-
公开(公告)号：CN114565831A
公开(公告)日：2022-05-31
申请号：CN202210202911.7
申请日：2022-03-02
Applicant: 哈尔滨工程大学
IPC: G06V20/05 , G06V10/762 , G06V10/764 , G06V10/774 , G06K9/62 , G06N20/00
Abstract: 一种考虑深度学习模型健壮性的水下目标分类的方法，本发明为了解决现有深度学习模型对水下目标分类准确率低的问题，它包括利用训练好的原始模型对采集的水下目标数据训练集进行预测得到所有分类正确样本的集合和所有分类错误样本的集合；将所有分类错误样本的集合输入训练好的原始模型内，对分类错误样本的特征进行聚类和特征补偿，得到分类错误样本的特征补偿；将特征补偿输入训练好的原始模型内得到特征补偿后的原始模型；将水下目标数据训练集输入特征补偿后的原始模型内，输出分类错误的样本；建立对抗训练模型，得到训练好的对抗训练模型；将对抗训练模型与特征补偿后的原始模型加权组合生成深度学习模型；属于水下目标分类领域。
-
公开(公告)号：CN114091531A
公开(公告)日：2022-02-25
申请号：CN202111341770.9
申请日：2021-11-12
Applicant: 哈尔滨工程大学
Abstract: 基于多尺度的环境特征提取方法，涉及水下声纹特征提取技术领域，针对现有技术中模型特征提取准确率低的问题，包括：步骤一：采集水声信号数据，并将水声信号数据的特征进行标记，之后利用标记后的水声信号数据构成数据集；步骤二：对数据集进行预处理，并将预处理后的数据集作为训练集；步骤三：利用训练集训练多尺度的环境特征提取网络模型；步骤四：利用训练好的多尺度的环境特征提取网络模型对水域环境的水声信号进行特征提取。本申请使用局部切这样更加均衡的切分方式，提高了模型特征提取的准确率。
-
公开(公告)号：CN109284662B
公开(公告)日：2022-02-22
申请号：CN201810766508.0
申请日：2018-07-12
Applicant: 哈尔滨工程大学
Abstract: 本发明公开了一种基于迁移学习的水下声音信号分类方法，涉及机器学习技术领域；本发明将数据集之间的分布和领域之间的域不变性结合；在类别分类器部分，使用MMD算法去匹配两数据集间的分布差异，并通过对内核的数量以及覆盖范围进行改变，最小化两数据集之间的分布差异；而在域分类器部分，则利用梯度反转去阻止域分类器在误差反向传播阶段的梯度下降，最大化域分类器的分类误差，使分类器具有领域不变性。一种基于迁移学习的水下声音信号分类方法，以动态的调整两种方法在模型进行迭代训练过程中的重要程度。通过实验证明，本发明提出的迁移学习方法要优于传统的分类方法以及现有的迁移学习方法DAN和DSN，并且分类越复杂，效果越明显。
-
公开(公告)号：CN113298184A
公开(公告)日：2021-08-24
申请号：CN202110687034.2
申请日：2021-06-21
Applicant: 哈尔滨工程大学
Abstract: 用于小样本图像识别的样本抽取、扩充方法及存储介质，属于图像处理技术领域。为了解决针对于小样本图像识别过程中采用生成新样本的方式中存在的可能导致的生成错误样本的问题。本发明首先提出了一种基于特征重构的样本抽取方法来解决小样本数据集特征缺失的问题，从数据特征的角度实现了大样本数据集中抽取出一个典型小样本数据集。该方法将大样本数据的质心作为抽取度量的标准，使得抽取出的典型小样本数据集具有更全面的特征，效果更稳定。本发明还提出了基于变形信息的样本扩充方法，利用最优划分中同类异簇的数据间变形信息实现了将抽取出的典型小样本数据集扩充成新的大样本数据集。主要用于小样本图像识别的样本抽取及扩充。
-
公开(公告)号：CN108846029B
公开(公告)日：2021-05-25
申请号：CN201810519637.X
申请日：2018-05-28
Applicant: 哈尔滨工程大学
IPC: G06F16/36 , G06F40/295
Abstract: 本发明公开了一种基于知识图谱的情报关联分析方法，属于RDF知识图谱条件下情报相关性检索领域。本发明包括：数据的预处理过程，对下载的情报数据TXT文档进行解析；构建三元组情报知识库；利用IDF和信息熵加权方法，计算每一个三元组和其关键词的权重，并存储到数据库中；通过三元组相似度计算公式来计算每个三元组的相似三元组，并根据相似度进行排序；对RDF三元组进行有效存储；采用Jena TDB提供的API实现基本的SPARQL查询操作，并根据基于三元组相似度的查询方法进行查询扩展；生成查询样例，对检索结果集中根据三元组和关键词的权重进行有效排序，返回top‑k结果。
-
Patent Agency Ranking
公开(公告)号：CN107194404B
公开(公告)日：2021-04-20
申请号：CN201710237910.5
申请日：2017-04-13
Applicant: 哈尔滨工程大学
Abstract: 本发明提供的是一种基于卷积神经网络的水下目标特征提取方法。1、将原始辐射噪声信号的采样序列，分成25个连续部分，每个部分再设置25个采样点；2、将第j段数据信号的采样样本做归一化和中心化处理；进行短时傅里叶变换得到LoFAR图；4、将向量赋值到已有3维张量中；5、将得到特征向量输入到全连接层进行分类并计算与标签数据的误差，检查损失误差是否低于误差阈值，若低于则停止网络训练，否则进入步骤6；6、使用梯度下降方法对网络从后向前逐层进行参数调整，并转入步骤2。本发明方法的识别率与传统卷积神经网络算法相比，对特征图层进行了空间信息多维度的加权操作，来弥补因全连接层的一维向量化所带来的空间信息丢失的缺陷。
-
公开(公告)号：CN112541547A
公开(公告)日：2021-03-23
申请号：CN202011466539.8
申请日：2020-12-14
Applicant: 哈尔滨工程大学
Abstract: 支持水下快速目标识别的加权融合权重确定方法，本发明涉及加权融合权重确定方法。本发明涉及加权融合权重确定方法。过程为：1：n个传感器收集声音数据，将每个传感器收集的声音数据均分成m段；2：计算传感器间的传感器支持度和传感器相似性；3：计算传感器内的局部稳定性和局部支持度；4：基于熵权法计算熵权系数；5：计算准则指标的累积贡献率；6：确定各个声音信号段的准则指标；7：确定各个声音信号段对应的权重；8：将原始声音信号数据分为加速和匀速；分别给加速和匀速各一个权重，将加速和匀速的权重分别乘上声音信号段对应的权重，作为二阶权重；9：确定水下快速目标的类别。本发明用于水下快速目标识别领域。
-
公开(公告)号：CN110134803B
公开(公告)日：2020-12-11
申请号：CN201910415146.5
申请日：2019-05-17
Applicant: 哈尔滨工程大学
IPC: G06F16/51 , G06F16/583
Abstract: 基于哈希学习的图像数据快速检索方法，涉及图像数据快速检索方法，属于数据检索技术领域。为了解决现有模型在哈希码生成阶段使用多次松弛会使模型在训练阶段负反馈过程出现偏差的问题。本发明的深度哈希模型包含五个卷积‑池化层、两个全连接层、特征层、哈希层和输出层；并基于三元组约束进行训练，得到训练好的深度哈希模型后，利用深度哈希模型建立样本库，样本库由图像样本及对应的哈希码构成；针对查询图像，利用训练好的深度哈希模型生成查询图像的哈希码；利用查询图像的哈希码与图像样本库进行检索。本发明适用于图像数据检索。
-
公开(公告)号：CN107466072B
公开(公告)日：2020-11-10
申请号：CN201710599216.8
申请日：2017-07-21
Applicant: 哈尔滨工程大学
Abstract: 本发明提供了一种基于地理位置信息的多信道并行协商MAC协议实现方法，涉及多信道并行传输条件下的无线传感器网络领域，对原LPR‑MAC协议在多信道并行协商过程中存在的信道冲突问题进行了分析，利用节点地理位置信息这一关键因素给出LPRLI‑MAC协议的邻居表和P‑坚持算法，解决了多对多和多对一的信道冲突问题，优化了多个发送端在多信道上的并行协商策略，降低了多个并行传输间的冲突概率，提高了数据传输率。
-
公开(公告)号：CN111476321A
公开(公告)日：2020-07-31
申请号：CN202010420676.1
申请日：2020-05-18
Applicant: 哈尔滨工程大学
Abstract: 基于特征加权贝叶斯优化算法的空中飞行物识别方法涉及一种空中飞行物识别方法。本发明是为了解决现有的空中飞行物的识别方法存在的准确率较低的问题。本发明通过对空中飞行物的特征数据分布情况进行分析，将特征重叠部分的分布情况中分布跨度和分布密度作为特征的权值计算依据，将其作为朴素贝叶斯识别模型的输入特征的权重，进而基于特征加权贝叶斯优化算法的结果实现空中飞行物的识别。主要用途飞行物的识别。
-
-
-
-
-
-
-
-
-
Search Results
134
records
(took 0.036 seconds)
