-
公开(公告)号：CN118115853A
公开(公告)日：2024-05-31
申请号：CN202211530460.6
申请日：2022-11-30
申请人： 西安电子科技大学 , 中国人民解放军空军工程大学
IPC分类号： G06V10/82 , G06V10/764 , G06F18/10 , G06N3/0455 , G06N3/0464 , G06N3/047 , G06N3/048 , G06N3/082 , G06N3/084 , G06F123/02
摘要： 本发明涉及一种基于轻量化全卷积神经网络的宽带信号检测方法，本发明的目的是在缺乏先验知识的情况下，利用深度学习中的全卷积神经网络实现宽带信号的检测，具体步骤为：获取原始信号后进行归一化的时频分析并构建数据集；使用所构建的数据集对全卷积神经网络进行训练；将测试集待检测信号进行归一化时频分析并送入网络预测，对网络模型性能进行评估；保存最优的模型权重，利用神经元剪枝来减少网络的参数量并构建轻量化的全卷积神经网络结构；对轻量化的全卷积网络模型进行训练；采用后处理方法得到窄带信号的信息并输出。实验结果表明该算法能取得良好的宽带信号检测效果。
-
公开(公告)号：CN110852158B
公开(公告)日：2023-09-22
申请号：CN201910942378.6
申请日：2019-09-30
申请人： 西安电子科技大学
IPC分类号： G06V40/20 , G06V10/50 , G06V10/764 , G06V10/80
摘要： 本发明属于雷达技术领域，具体涉及一种基于模型融合的雷达人体运动状态分类算法及系统，方法包括：获得训练集；根据所述训练集构建支持向量机模型；根据所述支持向量机模型得到所述支持向量机模型的预测值；根据所述支持向量机模型的预测值构建极限梯度提升树模型。本发明通过stacking模型融合方法对支持向量机模型和极限梯度提升树模型进行融合，支持向量机模型适合处理小样本高纬度，极限梯度提升树模型具有拟合能力强的优点，融合后的模型兼具支持向量机模型与极限梯度提升树模型的优点，使得模型泛化能力更强，识别精度更高，减少了深度学习中，对模型训练的时间。
-
公开(公告)号：CN111598787B
公开(公告)日：2023-06-02
申请号：CN202010252004.4
申请日：2020-04-01
申请人： 西安电子科技大学
IPC分类号： G06T5/00 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/0475 , G06N3/094
摘要： 本发明公开了一种生物雷达图像去噪方法、装置、电子设备及其存储介质，方法包括获取生物雷达图像训练集；构建生成式对抗神经网络模型，根据生物雷达图像训练集对生成式对抗神经网络模型进行训练得到训练好的生成式对抗神经网络模型，其中，训练过程中采用的损失函数包括条件三元组损失函数；将测试生物雷达噪声图像输入至训练好的生成式对抗神经网络模型得到去噪后的图像。本发明提供的生物雷达图像去噪方法，由于在训练过程中采用了条件三元组损失函数，使生成式对抗神经网络模型得到更好的收敛，采用该生成式对抗神经网络模型得到去噪图像细节保存更好。
-
公开(公告)号：CN111598787A
公开(公告)日：2020-08-28
申请号：CN202010252004.4
申请日：2020-04-01
申请人： 西安电子科技大学
摘要： 本发明公开了一种生物雷达图像去噪方法、装置、电子设备及其存储介质，方法包括获取生物雷达图像训练集；构建生成式对抗神经网络模型，根据生物雷达图像训练集对生成式对抗神经网络模型进行训练得到训练好的生成式对抗神经网络模型，其中，训练过程中采用的损失函数包括条件三元组损失函数；将测试生物雷达噪声图像输入至训练好的生成式对抗神经网络模型得到去噪后的图像。本发明提供的生物雷达图像去噪方法，由于在训练过程中采用了条件三元组损失函数，使生成式对抗神经网络模型得到更好的收敛，采用该生成式对抗神经网络模型得到去噪图像细节保存更好。
-
公开(公告)号：CN110852158A
公开(公告)日：2020-02-28
申请号：CN201910942378.6
申请日：2019-09-30
申请人： 西安电子科技大学
摘要： 本发明属于雷达技术领域，具体涉及一种基于模型融合的雷达人体运动状态分类算法及系统，方法包括：获得训练集；根据所述训练集构建支持向量机模型；根据所述支持向量机模型得到所述支持向量机模型的预测值；根据所述支持向量机模型的预测值构建极限梯度提升树模型。本发明通过stacking模型融合方法对支持向量机模型和极限梯度提升树模型进行融合，支持向量机模型适合处理小样本高纬度，极限梯度提升树模型具有拟合能力强的优点，融合后的模型兼具支持向量机模型与极限梯度提升树模型的优点，使得模型泛化能力更强，识别精度更高，减少了深度学习中，对模型训练的时间。
-
-
-
-
搜索结果
5 条记录 (耗时 0.041 秒)
