而得到合适的复值神经网络模型，最终使用该复值神经网络模型实现信道均衡。本发明的有益效果：本发明提出使用多层前向复值神经网络构建一种复值信道均衡器，并设计自适应复值L‑BFGS算法用于实现复值神经网络的高效学习，最终实现信道均衡的目的。
-
-
-
-
-
-
-
-
-
Search Results
78
records
(took 0.067 seconds)
