-
公开(公告)号：CN112257810B
公开(公告)日：2023-11-28
申请号：CN202011213028.5
申请日：2020-11-03
Applicant: 大连理工大学人工智能大连研究院 , 大连理工大学
IPC: G06V10/764 , G06V10/774 , G06V10/44 , G06V10/82 , G06V10/25 , G06V20/05 , G06N3/0464
Abstract: 本发明属于水下目标检测领域，提供了一种基于改进FasterR‑CNN的海底生物目标检测方法，通过样本复制和随机擦除实现数据增广，进一步通过加强特征提取网络backbone改进Faster R‑CNN对包含海底小目标图像的特征提取能力，从而提高训练样本不足情况下，海底生物目标的识别准确率。通过本发明设计的基于改进Faster R‑CNN的海底生物目标检测方法，可以解决海底生物目标检测中训练数据不足和对小目标检测效果不佳的问题，大大提高了识别准确率。本发明，有助于目标检测算法在水下机器人上的应用，进一步为水下机器人海生物自主捕捞技术提供技术支撑。
-
公开(公告)号：CN112257810A
公开(公告)日：2021-01-22
申请号：CN202011213028.5
申请日：2020-11-03
Applicant: 大连理工大学人工智能大连研究院 , 大连理工大学
Abstract: 本发明属于水下目标检测领域，提供了一种基于改进FasterR‑CNN的海底生物目标检测方法，通过样本复制和随机擦除实现数据增广，进一步通过加强特征提取网络backbone改进Faster R‑CNN对包含海底小目标图像的特征提取能力，从而提高训练样本不足情况下，海底生物目标的识别准确率。通过本发明设计的基于改进Faster R‑CNN的海底生物目标检测方法，可以解决海底生物目标检测中训练数据不足和对小目标检测效果不佳的问题，大大提高了识别准确率。本发明，有助于目标检测算法在水下机器人上的应用，进一步为水下机器人海生物自主捕捞技术提供技术支撑。
-
公开(公告)号：CN114189636A
公开(公告)日：2022-03-15
申请号：CN202111497481.8
申请日：2021-12-09
Applicant: 大连理工大学人工智能大连研究院 , 大连理工大学
Abstract: 一种多模式数字像素结构与逻辑控制方法，多模式数字像素结构集成了包括高增益运放、逻辑开关管、积分电容和多用电容的多模式CTIA像素单元和包括比较器、逻辑模块和静态存储器的兼容多模式的像素级模数转换结构。模拟像素通过多用电容的连接方式，实现多模式CTIA像素功能，模拟输出与比较器同相端连接，与斜波信号VRAMP进行比较，输出COMP_OUT经过逻辑结构控制静态存储器的写使能端。利用脉冲宽度调制方式，将全局计数器的数据控制写入静态存储器。通过选择器与逻辑信号H_CTRL和L_CTRL，实现可兼容多模式的像素级模数转换结构。本发明实现数字像素的多模式工作与转换，并保证转换数据的完整性。
-
公开(公告)号：CN114189636B
公开(公告)日：2024-03-05
申请号：CN202111497481.8
申请日：2021-12-09
Applicant: 大连理工大学人工智能大连研究院 , 大连理工大学
IPC: H04N25/20 , H04N25/70 , H04N25/50 , H04N25/616 , H04N25/78
Abstract: 一种多模式数字像素结构与逻辑控制方法，多模式数字像素结构集成了包括高增益运放、逻辑开关管、积分电容和多用电容的多模式CTIA像素单元和包括比较器、逻辑模块和静态存储器的兼容多模式的像素级模数转换结构。模拟像素通过多用电容的连接方式，实现多模式CTIA像素功能，模拟输出与比较器同相端连接，与斜波信号VRAMP进行比较，输出COMP_OUT经过逻辑结构控制静态存储器的写使能端。利用脉冲宽度调制方式，将全局计数器的数据控制写入静态存储器。通过选择器与逻辑信号H_CTRL和L_CTRL，实现可兼容多模式的像素级模数转换结构。本发明实现数字像素的多模式工作与转换，并保证转换数据的完整性。
-
公开(公告)号：CN118867477A
公开(公告)日：2024-10-29
申请号：CN202410905629.4
申请日：2024-07-08
Applicant: 大连理工大学
Inventor： 朱明
IPC: H01M10/613 , H01M10/615 , H01M10/62 , H01M10/635 , H01M10/643 , H01M10/653 , H01M10/6556 , H01M10/6568 , H01M10/6571 , H01M10/658 , H01M10/42 , H01M10/48 , H01M10/6557 , H01M50/213 , H01M50/224 , H01M50/244 , H01M50/284 , H01M50/569
Abstract: 本发明属于电池管理系统技术领域，公开了水下机器人电能管理系统，包括电池舱外壳、导热管、液体泵、电热管、隔热层、电池、电源管理模块及传感器。本发明通过创新的设计和智能化的控制策略，解决了现有技术在水下环境中的诸多不足。水下机器人电能管理系统多层隔热和高效导热的结构设计，结合智能温控算法，能够应对温度跨度大的多层海水环境。此外，集成的电源管理模块和高精度传感器网络，确保了电池的高效、安全运行。
-
Patent Agency Ranking
公开(公告)号：CN114625151B
公开(公告)日：2024-05-28
申请号：CN202210236892.X
申请日：2022-03-10
Applicant: 大连理工大学
IPC: G05D1/485 , G05D101/10
Abstract: 一种基于强化学习的水下机器人避障路径规划方法，首先对水下机器人的能耗模型以及动力学模型，水下洋流场景模型进行建模；其次将水下机器人对到达路径点的能耗与时长最小化问题建模为抽象的马尔可夫决策过程；将当前水下机器人的观测信息通过抽象网络转到隐藏层成为隐藏状态，将隐藏状态和想采取的动作通过转移预测网络映射至下一隐藏向量和预测奖励，另外策略网络通过给定的隐藏向量选择采取的动作以及当前局面的总奖励，在这个场景中即为到达目标点。通过水下机器人与环境的不断交互学习环境模型，得到即时奖励改进神经网络。最后将训练好的策略网络部署到水下机器人中。
-
公开(公告)号：CN113190039B
公开(公告)日：2024-04-16
申请号：CN202110458366.3
申请日：2021-04-27
Applicant: 大连理工大学
IPC: G05D1/695 , G05D109/20
Abstract: 本发明提供了一种基于分层深度强化学习的无人机采集路径规划方法，首先对无人机数据采集场景中的通信模型、能耗模型进行建模；其次，考虑数据新鲜度的最大化和无人机的续航，将优化问题建模为一个半马尔科夫决策过程；最后，提出了一种基于分层深度强化学习的无人机路径规划方法，高层策略根据当前环境状态决定无人机在当前应该采集哪个传感设备的数据，低层策略根据当前状态和高层策略的目标来设计无人机的移动轨迹，无人机通过与环境的交互获得瞬时奖励，并基于这些信息进行训练。训练完成后，将策略网络部署到具有一定计算能力的无人机中，无人机可以进行实时的路径规划，执行长时间的数据采集任务，以提高整个任务执行期间的数据新鲜度。
-
公开(公告)号：CN114614893B
公开(公告)日：2023-12-22
申请号：CN202210252533.3
申请日：2022-03-15
Applicant: 大连理工大学
IPC: H04B10/116 , H04B10/40
Abstract: 本发明属于无线光通信技术领域，提供一种自适应寻迹对焦功能光通信的收发装置，包括：方向控制云台、光束调整模块、光子传感器、光源信标检测模块、全向信标光源、控制及信息处理模块。本发明的收发装置利用光学信标及全向信标光源和光源信标检测模块检测目标节点的方向，利用方向控制云台追踪目标节点的方向，利用光束调整模块调节光束范围保障信号质量，防止信号中断，在外界条件允许时提高信号质量，适用于多种场景、多种环境，利用光子传感器接收信号，灵敏度高。
-
公开(公告)号：CN113891275B
公开(公告)日：2023-11-07
申请号：CN202111186433.7
申请日：2021-10-12
Applicant: 大连理工大学
Abstract: 本发明属于海洋物联网领域，提出一种基于迁移学习的水下无线传感器网络信任模型，首先对水下场景中的节点漂流模型和能量损耗模型进行建模，综合考虑传感器节点的移动性和能耗，对传感器节点进行分簇，并根据以上因素实时调整；其次，簇头节点收集目标节点的信任证据，并传输到边缘服务器；然后在边缘服务器中进行预处理，并使用基于迁移学习的检测模型对预处理后的数据进行训练，得到新的检测模型和评估结果；最后将评估结果传输到云端进行存储，同时反馈给簇头，簇头根据评估结果对目标节点做出判断。本发明引入边缘计算和迁移学习，实现了降低检测时延并灵活应对新的网络攻击、提高水下无线传感器网络的安全性。
-
公开(公告)号：CN116862023A
公开(公告)日：2023-10-10
申请号：CN202310899140.6
申请日：2023-07-21
Applicant: 大连理工大学
IPC: G06N20/20 , G06F18/2323 , G06F18/23213 , G06F18/22 , G06F18/21
Abstract: 本发明属于联邦学习异常检测领域，公开了一种基于谱聚类的鲁棒联邦学习异常客户端检测方法。服务器通过建立预测模型、计算局部模型与预测模型的余弦相似度构建无向图；计算无向图的拉普拉斯矩阵得到样本集；服务器采用基于K‑means的谱聚类方法切割样本集，将客户端划分为三类，并根据不同客户端类别分别计算信任分数；同时服务器采用基于行为的信任赎回机制对不同客户端进行不同的处理。本发明使用谱聚类对客户端进行准确划分并进行信任评估，采用基于行为的信任赎回机制动态调整客户端的信任值，避免了客户端被误判为恶意而被彻底隔离出联邦学习过程，充分利用了客户端的数据资源，保证了联邦学习过程的完整性，从而确保全局模型的精度。
-
-
-
-
-
-
-
-
-
Search Results
105
records
(took 0.035 seconds)
