-
公开(公告)号：CN108803478B
公开(公告)日：2020-01-31
申请号：CN201810617404.3
申请日：2018-06-15
Applicant: 西安电子科技大学
IPC: G05B19/19 , G05B19/408
Abstract: 本发明提出了一种航空发动机叶片加工过程退化的轮廓质量控制方法，用于解决现有航空发动机叶片加工过程轮廓质量控制精度低的问题。实现步骤为：建立航空发动机叶片多阶段加工过程退化Profile误差累积的耦合预测模型；对航空发动机叶片多阶段加工过程退化Profile误差累积的耦合预测模型进行最小二乘回归；采用提前一步预测残差方法，对发动机叶片加工过程轮廓误差进行自性关性处理；对发动机叶片加工过程节点工序k的残差方程进行最小二乘回归；建立基于聚类的T2控制图监控模型；获取航空发动机叶片加工过程退化的轮廓质量控制结果。本发明可以提高发动机叶片加工过程轮廓质量控制精度,可应用于航空工业领域中发动机叶片加工过程轮廓质量控制。
-
公开(公告)号：CN117828526A
公开(公告)日：2024-04-05
申请号：CN202311817265.6
申请日：2023-12-27
Applicant: 西安电子科技大学
IPC: G06F18/25 , G06F18/24 , G06N3/0464 , G06F18/213 , G01S7/02 , G01S7/41
Abstract: 本发明提出了一种基于FPGA的深度特征融合网络窄带雷达目标识别系统，包括部署在FPGA上的包括编码模块单元及与其级联且并行排布的解码模块单元和全连接模块单元的深度特征融合网络。本发明权重缓存模块和乒乓缓冲模块分别实现对网络权重数据和网络运算产生的中间结果的缓存，无需频繁访问PS端的存储器，有效降低了系统功耗；一维卷积加速模块、全连接加速模块能够进行快速运算，且权重缓存模块和乒乓缓冲模块能够创建不同的缓存空间，降低了网络运行的时延。
-
公开(公告)号：CN108868805B
公开(公告)日：2019-11-15
申请号：CN201810583493.4
申请日：2018-06-08
Applicant: 西安电子科技大学
Abstract: 本发明提出了一种基于统计分析与XGboost结合的盾构纠偏方法，用于解决现有技术中存在的纠偏精度较低的技术问题，实现步骤为：获取盾构参数数据包；获取训练集数据和测试集数据；获取基于XGboost的盾构姿态参数回归模型；获取多组掘进样本数据；对盾构机姿态进行纠偏。通过统计分析，将姿态参数值划分为多个区间，并且对每个区间掘进数据通过XGboost所建立的回归模型进行计算，得到每组包含多条盾构数据的多组数据，使得每个区间给出一组盾构参考数据，给多环纠偏时参数设置提供依据，通过基于XGboost所拟合的回归模型，有效提高了所给出的盾构参考数据的准确性，进而提高了掘进纠偏的准确度。
-
公开(公告)号：CN110242310A
公开(公告)日：2019-09-17
申请号：CN201910517580.4
申请日：2019-06-14
Applicant: 西安电子科技大学
Abstract: 本发明提出了一种基于深度神经网络与关联分析结合的盾构轴线纠偏方法，用于解决现有技术中存在的纠偏精度较低的技术问题，实现步骤为：构建盾构参数数据包；计算每类盾构轴线偏差的历史纠偏数据；构建基于深度神经网络DNN的轴线偏差参数回归模型；获取每类盾构轴线偏差的历史纠偏数据区间；获取每类盾构轴线偏差的每环纠偏量区间关联的纠偏掘进数据区间；获取盾构机各环所需的纠偏量；获取每环的纠偏掘进参数推荐数值。通过深度神经网络DNN构建盾构轴线偏差参数回归模型，通过关联分析获得与每环纠偏量区间关联的纠偏掘进数据区间，通过反向圆几何计算方法获得每环纠偏量，并通过每环纠偏掘进参数推荐数值实现纠偏，有效提高了纠偏精度。
-
公开(公告)号：CN110185463A
公开(公告)日：2019-08-30
申请号：CN201910583926.0
申请日：2019-07-01
Applicant: 西安电子科技大学
Abstract: 本发明提出了一种盾构掘进姿态的控制方法，用于解决现有技术中存在的控制精度较低的技术问题，实现步骤为：获取盾构数据包；获取b个盾构掘进初始特征数据包；对每个盾构掘进初始特征数据包进行递归特征消除；对每个盾构掘进深度特征数据包进行离散化；获取盾构掘进施工参数分析结果；对盾构掘进姿态进行控制。本发明首先通过施工参数与盾构轴线偏差之间的相关性分析和冗余施工参数的递归特征消除，保证了分析结果的客观性；其次深度挖掘施工参数与盾构轴线偏差之间的关联规则，提取数据的隐含规律，可以提高盾构掘进姿态控制的控制精度,可应用于盾构掘进姿态控制。
-
Patent Agency Ranking
公开(公告)号：CN113743180A
公开(公告)日：2021-12-03
申请号：CN202110491864.8
申请日：2021-05-06
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于CNNKD的雷达HRRP小样本目标识别方法，包括：构建多类别的HRRP样本集；对HRRP样本集进行处理得到有效HRRP样本集；利用有效HRRP样本集构建库内目标HRRP训练样本集；将库内目标HRRP训练样本集输入卷积神经网络进行训练得到基模型；根据基模型和子模型的输出得到损失值；利用损失值进行反向传播，根据Adam优化算法对子模型进行优化得到特征提取器；通过特征提取器对多类别非合作目标小样本训练集进行特征提取得到非合作目标的特征数据；对多个类别的非合作目标的特征数据进行训练得到分类器。本发明目标识别方法有效提高了目标识别模型的准确率，并且对新的非合作目标，仅需要重新训练浅层线性分类器即可，无需重新训练特征提取器，节省了计算开支。
-
公开(公告)号：CN110242310B
公开(公告)日：2020-08-11
申请号：CN201910517580.4
申请日：2019-06-14
Applicant: 西安电子科技大学
Abstract: 本发明提出了一种基于深度神经网络与关联分析结合的盾构轴线纠偏方法，用于解决现有技术中存在的纠偏精度较低的技术问题，实现步骤为：构建盾构参数数据包；计算每类盾构轴线偏差的历史纠偏数据；构建基于深度神经网络DNN的轴线偏差参数回归模型；获取每类盾构轴线偏差的历史纠偏数据区间；获取每类盾构轴线偏差的每环纠偏量区间关联的纠偏掘进数据区间；获取盾构机各环所需的纠偏量；获取每环的纠偏掘进参数推荐数值。通过深度神经网络DNN构建盾构轴线偏差参数回归模型，通过关联分析获得与每环纠偏量区间关联的纠偏掘进数据区间，通过反向圆几何计算方法获得每环纠偏量，并通过每环纠偏掘进参数推荐数值实现纠偏，有效提高了纠偏精度。
-
公开(公告)号：CN113743180B
公开(公告)日：2024-05-07
申请号：CN202110491864.8
申请日：2021-05-06
Applicant: 西安电子科技大学
IPC: G06V20/13 , G06V10/764 , G06V10/774 , G06V10/40 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于CNNKD的雷达HRRP小样本目标识别方法，包括：构建多类别的HRRP样本集；对HRRP样本集进行处理得到有效HRRP样本集；利用有效HRRP样本集构建库内目标HRRP训练样本集；将库内目标HRRP训练样本集输入卷积神经网络进行训练得到基模型；根据基模型和子模型的输出得到损失值；利用损失值进行反向传播，根据Adam优化算法对子模型进行优化得到特征提取器；通过特征提取器对多类别非合作目标小样本训练集进行特征提取得到非合作目标的特征数据；对多个类别的非合作目标的特征数据进行训练得到分类器。本发明目标识别方法有效提高了目标识别模型的准确率，并且对新的非合作目标，仅需要重新训练浅层线性分类器即可，无需重新训练特征提取器，节省了计算开支。
-
公开(公告)号：CN117079034A
公开(公告)日：2023-11-17
申请号：CN202311055361.1
申请日：2023-08-21
Applicant: 西安电子科技大学
IPC: G06V10/764 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明提出了一种基于深度特征融合网络的窄带雷达空中目标分类方法，实现步骤为：获取训练样本集和测试样本集；构建深度特征融合网络；定义最大边缘正交损失函数；初始化参数：对深度特征融合网络进行训练；对深度特征融合网络的参数进行更新；获取空中目标分类结果。本发明对深度特征融合网络进行训练和获取空中目标分类结果，其中卷积模块对窄带雷达浅层特征进行自适应融合并提取深层全局特征，然后联合通道、空间注意力模块基于深层全局特征获取局部高可分性特征，避免了现有技术利用浅层特征进行融合致使分类准确率较低的缺陷。利用目标重构误差对库外目标进行筛除，提高了分类的可靠性。最后，通过端到端的网络结构，有效提高了分类的实时性。
-
公开(公告)号：CN116385799A
公开(公告)日：2023-07-04
申请号：CN202310433878.3
申请日：2023-04-21
Applicant: 西安电子科技大学
IPC: G06V10/764 , G06V10/774 , G06N3/0464 , G06N3/048 , G06N3/084
Abstract: 本发明公开了一种基于卷积神经网络度量元学习的小样本目标识别方法。主要解决现有技术对小样本SAR图像识别准确率低，特征提取网络泛化能力差的问题。其方案是：收集并处理地面目标SAR图像数据；搭建由四个卷积组级联而成的特征提取主干网络；利用训练集采用随机梯度下降法和反向传播算法对该网络进行训练和参数迭代更新，得到训练好的特征提取主干网络和不同类别训练集图像的原型表示；计算测试集样本特征空间和每一类原型表示之间的欧氏距离，寻找与该测试图像欧氏距离最小的原型表示得到输入测试图像的类别，完成对小样本目标的识别。本发明有效提高了小样本情况下的网络识别精度和泛化能力，可用于机载星载SAR对地面遥感图像的分类。
-
-
-
-
-
-
-
-
-
Search Results
16
records
(took 0.028 seconds)
