-
Patent Agency Ranking
公开(公告)号：CN117760119A
公开(公告)日：2024-03-26
申请号：CN202410084062.9
申请日：2024-01-19
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于拮抗式驱动的热功耦合弹热制冷装置、系统及其方法，该装置包括SMA床位移端滑动装置，所述SMA床位移端滑动装置的两侧对称设置有第一弹热SMA床和第二弹热SMA床，SMA床位移端滑动装置底部与定位件滑动连接，定位件两端的顶部分别对称设置有SMA固定端定位装置，一侧的SMA固定端定位装置与SMA床位移端滑动装置之间且第一弹热SMA床的两侧对称设置有第一驱动SMA床，另一侧的SMA固定端定位装置与SMA床位移端滑动装置之间且第二弹热SMA床的两侧对称设置有第二驱动SMA床；该系统包括拮抗滑移驱动模块A、换热模块B以及制冷热功转换模块C；本发明解决了现有技术中驱动器SMA平台应力大而无法驱动的技术问题，提高了制冷机的制冷效率。
-
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.
-
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：CN117422021A
公开(公告)日：2024-01-19
申请号：CN202311539492.7
申请日：2023-11-18
Applicant: 西安电子科技大学
IPC: G06F30/28 , G06F113/08 , G06F119/14 , G06F119/08
Abstract: 一种热功耦合弹热制冷系统与建模方法，制冷系统包括：SMA算法模块，用于实现SMA热驱动计算与冷能输出计算的功能，得到相变潜热；数据交互模块，用于将SMA算法模块输出的相变潜热传递给流体系统模块；流体系统模块，用于对数据交互模块传递的相变潜热进行对流换热处理，得到制冷系统计算结果；模型建立方法首先建立SMA算法模块的计算模型，然后将计算结果通过数据交互模块传输至流体系统模块，流体系统模块根据计算结果及流体系统模块获取的对流换热后的数据，迭代温度平衡方程，得到制冷模型；本发明针对热驱动弹热制冷系统，搭建了热功耦合弹热制冷系统的计算模型，因此可对形状记忆合金拮抗式驱动、系统的数值通过计算模型进行计算，具有结构简单，运行高效，可操作性强的优点。
-
-
-
-
Search Results
5
records
(took 0.025 seconds)
