有界空间中基于近场声全息的声源直接辐射远场声学量的预测方法，包括：1.建立基于有限项半空间球面波基函数叠加的有界空间声场数学模型；2.在声源近场布置全息测量面进行声压全息测量；3.将全息测点分为两组，建立两组测点声压之间的数学关系，确定基函数的最优展开项数；4.建立声源近场全息测量获取的有界空间声压与声源直接辐射远场声压的数学关系，求解远场声压值，实现声源直接辐射远场声学量的预测。本发明对于在不具备理想声学测量条件的情况下，实施结构声源，特别是大尺寸结构声源远场辐射声学量的评估，提供了数学基础。
📄 2022101466465
📂 G01H17_00
👤 浙江工业大学
📅 2022-02-17
一种超声辅助加工声学系统的超声电源功率调整模型的建模方法，其具体步骤如下：步骤一，基于振幅参数关系式及ABAQUS有限元仿真谐响应分析，理论分析与超声声学系统振幅相关的参数与振幅的理论关系；步骤二，以理论分析为基础设计并搭建超声辅助加工振幅测试实验平台，采用控制变量法分析各个参数对振幅的单因素影响及综合影响并获取样本数据；步骤三，借助MATLAB运用多元线性回归分析法对样本数据进行回归分析并优化后建立以振幅为因变量的指导模型；步骤四，基于以振幅为因变量的指导模型为基础进行反推得出超声辅助加工声学系统定振幅输出的超声电源功率调整模型；步骤五，任选一把尖形刀对超声电源功率调整模型进行实验验证。
📄 2016111384305
📂 G06F17_50
👤 杭州电子科技大学
📅 2016-12-12
基于噪声学习神经网络模型的图像混合噪声消除方法，由构建训练模型数据集、噪声学习神经网络模型构建、噪声学习神经网络模型训练及初始参数的确定、对混合噪声图像进行去噪四部分组成。本发明通过构建训练模型数据集对噪声学习神经网络模型进行训练，通过第一噪声特征抽取单元提取混合噪声的特征，利用中间层的噪声特征强化模块和第一正则化单元增强混合噪声的特征，在第二噪声特征抽取单元产生预测的噪声残差图像；将带有混合噪声的测试图像输入到噪声学习神经网络模型中，输出残差图像，用带有混合噪声的图像减去残差图像可得到清晰的图像。本发明具有自适应能力高，泛化能力强，测试时间短等优点，可用于图像的混合噪声消除。
📄 2018116491251
📂 G06T5_00
👤 陕西师范大学
📅 2018-12-30
本发明公开了一种基于主动声学感知场的手势识别方法与系统，方法包括：利用头戴式设备上的扬声器发射调频连续波，通过头戴式设备上的麦克风接受穿戴者手部反射的所述回波信号；对回波信号进行混频、低通滤波及模数转换得到数字基带信号；对数字基带信号进行范围校正和降噪处理获得手部回波信号；将手部回波信号输入至所述多尺度时序编码器，捕获长时序依赖获得多尺度时空特征；由所述手部关键点回归分支对多尺度时空特征进行轨迹跟踪获得手部关键点特征；将手部关键点特征和多尺度时空特征输入至所述手势识别分支获得手势识别结果；本发明能够克服声学感知过程中多径干扰与空间模糊性，实现高精度与细粒度手势识别。
📄 2026101740082
📂 G06F3_01
👤 南京信息工程大学
📅 2026-02-06
本发明公开了一维声学漫反射超表面优化排布方法，包括：L1.初始化超表面单元及对应单元排列，计算其声压分布并获取散射声压分布的标准差；L2.采用MCMC退火优化实现单元排列方案的全局搜索，获取超表面单元的最优排列方案作为Q‑Learning的初始状态；L3.利用Q‑Learning强化学习进一步优化排列，使最优单元排列方案的超表面散射更均匀，获取优化后的超表面排列；L4.计算优化后超表面的散射声压，并绘制优化后声场分布极坐标图。本发明在优化初期能够全局搜索，快速收敛到较优的单元排列结构，避免陷入局部最优；并在优化后期对初步结果进行局部精调，实现漫反射散射能量在各个方向上的最大均匀性。
📄 202510567416X
📂 G06F30_17
👤 铜陵学院
📅 2025-04-30
本实用新型公开了领域为一种声学双面胶带生产用装箱设备，包括机架，所述机架的上端安装有传输带，所述机架的下端边部分别安装有支撑腿，所述传输带的上端等距安装有若干组隔离带，一侧的所述支撑腿的通过斜板连接有下料板，一侧的所述支撑腿通过安装板连接有装箱台，所述装箱台上设有箱体组件，所述箱体组件的下端设有支撑装置，所述支撑装置的下端连接至装箱台上；声学双面胶带进入内箱体中被装箱，而内箱体被外箱体装箱在内，通过下端的支撑装置进行减震的设置可使得声学双面胶带一一进入内箱体后被小幅度的震动颠的更整齐，一次可完成大量的声学双面胶带装箱工作，使得装箱效率得到较大的提高。
📄 2023225572004
📂 B65B35_44
👤 江苏水元新材料科技有限公司
📅 2023-09-20
本发明请求保护一种基于深度双向长短时记忆(DBLSTM)递归神经网络(RNN)的声学模型，DBLSTM网络主要分为三部分：在DBLSTM的全连接部分，使用Maxout神经元代替原来的Sigmoid神经元来解决RNN中常出现的梯度消失和爆炸的问题；同时使用Dropout正则化训练算法避免了神经网络在训练过程中出现过拟合。在多层BLSTM部分，为适应DBLSTM对每个时间步长的双向依赖性，提出了上下文敏感块的随时间反向传播(CSC-BPTT)算法来训练该网络。在多层BLSTM部分之后采用一层选择链接层，用于对DBLSTM的输出进行变换得到全连接部分的输入。本发明可得到更高的语音识别率。
📄 2017107024405
📂 G10L15_16
👤 重庆邮电大学
📅 2017-08-16
柿子坊 · 知识产权运营
柿子坊知识产权运营平台