-
公开(公告)号：CN106960092A
公开(公告)日：2017-07-18
申请号：CN201710173635.5
申请日：2017-03-22
Applicant: 哈尔滨工程大学
IPC: G06F17/50
Abstract: 本发明的目的在于提供韦伯燃烧规则经验参数自动校准方法，对公式进行线性变换，并结合现有测定的试验数据，对韦伯(Wiebe)燃烧规则线性变换后进行线性拟合，计算出韦伯(Wiebe)燃烧规则经验参数的初步估计值，然后对韦伯(Wiebe)燃烧规则以计算出的经验参数初步估计值作为迭代初值采用最小二乘算法拟合得出最终经验参数估计值，从而能够快速且精确搭建基于韦伯(Wiebe)燃烧规则的零维燃烧模型。本发明能保证校准结果的稳定性和最优性，可实现根据已燃分数试验数据自动校准得出韦伯(Wiebe)燃烧规则经验参数，缩短了内燃机缸内燃烧的仿真研究时间，实现了燃烧规则与真实燃烧的高效匹配。
-
公开(公告)号：CN110929794B
公开(公告)日：2022-12-13
申请号：CN201911188526.6
申请日：2019-11-28
Applicant: 哈尔滨工程大学
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06N3/04
Abstract: 本发明属于侧扫声呐图像识别技术领域，具体涉及一种基于多任务学习的侧扫声呐图像分类方法。本发明结合了多任务学习思想和卷积神经网络方法，使用卷积神经网络进行自动特征提取，相对于传统的人工设置的特征提取器，可以提取出人眼感受不到的那些重要特征，也能减小侧扫声呐图像噪声、图像边缘缺失、图像特征变形等因素对特征提取的影响。本发明利用多任务学习的思想，通过引入光学图像分类任务，可以丰富侧扫声呐图像的特征空间，避免了样本过少时特征提取不完备造成的过拟合的问题；通过本发明的方法，可以解决侧扫声呐图像样本少、特征提取困难时分类效果差的问题，具有一定的工程和研究价值。
-
公开(公告)号：CN107605588A
公开(公告)日：2018-01-19
申请号：CN201710768069.2
申请日：2017-08-31
Applicant: 哈尔滨工程大学
IPC: F02B37/013 , F02B37/10 , F02B37/12 , F02B37/16 , F02B37/18 , F02B37/20 , F02M26/00 , F02M26/08 , F02D41/00 , F02B41/10
Abstract: 本发明的目的在于提供补燃EGR结合电辅助涡轮技术的两级增压系统结构及其控制方法，进气通道EGR工作段与排气通道EGR工作段之间分别通过补燃通道和EGR通道相连通，补燃通道上自排气总管向进气总管上依次安装补燃废气单向阀、补燃燃烧室、补燃EGR单向阀，EGR通道上安装EGR单向阀，高压级涡轮通过离合同步装置连接动力涡轮，动力涡轮通过切换装置分别连接电动机和发电机。本发明实现了由一个补燃室两个单向控制阀来进行补燃废气补充以及补燃EGR的两个功能，既极大地改善了高增压柴油机的低速大扭矩特性，以及对EGR率的控制同样有效的降低了NOx排放，并且通过电辅助涡轮技术对废气能量的存储与释放，也降低了补燃技术固有的燃油消耗的增量，改善了经济性。
-
公开(公告)号：CN107237686A
公开(公告)日：2017-10-10
申请号：CN201710324849.8
申请日：2017-05-10
Applicant: 哈尔滨工程大学
IPC: F02B37/007 , F02B37/12 , F02M26/08 , F02M26/47
CPC classification number: Y02T10/144 , F02B37/007 , F02B37/12 , F02M26/08 , F02M26/47
Abstract: 本发明的目的在于提供实现全工况性能改善的两级相继增压系统结构及控制方法，柴油机分别与进气总管和排气总管相连,A列小涡轮增压器和A列大涡轮增压器串联后连接柴油机,B列小涡轮增压器和B列大涡轮增压器串联后连接柴油机，增压系统各管路上的控制阀的开启或关闭能够控制其相应增压器的切入或者切出，EGR管路连接A列排气管与进气总管。本发明可以在整个运行范围内提高柴油机的性能，在全工况范围内增压系统可提供足够的新鲜充量以供燃烧。并且有效避免低工况下因排气能量不足引起的工作不稳定、排放恶化以及高负荷增压器超速的不良后果。EGR阀前后压力传感器以及进排气连通的结合使用,避免了进排气压差的波动对EGR工作的影响。
-
公开(公告)号：CN107092723A
公开(公告)日：2017-08-25
申请号：CN201710176934.4
申请日：2017-03-22
Applicant: 哈尔滨工程大学
IPC: G06F17/50
Abstract: 本发明的目的在于提供双韦伯燃烧规则经验参数自动校准方法。本发明首先采用燃烧相位分离点确定方法得出燃烧相位分离点，将已燃分数试验数据分成两部分并进行相应的处理，分别对两部分数据采用代数分析得出韦伯参数初步估计值，再采用最小二乘算法得出最终估计值。本发明将代数分析方法和最小二乘算法结合，使两者优缺点互补，实现双韦伯(Wiebe)燃烧规则经验参数的自动校准，此方法参数校准时收敛性和稳定性较好，精确度较高，能够快速且精确搭建基于双韦伯(Wiebe)燃烧规则的零维燃烧模型。
-
Patent Agency Ranking
公开(公告)号：CN104200434B
公开(公告)日：2017-04-12
申请号：CN201410431699.7
申请日：2014-08-28
Applicant: 哈尔滨工程大学
IPC: G06T5/00
Abstract: 本发明属于数字图像处理技术领域，具体涉及一种应用于图像去噪并作为后续目标识别的预处理的基于噪声方差估计的非局部均值图像去噪方法。本发明包括：输入噪声图像，获取噪声图像尺寸；生成一个与噪声图像相同尺寸的零矩阵；对噪声图像边缘进行对称扩展；估计噪声方差，确定全局平滑参数；遍历噪声图像中每个像素，计算权值；利用非局部均值算法计算去噪图像。本发明中基于噪声方差估计的非局部均值图像去噪方法，可以显著提高噪声图像清晰度，并且去噪后能更清晰地保留边缘和细节信息。
-
公开(公告)号：CN109325527A
公开(公告)日：2019-02-12
申请号：CN201811031832.4
申请日：2018-09-05
Applicant: 哈尔滨工程大学
IPC: G06K9/62
Abstract: 本发明属于水下目标自动识别分类领域，具体涉及一种基于迁移学习与深度学习的侧扫声呐图像目标自动分类方法；包括获取带有分割标注的常规光学图像数据集；利用数据集中各个图像对应的标注图像进行轮廓分割；选定一个卷积神经网络结构进行训练，得到源领域目标分类网络；对经过充分训练的源领域目标分类网络前部分的参数进行冻结，同时将分类网络的后部分参数设置为可训练状态；使用训练集对设置好的分类网络继续进行训练；训练完成后，使用验证集评估分类网络性能。本方法使用迁移学习方法，对使用非侧扫声呐图像训练好的卷积神经网络进行迁移，同时根据相似性原理，对源领域数据集进行预处理，从而提高了迁移学习效率，防止负迁移现象。
-
公开(公告)号：CN102724155B
公开(公告)日：2014-09-17
申请号：CN201210152305.5
申请日：2012-05-17
Applicant: 哈尔滨工程大学
IPC: H04L27/26
Abstract: 本发明提供的是一种基于分数傅里叶变换的高频域能量集中度同步方法。串接三个切普信号作为同步信号，并将所述同步信号在发射端发射；接收端接收发射的同步信号，并对接收的同步信号进行分数傅里叶变换，得到分数域幅度谱；检测所述分数域幅度谱上的三个峰值位置，与无时偏、无频偏的峰值位置进行比较，获得偏移差；根据所述偏移差计算系统的时偏和频偏；根据所述系统的时偏和频偏，调整系统时间窗位置和本地载波频率，实现同步。针对现代调频通信系统所采用的同步方法中，同步信号频域能量集中度低，影响系统同步精度的问题，提供了一种基于分数傅里叶变换的同步方法。适用于通信信号传输的同步。
-
公开(公告)号：CN107605588B
公开(公告)日：2020-05-15
申请号：CN201710768069.2
申请日：2017-08-31
Applicant: 哈尔滨工程大学
IPC: F02B37/013 , F02B37/10 , F02B37/12 , F02B37/16 , F02B37/18 , F02B37/20 , F02M26/00 , F02M26/08 , F02D41/00 , F02B41/10
Abstract: 本发明的目的在于提供补燃EGR结合电辅助涡轮技术的两级增压系统结构及其控制方法，进气通道EGR工作段与排气通道EGR工作段之间分别通过补燃通道和EGR通道相连通，补燃通道上自排气总管向进气总管上依次安装补燃废气单向阀、补燃燃烧室、补燃EGR单向阀，EGR通道上安装EGR单向阀，高压级涡轮通过离合同步装置连接动力涡轮，动力涡轮通过切换装置分别连接电动机和发电机。本发明实现了由一个补燃室两个单向控制阀来进行补燃废气补充以及补燃EGR的两个功能，既极大地改善了高增压柴油机的低速大扭矩特性，以及对EGR率的控制同样有效的降低了NOx排放，并且通过电辅助涡轮技术对废气能量的存储与释放，也降低了补燃技术固有的燃油消耗的增量，改善了经济性。
-
公开(公告)号：CN110929794A
公开(公告)日：2020-03-27
申请号：CN201911188526.6
申请日：2019-11-28
Applicant: 哈尔滨工程大学
Abstract: 本发明属于侧扫声呐图像识别技术领域，具体涉及一种基于多任务学习的侧扫声呐图像分类方法。本发明结合了多任务学习思想和卷积神经网络方法，使用卷积神经网络进行自动特征提取，相对于传统的人工设置的特征提取器，可以提取出人眼感受不到的那些重要特征，也能减小侧扫声呐图像噪声、图像边缘缺失、图像特征变形等因素对特征提取的影响。本发明利用多任务学习的思想，通过引入光学图像分类任务，可以丰富侧扫声呐图像的特征空间，避免了样本过少时特征提取不完备造成的过拟合的问题；通过本发明的方法，可以解决侧扫声呐图像样本少、特征提取困难时分类效果差的问题，具有一定的工程和研究价值。
-
-
-
-
-
-
-
-
-
Search Results
16
records
(took 0.036 seconds)
