专利名称
主分类
A 农业
B 作业;运输
C 化学;冶金
D 纺织;造纸
E 固定建筑物
F 机械工程、照明、加热
G 物理
H 电学
专利下载VIP
公布日期
2023-10-24 公布专利
2023-10-20 公布专利
2023-10-17 公布专利
2023-10-13 公布专利
2023-10-10 公布专利
2023-10-03 公布专利
2023-09-29 公布专利
2023-09-26 公布专利
2023-09-22 公布专利
2023-09-19 公布专利
更多 »
专利权人
国家电网公司
华为技术有限公司
浙江大学
中兴通讯股份有限公司
三星电子株式会社
中国石油化工股份有限公司
清华大学
鸿海精密工业股份有限公司
松下电器产业株式会社
上海交通大学
更多 »
钻瓜专利网为您找到相关结果10个,建议您升级VIP下载更多相关专利
  • [发明专利]一种克服本底像差的无监督学习波前复原方法-CN202310543836.5在审
  • 葛欣兰;朱里程;高泽宇;王宁;叶红卫;杨平 - 中国科学院光电技术研究所
  • 2023-05-15 - 2023-08-01 - G02B27/00
  • 本发明公开了一种克服本底像差的无监督学习波前复原方法。本发明首次将无监督学习的思想引入到与目标无关的波前复原方法中,使用无监督学习模式训练模型,无需制作标签,训练完善的网络能够对任意成像目标进行快速相位反演。首先提出了一种精细化特征,该特征只依赖于波前像差而与成像目标无关,接着联合一个轻量型的神经网络和光学特征系统组成了无监督学习模型,通过反向输出精细特征促进神经网络实现特征与波前像差的非线性拟合。该方法无需制作标签,并且能够有效地克服实际光路中存在的本底像差的问题,实现任意扩展目标场景下的高精度的波前复原,对于基于图像的波前复原领域有应用潜力和实际应用意义。
  • 一种克服本底监督学习复原方法
  • [发明专利]一种基于LSTM网络的激光通信系统畸变波前预测方法-CN202111430985.8有效
  • 王宁;朱里程;马帅;葛欣兰;杨平 - 中国科学院光电技术研究所
  • 2021-11-29 - 2023-05-30 - G06N3/049
  • 本发明公开了一种基于LSTM网络的激光通信系统畸变波前预测方法,其预测过程为利用相位协方差函数在MATLAB中仿真产生符合激光通信系统中大气湍流统计分布的动态相位屏,模拟畸变波前,并将其分为两组分别作为LSTM网络预测模型的训练集与测试集,训练过程中输入历史连续畸变波前,输出下一帧待校正波前,经过迭代后生成多组预测模型,利用测试集进行效果验证,真值与预测值的残差平均RMS值作为预测模型的评价指标,选取残差平均RMS值最小的模型作为最终的预测模型,并将该模型部署到实际的激光通信系统中实现畸变波前的前向预测;本发明发挥神经网络的非线性拟合能力,充分利用LSTM网络的长短期记忆能力进行畸变波前预测,提高传输激光的能量集中度和通信能力。
  • 一种基于lstm网络激光通信系统畸变预测方法
  • [发明专利]一种基于深度学习的畸变波前预测方法-CN202210168834.8在审
  • 朱里程;王宁;马帅;葛欣兰;杨平 - 中国科学院光电技术研究所
  • 2022-02-23 - 2022-05-20 - G06F30/27
  • 本发明公开了一种基于深度学习的畸变波前预测方法。自适应光学系统(AO)是一类能够实时补偿大气湍流畸变波前的伺服延迟系统,通常延迟时间为2~3个采样周期,波前预测技术可有效解决该时延问题,提高系统的控制性能。深度学习可自提取图像深层特征,可被用于拟合多帧历史波前信息到预测波前信息的映射;本发明在于充分发挥神经网络的非线性拟合能力,利用多帧连续畸变波前帧与帧之间存在的时序特征,采用残差学习的方式消除相邻两帧之间的冗余信息,然后融合精化处理后的特征,最后,再次通过融合各级特征得到最终预测结果用于实时校正,以降低AO系统在应对具有高时间频率的大气湍流畸变波前时的时延误差,提高控制性能。
  • 一种基于深度学习畸变预测方法

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

400-8765-105周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top