“马崇润”申请（专利权）人搜索_中国专利权人_发明人_技术持有人_科研专家_钻瓜专利网

钻瓜专利网为您找到相关结果5个，建议您升级VIP下载更多相关专利

[发明专利]一种集成电路引脚检测方法、装置、终端及存储介质-CN202110679669.8有效
发明人：蔡念;陈文杰;肖盟;郭威志;马崇润;王晗;陈梅云 -专利权人：广东工业大学
申请日： 2021-06-18 - 公布日： 2022-12-30 - 主分类号： G06T7/00 文献下载
摘要：本申请公开了一种集成电路引脚检测方法、装置、终端及存储介质。本申请提供的集成电路引脚检测方法，对于训练集的合格样本与不合格样本采用不同的缺陷二值图处理方式，得到由两类缺陷二值图构成的缺陷图训练集，并利用该缺陷图训练集构建缺陷识别模型得到待测IC图像的待测缺陷二值图，结合获取的待测IC图像和IC引脚评估模型确定待测IC图像的引脚检测结果。解决了现有技术IC焊点检测只注重合格样本作为训练样本，忽略了不合格样本导致的检测准确度差的技术问题。
一种集成电路引脚检测方法装置终端存储介质

[发明专利]一种用于小型无人机识别的微多普勒特征分级分析方法-CN202211055591.3在审
发明人：刘震宇;伍卓丰;马崇润;刘昊明;李光平 -专利权人：广东工业大学
申请日： 2022-08-31 - 公布日： 2022-12-13 - 主分类号： G01S7/41 文献下载
摘要：本发明公开了一种用于小型无人机识别的微多普勒特征分级分析方法，包括以下步骤：对小型无人机回波信号进行预处理，去除无人机的机身多普勒信号分量；分离提取无人机微多普勒信号分量，并构建无人机微动特征集，其包括训练数据集和实测数据集；构建无人机分类模型，利用训练数据集构建模型训练数据集训练无人机分类模型，并建立最优的无人机微动特征组合和保存最优分类模型；根据无人机微动特征组合指导雷达系统从实测数据集中筛选出数据集，输入到最优分类模型中进行无人机类型识别；利用无人机回波信号预处理，抑制机身多普勒信号，减少遮蔽效应的影响，根据先验知识提取有效的微动特征并训练最优的轻量级无人机分类模型，提升目标的识别精度。
一种用于小型无人机识别多普勒特征分级分析方法

[发明专利]基于深度学习的船载雷达同频异步互扰抑制方法-CN202211058304.4在审
发明人：刘震宇;王梓斌;马崇润;李成光;李光平 -专利权人：广东工业大学
申请日： 2022-08-31 - 公布日： 2022-12-09 - 主分类号： G01S7/41 文献下载
摘要：本发明提出一种基于深度学习的船载雷达同频异步互扰抑制方法，涉及雷达抗干扰技术领域，其主要步骤如下：分别建立船载雷达的有互扰差拍模型与无互扰差拍模型；进行有互扰及无互扰差拍数据的生成，并进行预处理获得相应的二维标签数据集及二维训练数据集；建立互扰抑制网络模型；对实时数据进行互扰抑制。本发明提供的方法，需要的实测数据量少，网络结构轻量化，可以快速且准确地识别船载雷达间的互扰并精确修复距离信息，降低互扰带来的距离信息模糊风险，保证船载雷达系统可以在同频异步多互扰的环境下使用，为船只在同频异步互扰环境下执行海上任务提供了更大的安全保障。
基于深度学习雷达异步抑制方法

[发明专利]一种基于任务关联性的北斗测试任务调度方法和系统-CN202210521639.9在审
发明人：刘震宇;黄淑婷;徐彦;罗超繁;马崇润 -专利权人：广东工业大学
申请日： 2022-05-13 - 公布日： 2022-09-20 - 主分类号： G06F9/48 文献下载
摘要：本发明提供一种基于任务关联性的北斗测试任务调度方法和系统，涉及卫星导航测试技术领域。包括：S1、获取北斗测试任务的历史事务集，通过北斗测试任务的历史事务集，建立关联任务映射表V；S2、根据步骤S1的关联任务映射表V，获得任务关联集Lk及关联度S3、通过步骤S2所获得的任务关联集Lk及关联度对北斗待测事务进行处理，得到北斗待测任务调度序列Seq。本发明提供的方法充分利用了任务之间的关联性，从而降低任务调度的盲目性，适合大量的北斗设备测试任务的调度；相较于其他任务调度方法，本发明提供的方法相对简单、易于实现，提高了北斗设备测试任务的效率，有利于缩减北斗设备的测试时间。
一种基于任务关联性北斗测试调度方法系统

[发明专利]一种基于联邦学习的毫米波手势识别方法及系统-CN202210171022.9在审
发明人：刘震宇;马崇润;甘炼强;何徽鸿;刘昊明;梁进杰 -专利权人：广东工业大学
申请日： 2022-02-23 - 公布日： 2022-07-12 - 主分类号： G06F3/01 文献下载
摘要：本发明公开了一种基于联邦学习的毫米波手势识别方法，包括以下步骤：S1：云服务器向手势识别客户端分发初始全局手势分类模型和当前训练轮次；S2：手势识别客户端采集手势信息，得到手势特征图，建立本地手势数据集，得到手势分类结果；S3：训练得到本地手势分类模型；S4：本地手势分类模型进行聚合浅层网络或交换深层网络，得到手势识别结果并输出。本发明还公开了一种基于联邦学习的毫米波手势识别系统，在保证各手势识别客户端本地数据不被泄露的同时增大用于训练手势分类模型的样本数量，提高手势分类模型的泛化能力和手势分类的准确率，拓展描述手势动作的信息维度提高对于特定手势的识别准确率，降低手势识别客户端与云服务器间的通信流量。
一种基于联邦学习毫米波手势识别方法系统