-
-
公开(公告)号：CN101945492A
公开(公告)日：2011-01-12
申请号：CN201010247683.2
申请日：2010-08-09
Applicant: 哈尔滨工程大学
Abstract: 本发明提供的是一种基于分簇的多机器人任务分配方法。(1)任务开始，每个机器人查找是否存在簇结构，当系统中存在簇结构，则转到(3)，否则转到(2)；(2)基于树型拓扑的分簇结构生成算法生成新簇，新的簇产生后，则转入(5)；(3)判断任务是否更新，并需要更新新的簇型结构，如果没有需要更新的簇结构，则转到(5)，否则转到(4)；(4)根据任务的变化，采用簇间任务分配策略更新簇结构，当簇结构得到更新后，转到(5)；(5)判断任务是否结束，如果任务没有结束，则转到(1)，否则结束任务。本发明增加了系统的灵活性；借鉴群居生物的交互模式具有更高的鲁棒性；设计机器人协作的动态任务分配，提高机器人协作的效率。
-
公开(公告)号：CN101673348A
公开(公告)日：2010-03-17
申请号：CN200910073077.0
申请日：2009-10-20
Applicant: 哈尔滨工程大学
IPC: G06K9/66
CPC classification number: G06K9/00268
Abstract: 本发明提供的是一种基于监督等度规投影的人脸识别方法。包括人脸样本训练过程和人脸样本测试过程。人脸样本训练过程有包括首先对人脸训练图像进行预处理、采用Gabor小波对图像进行滤波、提出新的距离公式计算训练样本的邻接矩阵、由训练样本邻接矩阵D G 计算训练样本间的最短路径距离矩阵D、求取描述人脸训练样本数据的低维投影矩阵、通过投影转换矩阵A计算训练样本在低维空间的投影等步骤；人脸样本测试过程又包括对人脸测试图像进行预处理、采用Gabor小波对图像进行滤波、计算测试样本在低维空间的投影和采用最近邻算法判断测试样本的类别等过程。本发明具有对样本数据的结构描述更强，可以消除高阶冗余、计算代价小，更适合于模式分类任务等特点。
-
-
公开(公告)号：CN109886574B
公开(公告)日：2023-02-14
申请号：CN201910126437.2
申请日：2019-02-20
Applicant: 哈尔滨工程大学
IPC: G06Q10/0631
Abstract: 本发明属于信息处理领域，公开了一种基于改进阈值法的多机器人任务分配方法，包含如下步骤：定义第m次迭代时机器人i对任务j的响应阈值；在第m次迭代，阈值刺激差最大时对应的任务即机器人i在t时刻要执行的任务；如果机器人执行任务成功或失败且还有未被执行的任务，继续在未被执行的任务中选择阈值刺激差最大时对应的任务去执行；当机器人进入等待状态或等待区即没有可执行任务时，令机器人不断寻找可执行的任务；直到所有任务都被执行完成即完成一次迭代时，重置机器人和任务点的位置，根据阈值更新公式计算第m+1次迭代时机器人i对任务j的响应阈值和阈值刺激差。本发明优化了多任务处理能力，提高了算法的效率，提高了系统的资源利用率。
-
Patent Agency Ranking
公开(公告)号：CN109839933B
公开(公告)日：2022-04-29
申请号：CN201910126801.5
申请日：2019-02-20
Applicant: 哈尔滨工程大学
IPC: G05D1/02
Abstract: 本发明属于多机器人任务分配领域，具体涉及一种基于VDSOM算法的多机器人任务分配方法。这种方法不仅有效地实现了多机器人的任务分配，同时也有效地避开了环境中的障碍物，从而使多机器人任务分配更具备实用性和高效性。发明主要包括：初始化神经网络，寻找某一输入神经元的获胜神经元(机器人)，以确定该任务目标点是由那个机器人执行；设计一个邻域函数，用来确定在邻域范围内受获胜神经元影响的输入神经元；控制获胜神经元和其相邻神经元向目标的位置坐标移动，根据矢量方向方法，在成功避开环境中障碍物的前提下，向目标点移动一定距离。修改权值，以确定下一次的获胜神经元。
-
公开(公告)号：CN107544904B
公开(公告)日：2020-11-03
申请号：CN201710717237.5
申请日：2017-08-21
Applicant: 哈尔滨工程大学
IPC: G06F11/36
Abstract: 本发明公开了一种基于深度CG‑LSTM神经网络的软件可靠性预测模型，属于计算机软件技术领域。本发明包括模型训练和模型预测两部分，模型训练部分：对软件失效数据集进行数据归一化处理；利用归一化处理后的软件失效数据集训练基于深度CG‑LSTM神经网络的软件可靠性预测模型，获得预测模型。模型预测部分：获取当前软件失效数据并采进行数据归一化处理，然后输入获得的预测模型进行未来的软件失效预测，得到预测结果。本发明克服基于传统神经网络的软件可靠性预测模型的梯度消失问题、泛化能力差问题，模型预测精度更高、适用性更广。
-
公开(公告)号：CN109839933A
公开(公告)日：2019-06-04
申请号：CN201910126801.5
申请日：2019-02-20
Applicant: 哈尔滨工程大学
IPC: G05D1/02
Abstract: 本发明属于多机器人任务分配领域，具体涉及一种基于VDSOM算法的多机器人任务分配方法。这种方法不仅有效地实现了多机器人的任务分配，同时也有效地避开了环境中的障碍物，从而使多机器人任务分配更具备实用性和高效性。发明主要包括：初始化神经网络，寻找某一输入神经元的获胜神经元(机器人)，以确定该任务目标点是由那个机器人执行；设计一个邻域函数，用来确定在邻域范围内受获胜神经元影响的输入神经元；控制获胜神经元和其相邻神经元向目标的位置坐标移动，根据矢量方向方法，在成功避开环境中障碍物的前提下，向目标点移动一定距离。修改权值，以确定下一次的获胜神经元。
-
公开(公告)号：CN107609648A
公开(公告)日：2018-01-19
申请号：CN201710599192.6
申请日：2017-07-21
Applicant: 哈尔滨工程大学
IPC: G06N3/12
Abstract: 本发明设计了一种结合堆叠降噪稀疏自动编码器的遗传算法，主要包括堆叠降噪稀疏自动编码器部分、SOM神经网络部分和遗传算法。通过堆叠降噪稀疏自动编码器提取实时环境图像特征,同时消除环境噪声影响，经过SOM神经网络的映射拟合作为遗传算法中的适应度值，解决了传统遗传算法应用于复杂现实环境时，其固定适应度计算函数欠缺灵活性与准确性的问题，避免算法出现欺骗问题，提高了算法解的质量，同时SOM神经网络映射拟合能够有效避免其他神经网络的长时间迭代运算与输出误差问题。
-
公开(公告)号：CN107544904A
公开(公告)日：2018-01-05
申请号：CN201710717237.5
申请日：2017-08-21
Applicant: 哈尔滨工程大学
IPC: G06F11/36
Abstract: 本发明公开了一种基于深度CG-LSTM神经网络的软件可靠性预测模型，属于计算机软件技术领域。本发明包括模型训练和模型预测两部分，模型训练部分：对软件失效数据集进行数据归一化处理；利用归一化处理后的软件失效数据集训练基于深度CG-LSTM神经网络的软件可靠性预测模型，获得预测模型。模型预测部分：获取当前软件失效数据并采进行数据归一化处理，然后输入获得的预测模型进行未来的软件失效预测，得到预测结果。本发明克服基于传统神经网络的软件可靠性预测模型的梯度消失问题、泛化能力差问题，模型预测精度更高、适用性更广。
-
-
-
-
-
-
-
-
-
Search Results
63
records
(took 0.029 seconds)
