-
公开(公告)号：CN109376848A
公开(公告)日：2019-02-22
申请号：CN201811017375.3
申请日：2018-09-01
Applicant: 哈尔滨工程大学
Abstract: 本发明公开一种简化的门控单元神经网络，属于深度学习领域。本发明包括：对输入数据集进行数据清洗，选择经典数据集，如Iris数据集，此过程处理数据不平衡问题、归一化以及冗余数据处理问题；利用数据预处理后的数据集训练OGRU神经网络，建立预测模型；获取数据集，进行数据预处理过程，然后输入所获得的OGRU预测模型进行模型预测，得到预测结果。本发明克服传统GRU神经网络结构过于复杂，泛化能力差的问题，并且应用OGRU建立精确高效的预测模型，解决传统方法训练时间过长问题。
-
公开(公告)号：CN109218391A
公开(公告)日：2019-01-15
申请号：CN201810778796.1
申请日：2018-07-16
Applicant: 哈尔滨工程大学
Abstract: 本发明公开了一种基于区块链的分布式存储系统审计与去中心化的方法，属于分布式存储系统领域。提出了双链结构，所有核心节点共享数据特征链，所有超节点内部共享数据审计链：搭建采用带搅动的DHT拓扑结构的可扩展、高效率的分布式存储系统；用户利用同组织其他用户的公钥和自身私钥使用环签名算法对存储信息进行签名，对自身身份信息进行隐藏；分布式存储系统节点接收签名信息并进行验证，判断信息是否属于某一特定组织。带搅动的拓扑结构使得系统更安全，可靠。双链结构提高了扩展性、吞吐量，降低了延迟，实现了分布式存储系统的去中心化任务处理和数据一致性审计。
-
公开(公告)号：CN107562074A
公开(公告)日：2018-01-09
申请号：CN201710607470.8
申请日：2017-07-24
Applicant: 哈尔滨工程大学
Abstract: 本发明的目的在于提供一种面向MAUVS围捕的任务分配方法；针对MAUVS在围捕过程中目标AUV智能逃跑性能提高的问题，若仍然采用传统的围捕策略，即仅仅研究围捕过程中动作控制问题，会导致目标AUV逃逸的几率增大，本发明突破传统的围捕策略，提出了一种面向MAUVS围捕的任务分配方法，有效地提高了模型的精度，进而提高了围捕准确率。
-
公开(公告)号：CN106339322A
公开(公告)日：2017-01-18
申请号：CN201610821508.7
申请日：2016-09-13
Applicant: 哈尔滨工程大学
CPC classification number: G06F11/3612 , G06N7/005
Abstract: 本发明涉及计算机软件技术领域，具体涉及一种基于HMM-ACO的软件行为预测的方法。本发明包括：(1)建立知识库；知识库包括模型参数集、可观测序列集对应的标准隐状态短序列集、判定待检测序列是否异常的阈值；(2)进行软件行为识别，得到软件运行过程中产生的待检测系统调用序列集；(3)进行软件行为预测。本发明通过研究HMM在软件行为预测方面存在应用上的缺陷，即HMM会因为参数B的问题而陷入局部最优，导致模型精度下降，建立了蚁群算法与HMM相结合的新模型HMM-ACO，有效地提高了模型的精度，进而提高了软件行为预测的准确率。
-
公开(公告)号：CN102023571B
公开(公告)日：2012-05-09
申请号：CN201010297817.1
申请日：2010-09-30
Applicant: 哈尔滨工程大学
IPC: G05B13/04
Abstract: 一种探索任务下基于分簇的多机器人任务分配方法。包括分簇结构的生成方法和簇间机器人的动态任务分配方法。(1)基于树型拓扑的分簇结构生成方法，①簇结构的判定，②根据初始任务和机器人获得的信息，确定动态簇结构形成的条件，③设计面向任务动态变化下的簇更新规则。(2)基于生物启发的簇间机器人任务分配方法，①针对不同任务类型，确立分簇协作探索中机器人的职能；②确立多机器人分簇模式下的交互机制，实现机器人的簇间任务分配。本发明使得机器人在协作的过程中具有更好的灵活性；使得单个机器人的设计简单化，可提高系统的鲁棒性；使得分配结果能够灵活地适应环境变化。
-
Patent Agency Ranking
公开(公告)号：CN110807777B
公开(公告)日：2023-02-14
申请号：CN201910947774.8
申请日：2019-10-08
Applicant: 哈尔滨工程大学
Abstract: 本发明涉及一种基于卷积神经网络的海洋哺乳动物图像分割方法，所述方法包括如下步骤：从用高清摄像机中每隔10帧获取一次画面；将获取到的图像进行检测，将带有海洋哺乳动物的图像作为训练样本；对训练样本进行随机采样得到训练样本，输入至深度自编码器来实现训练深度自编码器；将全部训练样本输入到已经训练完成的深度自编码器中得到新的训练样本集合；将训练完成的深度自编码器保留，作为处理图像分割的卷积神经网络的初始卷积层；训练基于FCN的图像分割网络模型；将新的样本集合输入到训练好的FCN中，获得海洋哺乳动物的分割图像。本发明通过训练深度自编码器过滤了与要分割目标无关的信息，加快了训练速度，同时提高了FCN对图像分割的精度。
-
公开(公告)号：CN107562074B
公开(公告)日：2020-05-22
申请号：CN201710607470.8
申请日：2017-07-24
Applicant: 哈尔滨工程大学
Abstract: 本发明的目的在于提供一种面向MAUVS围捕的任务分配方法；针对MAUVS在围捕过程中目标AUV智能逃跑性能提高的问题，若仍然采用传统的围捕策略，即仅仅研究围捕过程中动作控制问题，会导致目标AUV逃逸的几率增大，本发明突破传统的围捕策略，提出了一种面向MAUVS围捕的任务分配方法，有效地提高了模型的精度，进而提高了围捕准确率。
-
公开(公告)号：CN110837845A
公开(公告)日：2020-02-25
申请号：CN201910947756.X
申请日：2019-10-08
Applicant: 哈尔滨工程大学
IPC: G06K9/62
Abstract: 本发明涉及数据挖掘技术领域，具体涉及支持向量机参数优化的一种基于改进网格搜索算法的SVM参数优化方法。本方法初始化分类器和粒子群算法的相关参数，选择对分类器性能影响较大的参数作为待优化参数，由粒子群算法获得全局最优参数或局部最优参数；求得的最优参数作为目标点，初始化网格搜索的空间范围参数和网格搜索过程中的搜索步长参数，以及其他变量；在选定的范围内进行网格搜索，采用k-cv交叉验证，重新获得该范围内的最优参数。本发明改进了传统的网格搜索算法，克服了在选取搜索区间时存在的盲目性以及经验性问题，改善了在数据量较大的情况下该方法存在的时间消耗大的问题，使时间消耗与分类性能达到一个相对平衡的状态。
-
公开(公告)号：CN110689171A
公开(公告)日：2020-01-14
申请号：CN201910837861.8
申请日：2019-09-05
Applicant: 哈尔滨工程大学
Abstract: 本发明提供的是一种基于E-LSTM的汽轮机健康状态预测方法。收集来自传感器的汽轮机运行数据，并进行预处理；将预处理好的数据喂到LSTM网络中，进行多次迭代训练；将训练好的多个模型参数输入到遗传算法中作为初始种群，运行遗传算法，选择效果最优模型参数；使用更多的汽轮机运营数据对最优模型进行泛化性能验证；根据最优模型参数，对测试数据集进行预测，并评估模型误差。本发明能提高模型预测的准确度并避免过拟合，能实现多元线性回归预测，使得预测模型对真实数据具有更好的拟合效果，可以极大降低人力监测的误差、提高故障诊断效率，对故障的发生做到先知先觉。可以广泛应用于各个火力和核能发电厂甚至于舰船的汽轮机的状态管理。
-
公开(公告)号：CN110569963A
公开(公告)日：2019-12-13
申请号：CN201910743277.6
申请日：2019-08-13
Applicant: 哈尔滨工程大学
Abstract: 本发明涉及信息技术领域，特别涉及一种防止数据信息丢失的DGRU神经网络及其预测方法。本发明中的DGRU神经网络由输入层、输出层和隐含层组成，隐含层由DGRU神经元构成；所述的DGRU神经元由同一时刻的两个标准GRU单元连接构成；本发明方法包括:获取历史数据集并进行预处理；利用预处理后的数据集训练DGRU神经网络，建立预测模型；获取当前失效数据，进行数据归一化处理后输入预测模型中，得到预测结果三个部分。本发明克服了传统GRU神经网络的缺点，对GRU神经网络进行改进，提出一种能增强模型记忆力，防止信息丢失的DGRU神经网络，并应用DGRU神经网路建立预测模型，与传统GRU神经网络相比，可以提高模型的预测精度。
-
-
-
-
-
-
-
-
-
Search Results
63
records
(took 0.026 seconds)
