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950857个,建议您升级VIP下载更多相关专利
  • [发明专利]噪声信息生成方法及装置-CN202210730132.4在审
  • 杨莹;靳凯 - 百果园技术(新加坡)有限公司
  • 2022-06-24 - 2022-11-04 - G06T3/00
  • 本申请实施例公开了一种噪声信息生成方法及装置,该方法包括:获取无噪声图像;通过泊松噪声生成模型确定所述无噪声图像的泊松噪声,以及通过类椭圆高斯噪声生成模型确定所述无噪声图像的类椭圆高斯噪声,所述泊松噪声生成模型用于生成与图像信号相关的噪声,所述类椭圆高斯噪声生成模型用于生成与图像信号无关的噪声;将所述泊松噪声以及所述类椭圆高斯噪声叠加至所述无噪声图像中,生成包含噪声信息的图像。本方案生成的噪声更加真实,能够为深度学习降噪任务提供大量的符合实际情况的含噪声图像,进一步提升了降噪模型对于识别不同形态噪声的鲁棒性。
  • 噪声信息生成方法装置
  • [发明专利]一种正弦非线性干扰影响下的LFM信号参数估计方法-CN202310281474.7在审
  • 杨昱;宋迪;李郁 - 南京理工大学
  • 2023-03-22 - 2023-09-29 - H04L27/00
  • 本发明公开了一种正弦非线性干扰影响下的LFM信号参数估计方法,该方法首先对LFM信号建模,将正弦非线性干扰作为信号的“乘性噪声”并将高斯噪声作为信号的“加性噪声”,形成的噪声信号模型包括正弦非线性干扰项、高斯噪声项和理想信号模型,再将噪声信号模型和理想信号模型对CAE模型进行训练,训练好的CAE模型不仅能去除信号中的常规高斯噪声,还能去除真实环境下存在的正弦非线性干扰;本发明方法再将去除掉正弦非线性干扰和高斯噪声的“干净”信号和信号对应的信号调制参数对CNN模型进行训练,训练好的CNN模型可以快速完成参数估计,得到准确的信号调制参数。
  • 一种正弦非线性干扰影响lfm信号参数估计方法
  • [发明专利]一种信道衰落模型、信道信号的生成方法和模拟装置-CN201710110777.7有效
  • 熊军 - 北京睿信丰科技有限公司
  • 2017-02-28 - 2020-10-27 - H04B17/391
  • 本发明公开了一种信道衰落模型、信道信号的生成方法和模拟装置,涉及通信技术领域,用于提高道衰落模型的灵活性。该信道衰落模型包括配置参数生成模块、高斯噪声滤波器系数生成模块和FPGA模块。其中,配置参数生成模块用于根据用户要求生成配置参数列表,并将该配置参数列表发送至高斯噪声滤波器系数生成模块中;高斯噪声滤波器系数生成模块用于根据接收到的配置参数列表生成高斯噪声滤波器系数,并将该高斯噪声滤波器系数发送至FPGA模块中;FPGA模块用于对接收到的高斯噪声滤波器系数进行内插滤波处理,生成信道信号ChanSig。本发明所提供的信道衰落模型用于对多径衰减信道进行模拟和仿真。
  • 一种信道衰落模型信号生成方法模拟装置
  • [发明专利]基于扩散模型的推荐系统隐私攻击的防御方法-CN202211458469.0在审
  • 陈晋音;马浩男;郑海斌 - 浙江工业大学
  • 2022-11-17 - 2023-03-14 - G06F21/62
  • 基于扩散模型的推荐系统隐私攻击的防御方法,包括:S1、获取推荐系统的原始数据集;S2、推荐模型训练;S3、构建成员推断模型;S4、构建基于扩散模型噪声生成模型;S5,将高斯噪声输入至对抗噪声生成模型得到对抗噪声,再将对抗噪声输入至真实世界数据集,使其具有防御成员推断攻击的能力。本发明通过扩散模型强大的生成能力,通过在数据集中加入高斯噪声,将高斯噪声逐渐生成为对抗噪声,起到防御成员推断攻击的作用;能直接起到防御隐私防御的作用,同时保证数据集能够正常的作用于推荐系统进行推荐。
  • 基于扩散模型推荐系统隐私攻击防御方法
  • [发明专利]一种非高斯非稳态噪声建模方法-CN201410244453.9有效
  • 杜航原;张虎;白亮;王文剑 - 山西大学
  • 2014-06-04 - 2017-04-26 - G06F19/00
  • 本发明公开了一种非稳态非高斯观测噪声建模方法,用于目标跟踪系统的滤波器状态估计过程中对观测噪声的处理。本发明的主要特征在于利用高斯混合模型对非稳态非高斯观测噪声进行近似,混合模型高斯成员的分布参数融合在滤波器的迭代过程中进行计算和更新,能针对观测噪声统计特性的变化在线调节。在滤波器的每一次迭代处理中,高斯成员的分布参数分为先验参数和后验参数。先验参数由上一次迭代获得的参数估计结果进行计算,后验参数通过极大似然估计求取。利用后验分布参数构建高斯成员分布,并组成观测噪声高斯混合近似模型,该模型能够保证滤波器精度维持在较高水平。本方法对于观测噪声的建模具有较高精度和较强鲁棒性。
  • 一种非高斯非稳态噪声建模方法
  • [发明专利]相关噪声及非高斯干扰下轮式移动机器人轨迹跟踪方法-CN202210554945.2在审
  • 李丽;李鹏超 - 燕山大学
  • 2022-05-20 - 2022-09-02 - G05D1/02
  • 本发明涉及一种相关噪声及非高斯干扰下轮式移动机器人轨迹跟踪方法,属于轮式机器人轨迹跟踪数据融合技术领域,包括建立轮式移动机器人的连续时间运动学模型,将其进行离散化,建立轮式移动机器人的非线性状态模型和非线性传感器测量模型;对于非线性状态模型考虑高斯噪声干扰,对于非线性传感器测量模型考虑高斯噪声干扰和非高斯噪声干扰;对非线性传感器测量模型进行线性化;综合考虑过程噪声和测量噪声之间的一步相关性;提出一种无迹信息滤波算法,得到信息矩阵和信息向量的估计本发明基于无迹卡尔曼滤波的基础上引入噪声的相互干扰和非高斯干扰,提高了对目标轨迹跟踪的精度。
  • 相关噪声非高斯干扰轮式移动机器人轨迹跟踪方法
  • [发明专利]一种基于高斯分类的快速模型自适应方法-CN201711112767.3有效
  • 吕勇 - 河海大学
  • 2017-11-13 - 2021-06-25 - G10L15/22
  • 本发明公开一种基于高斯分类的快速模型自适应方法,其特征是将语音识别系统全部声学模型的所有高斯单元划分为若干类,并提取每类高斯单元的均值向量和协方差矩阵作为类的均值向量和协方差矩阵,在环境噪声改变的初期对类的均值和方差进行模型自适应,作为该类内全部高斯单元的均值和方差的近似值,以实现声学模型的快速噪声自适应。本发明可以加快噪声环境下模型参数变换的速度,增强模型自适应算法的实际应用能力。
  • 一种基于分类快速模型自适应方法
  • [发明专利]一种基于鲁棒低秩张量的高光谱图像去噪方法-CN201510521057.0有效
  • 马佳义;马泳;黄珺;梅晓光;樊凡 - 武汉大学
  • 2015-08-21 - 2017-11-28 - G06T5/00
  • 本发明提出了一种基于鲁棒低秩张量的高光谱图像去噪方法,包括建立高光谱图像噪声的数学模型,构造高光谱图像鲁棒低秩张量(RLRTR)去噪模型,求解RLRTR去噪优化模型。本发明充分利用高光谱图像(HSI)的先验知识,高光谱图像被不同的噪声污染,如高斯噪声、脉冲噪声、死像素和条带噪声等。利用干净的高光谱图像数据具有潜在的低秩张量特性以及异常和非高斯噪声具有稀疏性的特性,同时分别采用核范数和l2,1范数来表征低秩和稀疏特性;本发明的技术方案充分利用高光谱图像的先验信息和内在结构特征,可以同时去除高斯噪声、异常和非高斯噪声
  • 一种基于鲁棒低秩张量光谱图像方法
  • [发明专利]基于纯净语音与背景噪声两极建模的音频类型检测方法-CN201610847518.8有效
  • 贺前华;李洪滔;蔡梓文 - 华南理工大学
  • 2016-09-23 - 2019-07-16 - G10L15/06
  • 本发明提供一种基于纯净语音与背景噪声两极建模的音频类型检测方法,包括步骤:S1、构建纯净语音GMM模型以及纯粹背景噪声GMM模型;S2、计算纯净语音模型自身各高斯混元间的距离,判断高斯混元是否位于特征重叠空间;S3、剔除位于特征重叠空间中的高斯混元,重新构建纯净语音统计模型、纯粹背景噪声统计模型;S4、计算新的纯净语音统计模型、纯粹背景噪声统计模型的概率,以及估算音频样本信噪比;S5、根据计算得到的概率以及估算信噪比,构建特征矢量且利用SVM模型进行判决,将样本判别为纯净语音、背景噪声或含噪声语音。本发明在降低GMM‑SVM运算量的同时,能有效地区分纯净语音、纯净背景噪声和含噪声语音。
  • 基于纯净语音背景噪声两极建模音频类型检测方法

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