专利交易市场

本发明提出了一种基于激活函数的改进YOLOv4车辆行人检测算法；构造了零点处梯度并不突变的FMish激活函数，保证信息流动，不会出现“梯度消失”；本发明在Dense‑YOLOv4与Dense‑YOLOv4‑Small网络结构的基础上，将全部的激活函数替换为FMish激活函数；本发明将KITTI道路目标数据集中的“Misc”和“Dontcare”剔除得到KITTI‑7classes道路目标数据集，在KITTI‑7classes数据集上对三个模型进行训练，并比较了检测速度和检测性能；基于FMish激活函数的网络模型不仅避免饱和问题，而且避免了“梯度爆炸”问题，保证训练过程的稳定性，提升检测效果。

本发明提出了一种基于Shape‑GIoU改进的聚类算法，弥补了原始GIoU中会退化为IoU的问题，通过引入一个比例系数λ/β，将两框宽高比的影响引入公式，可以解决GIoU会退化的问题，考虑了两框非覆盖面积以及宽高比的影响，使YOLOv4算法的检测性能有了部分提升；首先构建数据集并对样本数据预处理；其次将提出的Shape‑GIoU方法引入到K‑means++聚类方法中，然后将所得anchor值对原版YOLOv4算法的cfg文件中的anchor进行替换；最后对比使用K‑means++聚类方法的YOLOv4算法模型，分析测试结果；本发明提出的基于Shape‑GIoU改进的聚类算法相比K‑means++聚类算法，可以解决GIoU会退化的问题，考虑了非覆盖面积以及宽高比的影响，提升了YOLOv4算法模型的检测精度和召回率；另外本发明方法仍然能够在其他经典算法模型结合使用，并提升算法模型的检测性能。

本发明提出了一种跨层融合改进的YOLOv4道路目标识别算法，所用数据集是KITTI道路目标数据集，为了使模型能够更加轻量化的同时还能保持检测精度，本发明方法以YOLOv4为基础网络，借鉴DenseNet的思想，设计了Dense‑SPP跨层空间池化模块和Dense‑特征融合模块，并且对原始模型进行参数剪枝以及削减，设计了轻量化的Dense‑YOLOv4‑Small网络模型，将骨架网络CSPDarknet‑53中CSP模块进行削减，将原本CSP模块中ResUnit的数量统一设置为1个，对网络进行剪枝消除网络的冗余计算，将KITTI道路目标数据集中的“Misc”和“Dontcare”剔除得到KITTI‑7classes道路目标数据集，在该数据集上对YOLOv4、Dense‑YOLOv4、Dense‑YOLOv4‑Small三个模型进行训练，并对比三种模型的检测速度和检测性能；检测结果表明Dense‑YOLOv4‑Small的检测速度大幅度提升，检测精度几乎不变。

本发明提出了一种基于EIoU改进的YOLOv3算法，主要解决现有算法中由于重叠率、尺度及长宽比导致的基于IoU的损失LIoU计算不准从而影响检测性能的问题。首先下载当前目标检测领域通用数据集；其次重建现有算法YOLOv3网络模型并用备好的数据集进行训练，检测其性能；然后将基于EIoU的损失函数LEIoU嵌入YOLOv3算法模型中进行训练并作性能评价；最后对比经典的YOLOv3算法，分析测试结果。本发明提出的基于EIoU改进的YOLOv3算法，相比经典的YOLOv3算法，提高了平均准确率，且更适用于同一区域中有多个物体重叠时的情况，另外该模块也没有引入更多的计算量，与原模型相比，实时性没有受到影响。该模块仍然能够嵌入其他经典算法模型中做对比测试，更具适用性，且鲁棒性更好。

本发明提出了一种基于激活函数改进的YOLOv3算法，提高了检测平均准确率。激活函数将非线性特性的激活函数引入网络中，从而保证网络的学习能力。首先准备当前目标检测领域通用PASCAL VOC数据集；其次重建现有算法YOLOv3网络模型，训练过程中采用Adam算法作为优化算法，检测其性能；然后将改进版激活函数嵌入YOLOv3算法模型中进行训练并作性能评价；最后对比经典的YOLOv3算法，分析测试结果。本发明提出的基于激活函数改进的YOLOv3算法，相比经典的YOLOv3算法，在通用PASCAL VOC数据集上，mAP指标提升了接近1％，另外该模块也没有引入更多的计算量，与原模型相比，实时性没有受到影响。该模块仍然能够嵌入其他经典算法模型中做对比测试，更具适用性，且具有更高的鲁棒性。

复杂环境下基于语音增强的深度神经网络语音识别方法，以深度学习神经网络以及语音增强为技术背景搭建模型。首先搭建复杂语音环境数据集，在语音识别前端语音信号预处理阶段对各类待识别复杂语音条件下的语音信号进行语音增强；然后建立语言文本数据集，搭建语言模型，用算法对语言模型进行训练；并建立中文汉语词典文件；然后搭建神经网络声学模型，并用增强后语音训练集，借助语言模型和词典对声学模型进行训练，得到声学模型权重文件，从而实现复杂环境下中文语音的精准识别。很好地解决了现有语音识别算法对噪音因素敏感、对语音质量要求高、应用场景单一的问题。

本发明提出了一种基于深度神经网络的车牌识别和定位方法，主要解决现有算法中复杂场景下车牌识别与定位不准的问题。首先建立符合车牌检测特定需求的车牌数据集，并利用K均值聚类算法生成锚框，结合机器学习并引入注意力机制建立一个车牌检测深度卷积神经网络结构并利用已建立的车牌数据集对该网络模型进行训练，训练过程中采用Adam算法作为优化算法。采用交并比IOU＝0.8时的检测准确率作为算法性能的度量指标，并采用HyperLPR算法和数学形态法作为对比算法，对本模型进行测试。本发明提出的基于深度神经网络的车牌识别和定位方法较之前的方法增加通道注意力机制，从而使得检测准确率更高，速度更快，且对环境有非常强的鲁棒性。

本发明提出了一种高效的卷积神经网络车牌定位方法。主要是针对车牌识别此类特殊问题，优化了网络结构，提出了一种高效的卷积神经网络结构，此网络结构的优点是能够在不损失检测准确度的条件下减小模型的权重文件大小以及降低检测时间。实施方式如下：首先建立车牌数据库；利用K均值聚类方法生成锚框；设计一种计算量小、权重参数数量少的高效深度神经网络结构；用Adam优化算法在最终数据集上训练网络模型；并采用YOLOv3作为对比算法对本模型进行评估。本发明提出了一种针对于车牌检测的卷积神经网络结构，能够在模型检测准确度基本不变的条件下，减小了模型的权重文件大小，降低了车牌检测时间。

三维阵虚拟扩展相干源二维波达方向估计方法，利用均匀三维阵列接收K个同频率的远场相干窄带信号，x、y和z轴方向的子阵接收数据相关矩阵特征分解得到最大特征值对应的特征矢量，利用圆信号的特性将阵列进行虚拟扩展得到x、y和z轴方向的经过Toeplitz修正后的协方差矩阵矩阵，从而实现了解相干；分别利用ESPRIT算法得到x、y和z轴方向的方向余弦矩阵，根据同一信号x、y和z轴方向的方向余弦的等量关系进行配对运算，利用配对后的x、y和z轴方向的方向余弦得到二维到达角估计结果，本发明方法克服了空间平滑算法的孔径损失，在相同快拍数下本发明算法的性能明显优于空间平滑算法，本发明方法提出的配对算法简单有效且节省了近似一半的阵元。

基于遗传算法的宽带多信号到达角估计方法，利用M个阵元构成的均匀线阵接收K个宽带、远场非相干信号，通过离散傅里叶变换将宽带信号分成多个窄带信号，每个窄带下的信号数据协方差矩阵特征分解，得到信号子空间和噪声子空间，根据信号子空间和噪声子空间的正交性，利用噪声子空间构造零谱，通过向信号子空间的正交投影抑制噪声增强信号，利用罚函数的设置修改遗传算法的选择原则，从而适应宽带多个信号到达角的估计，本发明方法融合了遗传算法的高效搜索优势和MUSIC算法超分辨的优势，在保持参数的高分辨性能不变的前提下，大大缩短了谱峰搜索的时间，本发明方法简单易于工程实现，有效解决了宽带多信号的到达角估计问题。

基于神经网络的近场源到达角估计方法，由阵列接收训练区间内K信号所产生的采样数据计算阵列的接收数据，将信号整体旋转，获取下一组接收数据，直至遍历训练区间；构建各组接收数据的协方差矩阵；利用协方差矩阵和信号的到达角构建训练数据集合；利用训练数据集合对神经网络进行训练；由传感器阵列接收训练区间内测试角度间隔下的测试信号所产生的采样数据计算测试数据，得到一组测试数据后，将信号旋转，获取下一组测试数据，构建各组测试数据的协方差矩阵，归一化得到归一化数据协方差矩阵；将归一化数据协方差矩阵的数据输入神经网络中，计算出测试信号的到达角估计值。