-
公开(公告)号：CN115276784A
公开(公告)日：2022-11-01
申请号：CN202210882309.2
申请日：2022-07-26
Applicant: 西安电子科技大学
IPC: H04B10/077 , G06V10/82 , G06V10/764 , G06V10/44 , G06V10/42 , G06N3/08 , G06V10/25 , G06N3/04
Abstract: 本发明公开了一种基于深度学习的轨道角动量模态识别方法，属于自由空间光通信领域，包括步骤：S1，构建仿真数据集；S2，构建深度学习模型：包括构造注意力金字塔卷积神经网络，用于提升涡旋光轨道角动量模态的检测准确率；S3，训练基于构造注意力金字塔卷积神经网络的深度学习模型；S4，将测试数据集输入训练好的深度学习模型，识别涡旋光在不同湍流情形下传输后的轨道角动量模态，获取识别准确率和误码率。本发明有效利用了相似多模态叠加涡旋波相似光强图中的细微差异等细节信息，在骨干网络后添加注意力机制的双路径结构，有效提升了涡旋光OAM检测准确率。
-
公开(公告)号：CN115239552A
公开(公告)日：2022-10-25
申请号：CN202210882648.0
申请日：2022-07-26
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于深度学习的涡旋光传输波前校正方法、介质及设备，属于光通信领域，包括步骤：S1，构建训练样本；S2，构建深度学习模型，输入训练样本至深度学习模型进行训练；所述深度学习模型包括生成对抗网络，基于生成对抗网络端对端的畸变补偿，跳过波前重构，直接训练畸变OAM光强图与目标OAM光强图之间的映射关系，把两种图像看成两种图像风格，将湍流畸变补偿转变为图像风格转换问题，根据训练后的深度学习模型得到畸变OAM光强图与对应目标OAM光强图的映射关系；S3，训练后深度学习模型直接输出补偿后的轨道角动量光强图。本发明能够在无需重构波前、节省光学硬件的情况下仍保证优秀的畸变补偿性能。
-
公开(公告)号：CN118731884A
公开(公告)日：2024-10-01
申请号：CN202410868828.2
申请日：2024-07-01
Applicant: 西安电子科技大学
IPC: G01S7/41 , G06F18/214 , G06N3/0475 , G06N3/045 , G06N3/094
Abstract: 本发明公开了一种基于生成对抗网络的涡旋电磁波逆散射方法和系统，涉及雷达领域，用以快速、可靠地对涡旋电磁波逆散射反演。本发明以真实的目标和涡旋电磁波参数作为真实样本，以生成数据作为虚假样本，输入判别器对判别器进行训练；以生成数据作为真实样本输入判别器对生成器进行训练。利用训练好的生成对抗网络对散射目标的雷达散射截面进行预测，得到目标和涡旋电磁波的基本参数。本发明填补了涡旋电磁波逆散射反演的空白，避开了传统电磁反演方法中的迭代的复杂性问题，提高了反演效率。并且，本发明从真实数据中学习并重建出目标特征，保留了真实数据的细节信息，预测结果更加可靠。
-
公开(公告)号：CN115276784B
公开(公告)日：2024-01-23
申请号：CN202210882309.2
申请日：2022-07-26
Applicant: 西安电子科技大学
IPC: H04B10/077 , G06V10/82 , G06V10/764 , G06V10/44 , G06V10/42 , G06N3/08 , G06V10/25 , G06N3/0464
Abstract: 本发明公开了一种基于深度学习的轨道角动量模态识别方法，属于自由空间光通信领域，包括步骤：S1，构建仿真数据集；S2，构建深度学习模型：包括构造注意力金字塔卷积神经网络，用于提升涡旋光轨道角动量模态的检测准确率；S3，训练基于构造注意力金字塔卷积神经网络的深度学习模型；S4，将测试数据集输入训练好的深度学习模型，识别涡旋光在不同湍流情形下传输后的轨道角动量模态，获取识别准确率和误码率。本发明有效利用了相似多模态叠加涡旋波相似光强图中的细微差异等细节信息，在骨干网络后添加注意力机制的双路径结构，有效提升了涡旋光OAM检测准确率。(56)对比文件CN 109902693 A,2019.06.18CN 114581698 A,2022.06.03Yuan Hao;Lin Zhao;Tao Huang;Yi Wu;Ting Jiang;Zhongchao Wei;Dongmei Deng;Ai-Ping Luo;Hongzhan Liu.High-AccuracyRecognition of Orbital Angular MomentumModes Propagated in AtmosphericTurbulences Based on Deep Learning.IEEEAccess.2020,(第08期),全文.吴琼，李海英，丁炜，白璐，吴振森.基于ResNeXt网络的扰动轨道角动量谱识别.中国激光.2021,(第17期),全文.卫星;刘邵凡;杨国强;陆阳;魏臻.基于改进双边分割网络的井下轨道检测算法.计算机应用研究.2020,(S1),全文.杨春勇;闪开鸽.基于卷积神经网络的涡旋光相干解复用.中南民族大学学报(自然科学版).2020,(04),全文.
-
Patent Agency Ranking
公开(公告)号：CN103760530A
公开(公告)日：2014-04-30
申请号：CN201410018066.3
申请日：2014-01-15
Applicant: 西安电子科技大学
IPC: G01S7/36
CPC classification number: G01S7/36
Abstract: 本发明公开了一种基于信号锥的雷达压制式干扰和欺骗式干扰识别方法，主要解决现有技术提取的干扰特征不稳健，在较低或高干噪比条件下，对干扰类型识别率低的问题。其实现步骤是：1、获取目标或干扰的基带信号；2、计算干扰信号与真实目标回波信号的干扰信号误差角μ；3、设门限角度θ=80°，以θ为锥角，以真实目标回波信号为中心轴，得到一个信号锥，并定义处于锥外的干扰信号为压制式干扰，处于锥内的干扰信号为欺骗式干扰；4、将干扰信号误差角μ与角度门限θ进行比较，确定干扰的类型。本发明提取的干扰特征稳健，并使用信号锥的概念在较高或较低干噪比下有效识别欺骗式干扰和压制式干扰类型，可用于雷达抗干扰和目标的检测与跟踪。
-
公开(公告)号：CN115797177A
公开(公告)日：2023-03-14
申请号：CN202211538504.X
申请日：2022-12-02
Applicant: 西安电子科技大学
Abstract: 本发明提供了一种基于双重度量特征融合的视频超分辨率重建方法，通过获取视频超分辨率的训练数据集对预先构建的视频超分辨率重建模型进行训练，训练好的模型可以对现有视频进行超分辨率重建。本发明在特征融合模块中利用余弦相似性度量与Tanimoto相似性度量，分别计算两相邻帧特征向量的夹角余弦及其距离，进而基于此双重度量来建立两相邻帧特征向量的相关性；以相关性作为不同通道的特征融合的权值，进行相邻帧的全局特征融合。本发明相比于现有技术，通过利用视频相邻帧的相关性，结合不同通道的全局特征进行特征融合，提升特征融合效果，进而使得重建的超分辨率图像更加真实。
-
公开(公告)号：CN103760530B
公开(公告)日：2016-02-10
申请号：CN201410018066.3
申请日：2014-01-15
Applicant: 西安电子科技大学
IPC: G01S7/36
Abstract: 本发明公开了一种基于信号锥的雷达压制式干扰和欺骗式干扰识别方法,主要解决现有技术提取的干扰特征不稳健，在较低或高干噪比条件下，对干扰类型识别率低的问题。其实现步骤是：1、获取目标或干扰的基带信号；2、计算干扰信号与真实目标回波信号的干扰信号误差角μ；3、设门限角度θ=80°，以θ为锥角，以真实目标回波信号为中心轴，得到一个信号锥，并定义处于锥外的干扰信号为压制式干扰，处于锥内的干扰信号为欺骗式干扰；4、将干扰信号误差角μ与角度门限θ进行比较，确定干扰的类型。本发明提取的干扰特征稳健，并使用信号锥的概念在较高或较低干噪比下有效识别欺骗式干扰和压制式干扰类型，可用于雷达抗干扰和目标的检测与跟踪。
-
公开(公告)号：CN116626785A
公开(公告)日：2023-08-22
申请号：CN202310525573.5
申请日：2023-05-10
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种复合结构的偏振转换器及其光学响应分析方法，涉及光学器件技术领域，包括从上到下依次设置的椭圆柱天线层、中间电介质间隔层以及底层，椭圆柱天线层包括按矩形阵列排布的阵列单元组件，阵列单元组件包括若干阵列单元，若干阵列单元由两种阵列单元排列组合而成；本发明是针对现有的具有偏振转换功能的超表面所存在的问题，本发明提出的复合结构的偏振转换器，综合考虑了超表面器件的性能和成本问题，通过结合几何结构和排列来控制超表面特性，利用两种单元结构的排列组合，结合两种单一结构的性能优势，实现可见光区的更高效宽频的偏振转换。
-
公开(公告)号：CN116468605A
公开(公告)日：2023-07-21
申请号：CN202310391733.1
申请日：2023-04-12
Applicant: 西安电子科技大学
IPC: G06T3/40 , G06N3/0464 , G06N3/045 , G06N3/08
Abstract: 本发明公开了一种基于时空分层掩膜注意力融合的视频超分辨率重建方法，包括：获取训练数据集并对其进行增强处理；其中，训练数据集包括若干连续低分辨率图像序列；构建包括特征提取模块、特征对齐模块、时空分层掩膜注意力融合模块和图像重建模块的超分辨率重建网络；设置训练参数并以训练数据集作为超分辨率重建网络的输入，对该网络进行训练；利用训练好的超分辨率重建网络对待重建视频进行重建。该方法基于注意力机制增加了时空分层掩膜注意力融合模块，充分利用了帧间时间信息；同时更加专注利用帧内强相关像素点信息，从而使特征融合更加充分，最终提升了视频重建效果。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.023 seconds)
