“稀疏度”专利关键词查询_检索下载_查询列表_检索列表_行业专利分布_钻瓜专利网

钻瓜专利网为您找到相关结果1656578个，建议您升级VIP下载更多相关专利

[发明专利]一种大规模MIMO稀疏信道估计方法及相关设备-CN202210826619.2有效
发明人：陈建侨;陈昊;马楠;许晓东;张平 -专利权人：鹏城实验室;北京邮电大学
申请日： 2022-07-14 - 公布日： 2023-06-16 - 主分类号： H04L25/02 文献下载
摘要：本发明公开了一种大规模MIMO稀疏信道估计方法及相关设备，所述方法包括：本地服务器进行离线训练得到信道稀疏度认知神经网络、信道稀疏表示字典和信道稀疏重构神经网络；终端将OFDM信号输入到信道稀疏度认知神经网络中得到信道稀疏度；基站根据信道稀疏度确定下行传输信号中导频序列的长度；基站接收到下行传输信号后，根据信道稀疏度选择相应的信道稀疏表示字典进行信道稀疏表示，并根据信道稀疏重构神经网络一起进行信道稀疏重构。通过终端将OFDM信号输入到信道稀疏度认知神经网络中得到信道稀疏度，基站根据信道稀疏度进行信道稀疏表示，并根据信道稀疏重构神经网络一起进行信道稀疏重构，实现了高精度、低复杂度的信道估计。
一种大规模 mimo 稀疏信道估计方法相关设备

[发明专利]一种确定fMRI脑功能连接网络稀疏度的方法-CN201911057906.6有效
发明人：陈俊;张艳;赖丁尧 -专利权人：中国计量大学
申请日： 2019-11-01 - 公布日： 2023-03-24 - 主分类号： G06V10/40 文献下载
摘要：本发明公开了一种确定fMRI脑功能连接网络稀疏度的方法，包括如下步骤：步骤一，获得fMRI数据；步骤二，数据预处理；步骤三，构建脑网络；步骤四，基于节点介数选出单个被试在各个稀疏度下的核心节点；步骤五，基于步骤四得到该被试的全稀疏度核心节点；步骤六，计算该被试在各个稀疏度下的核心节点与全稀疏度核心节点的重复率；步骤七，对所有被试重复步骤三至步骤六，计算所有被试在各个稀疏度下的平均重复率，其值最大时对应的稀疏度视为该组被试的最佳稀疏度本发明基于节点介数，得到所有稀疏度下的平均重复率，量化了在不同稀疏度下建立的脑功能连接网络之间的差异，在常用的稀疏度范围之中确定了构建脑功能连接网络的稀疏度。
一种确定 fmri 功能连接网络稀疏方法

[发明专利]一种稀疏SAR成像自适应稀疏度估计方法、装置-CN201910439082.2有效
发明人：张冰尘;刘鸣谦;徐志林;魏中浩;吴一戎 -专利权人：中国科学院电子学研究所
申请日： 2019-05-24 - 公布日： 2021-04-06 - 主分类号： G01S13/90 文献下载
摘要：本发明提出了一种稀疏SAR成像自适应稀疏度估计方法，该方法包括：首先利用匹配滤波方法对欠采样的SAR原始数据进行成像，得到复图像，然后采用基于复图像的稀疏SAR成像方法，在复图像域中自适应迭代，得到预估的稀疏度，然后根据预估的稀疏度，更新稀疏度的迭代范围，最后引入方位‑距离解耦算子，并在更新后的稀疏度的迭代范围上，基于原始数据自适应估计稀疏度的最优值。相比于传统的基于观测矩阵的自适应稀疏度估计方法，本发明提出的方法能够在获得相近的稀疏恢复性能的同时降低计算复杂度。
一种稀疏 sar 成像自适应估计方法装置

[发明专利]一种基于压缩感知的1‑Bit稀疏度自适应信号重构方法-CN201310738271.2有效
发明人：付宁;张京超;杨柳;乔立岩 -专利权人：哈尔滨工业大学
申请日： 2013-12-29 - 公布日： 2017-02-01 - 主分类号： H03M7/30 文献下载
摘要：一种基于压缩感知的1‑Bit稀疏度自适应信号重构方法，涉及1‑Bit稀疏度自适应信号重构方法。解决了现有1‑Bit稀疏度自适应信号重构方法所需要的信号稀疏度在实际测量中获得困难，导致信号重构过程复杂的问题。该信号重构方法利用信号本身的稀疏特性，自适应的估计出信号的稀疏度，克服了现有的1‑Bit信号重构方法对信号稀疏度的依赖问题，同时，在缺少信号稀疏度的前提下，使得在信号重构过程的复杂度降低了10%以上，但是重构效果没有影响，与需要已知的信号稀疏度的信号重构方法相比，具有更高的实用性。本发明适用于对1‑Bit稀疏度自适应信号进行重构。
一种基于压缩感知 bit 稀疏自适应信号方法

[发明专利]一种稀疏度估计的方法及装置-CN201210194431.7有效
发明人：王悦 -专利权人：华为技术有限公司
申请日： 2012-06-13 - 公布日： 2012-10-17 - 主分类号： H04L1/00 文献下载
摘要：本发明公开了一种稀疏度估计的方法及装置，适用于信号处理和通信技术领域。所述方法包括：根据本步之前进行稀疏度估计所使用的全部采样点数M_pt和上一步进行稀疏度估计得到的稀疏度估计的结果计算得到本步稀疏度估计所需的采样点数M_r，以进行本步采样和本步稀疏度估计，得到本步稀疏度估计结果符合判决条件时，将作为稀疏度估计的最终结果输出本发明通过采用了采样迭代更新的多步稀疏度估计方法，实现对信号稀疏度的正确估计，可以使采样开销大大减少。
一种稀疏估计方法装置

[发明专利]对块稀疏度的机器学习架构支持-CN202010104093.8在审
发明人： O·阿齐滋 -专利权人：英特尔公司
申请日： 2020-02-20 - 公布日： 2020-10-09 - 主分类号： G06F7/523 文献下载
摘要：本公开涉及用于不同矩阵稀疏度模式的矩阵操作加速。可以将矩阵操作加速器设计为针对第一矩阵稀疏度模式而不是针对第二矩阵稀疏度模式更有效地执行矩阵操作。具有第二稀疏度模式的矩阵可以被转换为具有第一稀疏度模式的矩阵，并且被提供给矩阵操作加速器。通过重新排列矩阵的行和/或列，可以将矩阵的稀疏度模式转换为适合于利用矩阵操作加速器计算的稀疏度模式。
稀疏机器学习架构支持

[发明专利]稀疏度自适应的稀疏傅里叶变换方法、终端及存储介质-CN201710882442.7在审
发明人：李立春;刘仲;卢迅;李慧启;刘志鹏 -专利权人：中国人民解放军信息工程大学
申请日： 2017-09-26 - 公布日： 2019-04-02 - 主分类号： G06F17/14 文献下载
摘要：本发明提供了稀疏度自适应的稀疏傅里叶变换方法，方法包括：对时域信号的稀疏度进行过估计，得到预测稀疏度；利用预测稀疏度，对时域信号进行稀疏傅里叶变换得到时域信号的频域矢量；剔除频域矢量中无效的虚警分量，得到最终的频域矢量基于本发明的稀疏度自适应的稀疏傅里叶变换方法，本发明还提供了一种终端及存储介质，本发明的技术方案，通过对稀疏度的过估计，迭代次数较少，只需在后端的频率筛选部分剔除无效频率分量，运算量小，算法复杂度低，运算时间上快于传统
稀疏度傅里叶变换稀疏频域矢量自适应存储介质对时剔除终端算法复杂度频率分量频率筛选时域信号传统FFT 运算量预测迭代算法虚警运算

[发明专利]基于稀疏系数信息估计的自适应宽带频谱压缩感知方法-CN201510272700.0有效
发明人：宋晓勤;钱丽;张恒龙;朱勇刚 -专利权人：南京航空航天大学
申请日： 2015-05-25 - 公布日： 2018-11-09 - 主分类号： H04W16/14 文献下载
摘要：本发明公开了一种基于稀疏系数信息估计的自适应宽带频谱压缩感知方法，在流信号进行稀疏度未知的压缩感知时，先采集由先验信息得到的观测值数目；在采集到的观测值数目上自适应调整，得到信号稀疏度估计所需的观测值数目，并精确估计信号的稀疏度；根据当前帧信号稀疏度估计来确认不丢失原信号信息所需的观测值数目；按照实际应用需求，选择后续信号检测算法，完成频谱检测，做出决策。本发明能有效地确定流信号稀疏度估计所需压缩观测值数目，而且对流信号频谱能够保持良好的收敛性和较快的跟踪速度，从而使信号稀疏度估计所需压缩观测值数目随信号稀疏度自适应调整，实现对信号稀疏度变化的实时跟踪。
基于稀疏系数信息估计自适应宽带频谱压缩感知方法

[发明专利]一种稀疏度估计压缩感知重构方法-CN202210079563.9在审
发明人：朱德燕;付晓萱;唐骏伟;赵寰宇;胡子佳 -专利权人：南京航空航天大学
申请日： 2022-01-24 - 公布日： 2022-06-17 - 主分类号： G01S13/90 文献下载
摘要：本发明公开了一种稀疏度估计压缩感知重构方法，该方法通过统计分析找到了图像各列像素值之和与真实稀疏度的线性关系，通过最小二乘拟合稀疏度估计函数，得到初始稀疏度估计值；利用局部搜索法进一步得到最优稀疏度估计值本发明可以完成快速估计信号稀疏度的运算，解决稀疏度未知严重影响贪婪重构算法精度的问题，为压缩感知信号精确重构提供保障，具有计算复杂度低，鲁棒性好、泛化能力强的优点。
一种稀疏估计压缩感知方法

[发明专利]一种块稀疏度未知的稀疏信号压缩感知重构方法-CN201010240324.4无效
发明人：付宁;乔立岩;马云彤;曹离然;彭喜元 -专利权人：哈尔滨工业大学
申请日： 2010-07-30 - 公布日： 2010-12-08 - 主分类号： H03M7/30 文献下载
摘要：一种块稀疏度未知的稀疏信号压缩感知重构方法，它涉及压缩感知技术领域，具体涉及对块稀疏信号的重构方法。本发明通过初始化块稀疏度k，对每一个块稀疏信号的迭代，找到信号支撑集的一个子集，随着不断迭代，块稀疏度随之增加，最后找到整个源信号x的支撑集，从而达到重构源信号x的目的，本发明采用多次迭代并修正支撑集的思想来重构信号，重构的精度高，与现有的块稀疏度匹配追踪以及正交匹配追踪方法相比，对块稀疏信号的重构概率大，不存在过匹配现象。且本发明不需要以块稀疏度作为先验知识，尤其适用于块稀疏度未知信号重构领域。
一种稀疏未知信号压缩感知方法

[发明专利]一种信号重构中的信号稀疏度快速估计方法-CN201410204835.9有效
发明人：李有明;刘小青;季彪;李程程;雷鹏;郭涛 -专利权人：宁波大学
申请日： 2014-05-14 - 公布日： 2017-02-15 - 主分类号： H03M7/30 文献下载
摘要：本发明公开了一种信号重构中的信号稀疏度快速估计方法，其在通信系统的发送端，根据压缩感知理论中的随机采样原理，通过观测矩阵对发送信号向量进行随机压缩采样，不仅大大降低了信号采样速率，而且缓解了数据传输和存储的压力；在通信系统的接收端，首先根据约束等距性质直接确定信号稀疏度的上界和下界，然后再根据信号稀疏度的上界和下界确定信号稀疏度的估计值，同已有的试探方法相比，节省了试探所需要的时间，提高了信号稀疏度估计的效率，且将信号稀疏度的上界和下界的中值作为信号稀疏度的估计值，可以有效地避免信号稀疏度的估计值偏离真实值过大的情况出现，提高了信号稀疏度的估计值的可靠性。
一种信号中的稀疏快速估计方法

[发明专利]基于满足K度稀疏约束的深度学习模型的大数据处理方法-CN201510112645.9在审
发明人：盛益强;王劲林;邓浩江;尤佳莉 -专利权人：中国科学院声学研究所;上海尚恩华科网络科技股份有限公司
申请日： 2015-03-13 - 公布日： 2016-10-19 - 主分类号： G06N5/00 文献下载
摘要：本发明提出了基于满足K度稀疏约束的深度学习模型的大数据处理方法，所述方法包括：步骤1)通过渐变剪枝法用无标注训练样本构建满足K度稀疏约束的深度学习模型；所述K度稀疏约束包括节点K度稀疏约束和层次K度稀疏约束；步骤2)将更新后的训练样本输入所述满足K度稀疏约束的深度学习模型，优化模型的各层的权重参数；进而得到优化的满足K度稀疏约束的深度学习模型；步骤3)将待处理的大数据输入所述优化的满足K度稀疏约束的深度学习模型进行处理
基于满足稀疏约束深度学习模型数据处理方法

[发明专利]一种基于原子融合吸收度的框架性图像融合方法-CN201810566441.6在审
发明人：胡燕翔 -专利权人：天津师范大学
申请日： 2018-06-05 - 公布日： 2018-11-13 - 主分类号： G06T5/50 文献下载
摘要：本发明公开了一种基于原子融合吸收度的稀疏表示图像融合框架性方法，主要步骤包括：（1）应用稀疏表示和联合稀疏表示计算模型计算字典中每个原子的吸收度；（2）应用稀疏表示模型进行图像融合，在融合规则中根据原子融合吸收度对组合得到的稀疏系数进行调整本发明的思路是在采用稀疏表示和过完备学习型字典的图像融合算法中，利用“联合稀疏表示”模型计算得到每个字典原子的吸收度，并将原子融合吸收度用于稀疏表示系数的组合过程中，提升较低吸收度原子的融合效果，从而达到提高融合质量的目标
稀疏表示吸收度融合图像融合框架性字典图像融合算法低吸收度计算模型模型计算稀疏系数字典原子组合过程学习型应用联合

[发明专利]一种基于二维度稀疏化的深度信念网络入侵检测方法-CN201710534587.8有效
发明人：周杰英;杨诗珺;邱荣发;刘映淋 -专利权人：中山大学
申请日： 2017-07-03 - 公布日： 2020-08-04 - 主分类号： H04L29/06 文献下载
摘要：本发明涉及一种基于二维度稀疏化的深度信念网络入侵检测方法，包括：稀疏化数据集的第一维度稀疏化方法和稀疏化隐层单元的第二维度稀疏化方法。第一维度稀疏化是指对输入训练数据进行稀疏判断并将数据集转换为稀疏数据集；第二维度稀疏化是指通过对RBM隐层单元进行余弦相似度分组并且在训练RBM的目标函数中引入分组稀疏惩罚项来迫使隐层单元从数据中学习到不同的特征将训练好的RBM堆叠成DBN形成一种新的二维稀疏化深度信念网路，并将其用于入侵检测系统。本方法同时考虑到数据集稀疏化程度和特征同质化对RBM训练的影响，使优化后的DBN用于入侵检测系统具有更高的准确率和更低的误检率，且能够提高检测的效率。
一种基于维度稀疏深度信念网络入侵检测方法

[发明专利]一种基于网络稀疏度阈值选择的脑功能网络构建方法-CN202310546130.4在审
发明人：刘爽;张波;明东;刘潇雅;何雨晨;柯余峰 -专利权人：天津大学
申请日： 2023-05-16 - 公布日： 2023-08-08 - 主分类号： G16H30/40 文献下载
摘要：本发明公开了一种基于网络稀疏度阈值选择的脑功能网络构建方法，所述方法包括：将初始脑功能网络的矩阵进行稀疏化处理，定义矩阵的稀疏度S为矩阵中数值为0的边与所有的边数的比例，若网络的稀疏度为0.01，则连接权重在前99％的边被保留；基于小世界属性对功能网络进行第一级稀疏度阈值范围限定，对稀疏度在0.01至0.99范围内的功能网络进行小世界属性分析；基于模块稳定性对功能网络进行第二级稀疏度阈值范围限定；经过两级稀疏度阈值的限定，得到最终的稀疏度阈值范围[S3,S4]，完成脑功能网络的构建。
一种基于网络稀疏阈值选择功能构建方法

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
下一页»
尾页
共 100000 条