-
公开(公告)号：CN101293565A
公开(公告)日：2008-10-29
申请号：CN200810064358.5
申请日：2008-04-23
Applicant: 哈尔滨工程大学
IPC: B63H1/36
Abstract: 本发明提供的是一种水下微型仿生机器鱼。它包括一个半球形头部、一个躯体和一对推动尾。半球形头部前端安装有两个微型红外光电传感器，躯体连接于半球形头部和推动尾之间；所述的躯体是由记忆合金弹簧和套在记忆合金弹簧外的轻质压簧组成的可伸缩躯体；所述的推动尾是两片并排安放在伸缩壳体两侧的ICPF鱼尾。记忆合金弹簧、ICPF分别通过轻质导线与外界电路相连。本发明呈现了一种低电压供电的、新型智能材料驱动的、超低噪音的，水下微型仿生机器鱼。本发明是在研究了一些常见鱼类的运动方式后，综合了水母上浮下潜以及鱼类摆尾前进的特点而设计的。
-
公开(公告)号：CN120047006A
公开(公告)日：2025-05-27
申请号：CN202510215765.5
申请日：2025-02-26
Applicant: 哈尔滨工程大学
IPC: G06Q10/0637 , G06Q50/26 , G06N3/092 , G06N3/045 , G06N3/084
Abstract: 本发明公开了一种基于DRMRPG算法的多无人艇博弈对抗方法及系统，方法包括：构建基于所述DRMRPG算法的多无人艇智能博弈框架；在MADDPG算法的基础上，引入多级经验回放策略、动态软更新策略和残差连接策略，得到所述DRMRPG算法；基于所述DRMRPG算法，构建初始多无人艇博弈决策模型；利用所述多无人艇智能博弈框架对所述初始多无人艇博弈决策模型进行训练，得到智能决策模型；利用所述智能决策模型进行多无人艇博弈对抗，得到博弈决策。本发明具备高奖励值、高稳定性和高效率，具有一定的有效性。
-
公开(公告)号：CN119783070A
公开(公告)日：2025-04-08
申请号：CN202411861759.9
申请日：2024-12-17
Applicant: 哈尔滨工程大学
Abstract: 本发明公开了一种基于等价语义转换的大模型生成代码水印方法、程序、设备及存储介质，属于数字技术水印技术领域。本发明采用代码语义转换的等价性原则，设计适用于生成代码的转换规则，并利用规则将水印以一定编码规则嵌入生成代码中。本发明无需对代码生成模型进行重新训练或微调，只需对生成的代码进行后处理，表现出良好的跨模型兼容性，同时保证了水印的嵌入效率。本发明具备快速水印处理能力，可在短时间内完成代码水印嵌入，大幅提升实际应用中的处理效率。由于采用等价语义转换的方式，不会对代码的质量产生任何负面影响，保证了代码的功能正常以及代码可读性。
-
公开(公告)号：CN114565806B
公开(公告)日：2024-12-13
申请号：CN202210170641.6
申请日：2022-02-24
Applicant: 哈尔滨工程大学
IPC: G06V10/774 , G06V10/82 , G06N3/045 , G06N3/0464 , G06N3/08 , G06T5/70 , G06T5/50 , G06T7/13
Abstract: 本发明属于图像处理技术领域，具体涉及一种基于表征增强的特征域优化小样本图像转换方法。本发明通过引入直方图均衡算法和Canny算法先验知识，对图像对比度信息和边缘信息进行增强处理，在此基础上通过基于亚像素卷积的通道注意力机制改善网络特征提取能力，进行图像表征增强，解决图像细微特征不突出的问题。本发明提出基于特征域优化算法的转换机制，通过引入对抗思想自适应划分特征域和内容域，利用源域中多类丰富的图像缩小参数空间，噪声策略的添加使得网络不局限于单一样本的生成，减缓模式崩塌问题；根据源域和目标域的特点，构建重建策略，利用弱化后的循环语义一致性完成小样本图像转换任务，并获得视觉效果更好的转换图像。
-
公开(公告)号：CN118505972A
公开(公告)日：2024-08-16
申请号：CN202410632240.7
申请日：2024-05-21
Applicant: 哈尔滨工程大学
Abstract: 本发明公开了一种基于前景信息降采样的点级特征融合三维目标检测方法，包括：构建基线的三维点云目标检测模型，在基线的三维点云目标检测模型中引入融入图像前景信息的混合降采样方法，构建基于前景信息降采样的三维点云目标检测模型；基于前景信息降采样的三维点云目标检测模型，结合基于注意力机制的点级插值池化特征融合模块，构建基于前景信息降采样的点级特征融合三维点云目标检测模型；将点云及对应图像输入基于前景信息降采样的点级特征融合三维点云目标检测模型中，输出三维目标框，完成三维目标检测。本发明能有效利用图像信息辅助三维目标检测，具有很好的检测效果。
-
Patent Agency Ranking
公开(公告)号：CN117975000A
公开(公告)日：2024-05-03
申请号：CN202410073013.5
申请日：2024-01-18
Applicant: 哈尔滨工程大学
Abstract: 本发明公开了一种基于掩码互补跨层融合的水下多模态目标分割方法，包括：获取原始水下多模态图像对；基于掩码互补匹配策略对所述原始水下多模态图像对进行处理得到重塑图像对；构建跨层局部语义修正融合的水下多模态目标分割模型，将所述重塑图像对输入所述水下多模态目标分割模型进行特征提取和特征多级融合生成水下多模态目标分割结果。本发明提出的一种基于掩码互补跨层融合的水下多模态目标分割方法，能够有效地完成水下多模态目标分割任务，并提升分割精度及鲁棒性。
-
公开(公告)号：CN116579918A
公开(公告)日：2023-08-11
申请号：CN202310567199.5
申请日：2023-05-19
Applicant: 哈尔滨工程大学
IPC: G06T3/00 , G06V10/52 , G06V10/764 , G06V10/82 , G06V10/40 , G06V10/77 , G06N3/0464 , G06N3/0499 , G06N3/048 , G06N3/0455 , G06N3/08
Abstract: 本发明涉及基于风格无关判别器的注意力机制多尺度图像转换方法，包括：构建基线的多尺度图像转换模型，在基线的多尺度图像转换模型中引入注意力机制，构建基于注意力机制的多尺度图像转换模型；基于注意力机制的多尺度图像转换模型，结合风格无关判别器，构建基于风格无关判别器的注意力机制多尺度图像转换模型；获取水下图像，将水下图像输入基于风格无关判别器的注意力机制多尺度图像转换模型中，输出转换后的水下图像，完成水下图像的转换。本发明提出的基于风格无关判别器的注意力机制多尺度图像转换方法，能生成细节更丰富的水下图像，具有很好的转换效果。
-
公开(公告)号：CN116501908A
公开(公告)日：2023-07-28
申请号：CN202310546775.8
申请日：2023-05-16
Applicant: 哈尔滨工程大学
IPC: G06F16/583 , G06V10/80 , G06V10/82 , G06V10/74 , G06V10/774 , G06N3/042 , G06N3/045 , G06N3/0464 , G06N3/047 , G06N3/048 , G06N3/084 , G06N3/096
Abstract: 本发明公开了一种基于特征融合可学习图注意力网络的图像检索方法，具体包括以下步骤：获取原始图像数据和原始点云数据；基于所述原始图像数据和所述原始点云数据，获取图像特征向量和点云特征向量；构建基于特征融合可学习图注意力网络模型，利用所述图像特征向量和所述点云特征向量训练所述特征融合可学习图注意力网络模型；利用所述基于特征融合可学习图注意力网络模型进行图像检索，完成基于特征融合课学习图注意力网络的图像检索。本发明提出的基于特征融合可学习图注意力网络的图像检索方法，在识别精度、任务适应性和抗噪鲁棒性上有较好的表现，具有一定的有效性。
-
公开(公告)号：CN116432030A
公开(公告)日：2023-07-14
申请号：CN202310378455.6
申请日：2023-04-10
Applicant: 哈尔滨工程大学
IPC: G06F18/214 , G06N3/0442 , G06N3/0499 , G06N3/08
Abstract: 本发明为了生成更好的空战多意图策略，提出一种基于深度强化学习的空战多意图策略自主生成方法。包括如下步骤：(1)针对空战意图构建基于深度强化学习的空战博弈框架；(2)提出时序近端策略优化(Temporal Proximal Policy Optimization,T‑PPO)算法，充分利用历史数据中有用信息生成策略；(3)提出基本‑对抗进阶式训练法进行意图策略生成模型训练，提供意图引导和增加训练的多样性；(4)大范围内选择初始状态，基于空战博弈框架生成空战数据，利用T‑PPO算法进行基本‑对抗进阶式训练更新模型，完成基于深度强化学习的空战意图策略自主生成。本发明提出的基于深度强化学习的空战多意图策略自主生成方法，能提升生成策略的胜率和效率并提高网络训练的速度，具有一定的有效性。
-
公开(公告)号：CN112908341B
公开(公告)日：2023-01-03
申请号：CN202110197641.0
申请日：2021-02-22
Applicant: 哈尔滨工程大学
Abstract: 本发明提供的是一种基于多任务自注意力机制的语言学习者声纹识别方法。包括如下步骤：(1)对原始语音信号进行预处理；(2)提出构建多任务自注意力网络(Multi‑Task Self‑Attention Network，MT‑SANet)模型；(3)提出从新的角度将学习语言过程中的不同学习阶段纳入辅助任务；(4)完成基于多任务自注意力机制的语言学习者声纹识别。本发明为了取得更好的语言学习者的声纹识别效果，提出一种基于多任务自注意力机制的语言学习者声纹识别方法。本发明提出的基于多任务自注意力机制的语言学习者声纹识别方法，能更好的提高声纹识别的正确率和泛化能力，具有一定的有效性。
-
-
-
-
-
-
-
-
-
Search Results
68
records
(took 0.04 seconds)
