重庆邮电大学

本发明属于微波射频传感领域，涉及一种用于人体组织介电常数测量的微带天线传感器。针对现有传感器用于人体组织检测时灵敏度低、抗介质损耗干扰能力差、介电常数反演精度差的问题，本传感器由介质基板、金属地、同轴线、矩形辐射贴片、两个双互补开口谐振环、两组横向短槽构成，无需复杂馈电网络。两个双互补开口谐振环作为传感核心，在待测区域形成强局域化电场；横向短槽用于调控干扰模式频率，增大其与目标模式的频率间隔；通过最小二乘法多项式拟合建立谐振频率与相对介电常数的关系，利用谐振频率反演得到待测人体组织样品介电常数。该传感器灵敏度高、抗介质损耗干扰能力强、剖面低、尺寸紧凑，适用于人体健康监测及生物组织参数表征。

本发明请求保护一种基于Zynq的可重构DDS波形发生系统及方法，包括串口屏、Zynq处理系统、AXI‑Lite接口、可编程逻辑波表存储模块、相位累加DDS模块以及AD9744数模转换驱动模块。Zynq处理系统接收串口屏输入的波形控制参数，生成数字波表及频率控制字；再经AXI‑Lite接口写入可编程逻辑；可编程逻辑侧在150MHz采样时钟下根据频率控制字进行32位相位累加，取相位累加值高位作为波表读地址，输出14位数字波形数据并驱动AD9744产生模拟信号。本发明能够在不重新配置FPGA的情况下实现正弦波、三角波、方波、锯齿波、复合波及扫频信号的在线重构输出，具有结构简单、参数更新灵活、PL资源占用较低、输出频率可编程和便于人机交互控制等优点。

本发明提出了一种基于双曲原型对比学习与自适应编码器的脑电情绪识别方法及装置，包括：获取脑电信号数据；对脑电信号数据进行预处理，得到脑电样本片段；构建自适应编码器，设置叶原型和顶层原型，并采用双曲原型对比学习方法对自适应编码器进行预训练；将脑电样本片段输入到自适应编码器中进行脑电时空特征提取，得到脑电信号的时空特征；对每个脑电样本片段构造增强视图，将增强视图对应的时空特征映射到双曲空间中，得到映射特征；将映射特征输入到自适应编码器中，并对自适应编码器输出特征进行后处理，得到片段级差分熵特征表示；将片段级差分熵特征表示输入多层感知机分类器进行情绪类别识别，得到脑电情绪识别结果；本发明能够在编码器预训练阶段形成更稳定的结构化特征表征，从而具备更强的特征迁移能力。

本发明属于社交网络信息传播预测技术领域，具体涉及一种基于认知协同的跨域谣言预测方法，包括：获取历史时间窗口内的跨域谣言传播动态图、用户行为特征和传播域信息；基于社区发现、认知深度、认知广度和信息可信度生成用户初始认知画像，并通过跨域对比学习进行认知表示对齐；根据当前传播拓扑聚合邻居认知状态，结合反谣言暴露信号更新用户动态认知状态；依据传播热度、桥接中心性和节点影响力生成连续型时变博弈抑制矩阵；基于用户动态认知状态和博弈抑制矩阵更新传播拓扑边权，并通过动态图神经网络和时间卷积网络输出未来传播态势预测结果。本发明能够刻画用户认知、博弈抑制和传播拓扑之间的闭环反馈关系，提高跨域谣言传播预测的稳定性和可解释性。

本发明涉及一种面向车路协同三维目标检测的运动感知时空补偿方法及系统，属于智能交通与自动驾驶感知技术领域。该方法及系统先获取自车及协作节点的激光雷达点云数据，并提取鸟瞰图特征并共享协作特征；再根据通信延迟和历史速度场计算运动先验位移，结合当前特征与延迟协作特征的局部相关性预测残差偏移，得到补偿偏移并对延迟特征进行时空变形；然后融合补偿后的多源特征，并利用时序记忆、运动先验和遮挡感知机制增强弱响应区域；最后根据增强特征输出三维目标检测结果，并更新速度场用于后续补偿。本发明能够降低通信延迟造成的动态目标特征错位，提高遮挡和稀疏场景下三维目标检测的准确性与鲁棒性。

本发明请求保护一种基于距离变换的太赫兹成像质心定位方法，属于太赫兹技术领域，其包括如下步骤：S1、采集微型反射标签的太赫兹原始图像，对原始图像进行高斯滤波、双线性插值预处理，得到预处理图像；S2、将预处理图像灰度归一化至 [0,1] 区间，采用基于二值化的区域分割法，得到包含光斑前景与背景的二值图像；S3、对二值图像执行欧氏距离变换，计算每个前景像素到最近背景像素的欧氏距离，构建距离场图像；S4、根据距离场图像统计特性自适应确定区域提取阈值，利用自适应阈值分割提取光斑核心区域；S5、以光斑核心区域内各像素灰度值为权重，采用灰度加权平均算法计算像素坐标，得到微型反射标签亚像素级质心坐标，完成质心定位。

本发明提供一种基于质量感知类激活映射约束的驾驶员分心检测方法。获取带有驾驶员行为类别标签的图像样本，经分心检测模型提取特征并生成各类别类激活映射，选取真实类别对应映射，计算空间聚焦得分和类别判别得分，并依据训练批次中类别判别信息成熟程度自适应融合得到样本级质量评分；基于同类样本质量评分构造样本对约束权重，进行质量加权语义对齐；结合分类损失、类激活映射紧凑性约束、类间正交约束和质量加权语义对齐约束训练目标模型。检测阶段输入待检测驾驶员图像输出分心行为类别结果，且不增加额外网络结构和计算开销，可提升检测准确性、稳定性和泛化能力。

本发明一种基于细胞群结构一致性建模的多源协同外周血细胞检测方法。该方法构建结构感知协同检测网络SC‑YOLO，融合坐标注意力机制、多尺度动态卷积结构及自监督蒸馏策略，实现外周血涂片显微图像中多尺度细胞目标的基础检测。在此基础上，构建细胞群结构一致性图CSCG，将检测到的细胞实例作为图节点，以空间距离、形态相似性及类别一致性为约束建立图结构，并通过迭代式消息传递进行全局结构推理与误差修正。本发明通过检测网络和结构图推理的双阶段协同机制，有效提升了密集细胞区域、小目标血小板及重叠细胞的检测精度与鲁棒性，增强了模型在不同染色条件与成像环境下的泛化能力，可应用于临床血常规自动分析及智能显微辅助诊断场景。

本发明涉及一种LEO卫星通信系统混合预编码方法，属于无线通信技术领域。该方法包括以下步骤：S1：建模卫星通信网络模型；S2：建模波束调度变量；S3：构建卫星发送信号与用户接收信号模型；S4：建模系统频谱效率；S5：建模资源分配约束条件；S6：确定候选用户簇，基于贪婪算法确定宽波束调度策略；S7：建模系统状态、动作及奖励函数；S8：构建并训练参数化深度Q网络PDQN网络；S9：基于PDQN算法确定点波束调度策略及混合预编码。

本发明涉及一种基于动态时间规整与高斯加权的电池单体不一致性检测方法，属于电池状态监测领域，包括以下步骤：电池时序运行数据经预处理，以及分段式自适应Savitzky‑Golay滤波处理后，输出经过去噪的完整分段时序数据；对滤波后的电压数据依次完成电压差值计算、基准序列构建、双峰高斯权重计算与特征值计算，输出所有单体的特征矩阵；构建参考序列后计算每个单体与参考序列之间的DTW距离，输出DTW距离向量；对DTW距离向量进行3σ自适应阈值计算与候选异常单体判定，最终通过全局异常频率判断输出最终异常单体列表及详细检测报告。

本发明涉及一种基于复合扰动观测器的无人机分层抗扰预测控制方法，属于飞行器控制技术领域。该方法包括：建立无人机全状态动力学模型；构建位置环非线性扰动观测器，估计平移运动总扰动，并将总扰动分离为低频分量与中频分量；针对低频分量，设计代价函数，构建MPC并求解控制变量；针对中频分量，构建基于误差调度的自适应滑模控制器用于补偿瞬态误差；输出给无人机的总推力由自适应滑模控制器的补偿和MPC控制器的推力构成；构建姿态环力矩扰动观测器，实时获取角加速度与力矩干扰；基于几何姿态解算与INDI策略，直接解算三轴控制力矩。本发明通过多层级的扰动观测与力矩级直接控制，提升了无人机的轨迹跟踪精度与鲁棒性。

本申请涉及分布式协同控制技术领域，特别涉及一种面向无人机集群的分布式动态事件触发协同控制方法，不需要跟随无人机连续接收邻居真实飞行状态，也不需要预先获得节点总数、拉普拉斯矩阵特征值、左特征向量等全局拓扑信息，仅依赖自身状态、邻居最近一次触发广播值和本地通信增益即可实现领航状态估计更新。相较于依赖连续通信或全局拓扑信息的现有方法，本申请设计的方法能够降低无人机之间的通信负担，提高在有向通信拓扑和通信资源受限条件下的分布式部署能力。

本发明公开了一种基于成本敏感CNN‑BiLSTM网络的目标可见性预测方法，该方法面向特定区域的高动态目标。首先，构建包含目标状态与端站观测几何参数的多源异质数据集，并进行预处理。其次，通过早期融合策略对多源异质数据进行特征融合，构建卷积双向长短期记忆神经网络（convolutional neural network‑ bi‑directional long short‑term memory，CNN‑BiLSTM）架构，全面提取高动态目标的空间域几何局部特征及时间域短时依赖特征，引入成本敏感学习机制解决目标可见性的极端不平衡问题。最终，实现特定区域的可见窗口精准预测。本发明能在不完美星历、极端不平衡条件下实现特定区域目标可见性精确自主预测，为空天任务规划与防碰撞预警提供有效技术支撑。

本发明公开了一种基于MSDR‑CNN‑BiLSTM融合架构的低轨卫星轨道自主预报方法，属于空天信息技术领域。该方法包括：获取参考轨道状态数据，基于动力学模型得到预报轨道状态数据；计算位置、速度误差构建轨道误差时间序列，经归一化和滑动窗口处理形成监督学习样本；将样本输入MSDR‑CNN‑BiLSTM网络，提取多尺度局部时序特征，学习长期时序依赖关系，结合注意力机制输出轨道误差预测值；采用贝叶斯优化自动搜索网络超参数；将待预报轨道误差输入网络，得到预测值并反归一化；基于误差预测值修正动力学外推轨道状态，得到自主轨道预报结果。该方法可提高预报精度与模型稳定性，增强对误差多尺度、非线性及时变演化特性的建模能力。

本发明公开了一种基于CNN‑GRU的海上对流层散射路径损耗快速预测方法。首先，利用融合天气预报的WPE模型构建包含气象参数与通信参数的多维特征数据集，并对数据进行归一化与样本化预处理；然后，将路径损耗预测问题建模为距离递推序列预测问题，设计融合卷积神经网络（CNN）与门控循环单元（GRU）的混合网络结构；其次，通过CNN提取大气垂直剖面的空间特征，通过GRU学习路径序列中的时序依赖关系，实现海上对流层散射路径损耗的高精度预测；最后，通过与LSTM、Transformer等模型的对比及消融实验，验证所提模型在预测精度和计算效率上的优势。该方法能够实现海上大区域长距离路径损耗的高效预测，为海上通信网络规划与优化提供参考。

本发明请求保护一种基于方向调度的航空图像小目标检测方法，旨在解决航空图像中小目标像素证据有限、背景杂乱以及各向同性卷积感受野与细长形小目标失配的问题，属于计算机视觉与航空图像目标检测技术领域。所述方法包括以下步骤：步骤1.在单阶段目标检测网络的浅层位置采用多阶条带聚合模块，提取保留局部细节的多方向条带特征基；步骤2.在所述网络中间位置采用条带增强上下文融合模块，构建紧凑的方向上下文先验；步骤3.在所述网络深层位置采用自适应条带动态卷积模块，依据方向上下文先验为每个空间位置生成水平/垂直条带动态卷积核并进行方向细化。

本发明公开一种基于小波分解与层级特征对齐的无人机航拍小目标检测方法，属于计算机视觉、深度学习及航拍图像处理技术领域。针对航拍小目标像素占比低、轮廓细节弱、易受背景纹理干扰及深层特征下采样中细微结构丢失问题，构建融合小波分解与层级特征对齐的特征增强网络。据浅层、深层和末端特征的空间分辨率与语义强度差异配置差异化处理链：浅层采用语义‑空间特征互补对齐保持位置细节；深层依次进行小波频带分解、分频卷积、逆变换重构和语义‑空间交叉加权对齐，抑制背景干扰并恢复小目标结构；末端补充多尺度上下文；各层级特征共同输入融合网络，高分辨率分支与轻量化卷积。改善复杂环境下航拍小目标检测精度，兼顾机载平台实时推理效率。

本申请实施例提供一种联合单细胞轨迹重建及动力学指标的分析方法。应用于图像处理技术领域，该方法通过获取待分析目标细胞的迁移轨迹数据，并根据迁移轨迹数据构建迁移速度序列；对迁移速度序列进行小波变换得到对应的小波功率谱；采用奥恩斯坦‑乌伦贝克过程的功率谱模型对小波功率谱进行逐时间步长拟合，得到每个时间步长对应的运动参数；依据各时间步长拟合得到的运动参数，采用随机持续游走模型模拟细胞各时刻的迁移轨迹，得到目标细胞的重建轨迹；根据目标细胞的重建轨迹确定寻靶指标和迁移指标，并分析寻靶指标、迁移指标与运动参数之间的关联规律。该方法提高了评估单个细胞的时变迁移能力和细胞群体的统计特征的准确度。

本发明公开了一种适用于空间非平稳性的路径损耗预测方法。针对传统经验模型难以表征超大规模MIMO近场球面波效应、空间非平稳及多维物理特征耦合的问题，本发明设计CNN‑Transformer混合网络。首先获取XL‑MIMO信道数据并筛除无有效传播链路样本；读取空间尺度、方向及传播状态参数构成六维特征向量，以路径损耗为标签；经一维卷积进行局部特征映射，保持序列长度不变；将高位局部特征结合可学习位置嵌入送入多层编码器，进行跨维度依赖关系建模；随后全局池化并构建多层感知机，采用Adam优化器训练，保存回归预测低误差模型。本发明显著降低复杂空间非平稳场景下路径损耗预测误差，适用于覆盖预测与精细化建模。

本发明公开了一种基于跨信号迁移学习的生理参数预测方法。首先，收集光电容积脉搏波（PPG）信号的公开数据集，利用包含三流特征提取网络和适配器模块的模型—TriPulseNet进行第一阶段预训练，获得预训练模型并保存最优权重；其次，用毫米波雷达采集颈部脉搏波信号，将其作为目标域数据集，通过渐进式微调策略对预训练模型进行迁移适配，获得微调模型；最后，将待预测的颈部脉搏波信号输入微调模型，通过通过三流特征融合输出舒张压（DBP）和收缩压（SBP）等生理参数。本发明利用PPG与颈部脉搏波在心血管生理特征上的关联性，通过跨信号迁移学习实现知识复用，解决了颈部脉搏波数据集稀缺导致的模型训练难题；所设计的适配器模块和渐进式微调策略能有效缓解两种信号的域偏移问题，显著提升生理参数预测精度，同时避免了针对颈部脉搏波信号从零开始训练的资源消耗，适用于便携式生理监测设备的实时参数估计场景。